JP7200982B2 - 材料特性値予測システム及び金属板の製造方法 - Google Patents
材料特性値予測システム及び金属板の製造方法 Download PDFInfo
- Publication number
- JP7200982B2 JP7200982B2 JP2020154166A JP2020154166A JP7200982B2 JP 7200982 B2 JP7200982 B2 JP 7200982B2 JP 2020154166 A JP2020154166 A JP 2020154166A JP 2020154166 A JP2020154166 A JP 2020154166A JP 7200982 B2 JP7200982 B2 JP 7200982B2
- Authority
- JP
- Japan
- Prior art keywords
- manufacturing
- metal plate
- material property
- temperature
- property value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims description 146
- 239000000463 material Substances 0.000 title claims description 134
- 229910052751 metal Inorganic materials 0.000 title claims description 76
- 239000002184 metal Substances 0.000 title claims description 76
- 238000000034 method Methods 0.000 claims description 147
- 230000008569 process Effects 0.000 claims description 116
- 238000000137 annealing Methods 0.000 claims description 56
- 238000001816 cooling Methods 0.000 claims description 47
- 229910000831 Steel Inorganic materials 0.000 claims description 40
- 239000010959 steel Substances 0.000 claims description 40
- 238000005096 rolling process Methods 0.000 claims description 39
- 238000003303 reheating Methods 0.000 claims description 37
- 238000010801 machine learning Methods 0.000 claims description 34
- 238000005097 cold rolling Methods 0.000 claims description 29
- 238000005098 hot rolling Methods 0.000 claims description 29
- 238000010438 heat treatment Methods 0.000 claims description 23
- 238000007747 plating Methods 0.000 claims description 23
- 238000005275 alloying Methods 0.000 claims description 18
- 230000009467 reduction Effects 0.000 claims description 14
- 239000000498 cooling water Substances 0.000 claims description 9
- 239000007789 gas Substances 0.000 claims description 8
- 239000002244 precipitate Substances 0.000 claims description 8
- 239000000112 cooling gas Substances 0.000 claims description 6
- 238000002347 injection Methods 0.000 claims description 6
- 239000007924 injection Substances 0.000 claims description 6
- 239000007921 spray Substances 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000005461 lubrication Methods 0.000 claims description 3
- 150000002739 metals Chemical class 0.000 claims description 3
- 238000001953 recrystallisation Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 claims description 2
- 230000007797 corrosion Effects 0.000 claims description 2
- 238000005260 corrosion Methods 0.000 claims description 2
- 230000003111 delayed effect Effects 0.000 claims description 2
- 239000006185 dispersion Substances 0.000 claims description 2
- 230000010365 information processing Effects 0.000 description 39
- 239000000047 product Substances 0.000 description 15
- 238000009628 steelmaking Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000005246 galvanizing Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 4
- 239000010960 cold rolled steel Substances 0.000 description 4
- 239000012467 final product Substances 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 210000004894 snout Anatomy 0.000 description 4
- 238000004804 winding Methods 0.000 description 4
- 229910001335 Galvanized steel Inorganic materials 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 3
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 235000013339 cereals Nutrition 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000009749 continuous casting Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 239000008397 galvanized steel Substances 0.000 description 3
- 238000005554 pickling Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000002791 soaking Methods 0.000 description 3
- 229910052725 zinc Inorganic materials 0.000 description 3
- 239000011701 zinc Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 229910000805 Pig iron Inorganic materials 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 238000005401 electroluminescence Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 229910052719 titanium Inorganic materials 0.000 description 2
- 239000010936 titanium Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 229910000838 Al alloy Inorganic materials 0.000 description 1
- 229910000851 Alloy steel Inorganic materials 0.000 description 1
- 101100165177 Caenorhabditis elegans bath-15 gene Proteins 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910000975 Carbon steel Inorganic materials 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 235000019738 Limestone Nutrition 0.000 description 1
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 229910052796 boron Inorganic materials 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000010962 carbon steel Substances 0.000 description 1
- 229910052804 chromium Inorganic materials 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007598 dipping method Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011777 magnesium Substances 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 229910052748 manganese Inorganic materials 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 229910052758 niobium Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002436 steel type Substances 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 229910052715 tantalum Inorganic materials 0.000 description 1
- 229910052718 tin Inorganic materials 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
- B21B37/74—Temperature control, e.g. by cooling or heating the rolls or the product
- B21B37/76—Cooling control on the run-out table
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D11/00—Process control or regulation for heat treatments
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B38/00—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D8/00—Modifying the physical properties by deformation combined with, or followed by, heat treatment
- C21D8/02—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips
- C21D8/0205—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips of ferrous alloys
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D8/00—Modifying the physical properties by deformation combined with, or followed by, heat treatment
- C21D8/02—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips
- C21D8/0247—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips characterised by the heat treatment
- C21D8/0263—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips characterised by the heat treatment following hot rolling
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D8/00—Modifying the physical properties by deformation combined with, or followed by, heat treatment
- C21D8/02—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips
- C21D8/0278—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips involving a particular surface treatment
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D9/00—Heat treatment, e.g. annealing, hardening, quenching or tempering, adapted for particular articles; Furnaces therefor
- C21D9/46—Heat treatment, e.g. annealing, hardening, quenching or tempering, adapted for particular articles; Furnaces therefor for sheet metals
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32193—Ann, neural base quality management
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32194—Quality prediction
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45234—Thin flat workpiece, sheet metal machining
Description
本開示は、材料特性値予測システム及び金属板の製造方法に関する。本開示は、特に、金属板の製造工程の途中において製造に関するパラメータが設定範囲から外れた場合に、最終的に所望の材料特性値が得られるように、その工程より後の工程の製造条件の適正化を可能にする、材料特性値予測システム及び金属板の製造方法に関する。
鋼板の製造工程において、成分調整後の連続鋳造工程で溶湯がスラブ（鋳片）となる。スラブは加熱されて、熱間圧延（熱延）工程で熱延鋼板となる。熱延鋼板は、冷間圧延（冷延）工程及び連続焼鈍工程を経て冷延鋼板となり得る。また、熱延鋼板は、冷間圧延工程及び連続焼鈍溶融亜鉛めっき工程を経て溶融亜鉛めっき鋼板となり得る。
例えば鋼板などの金属板の製造では、所望の材料特性値を得るために、各工程において最適な製造条件が設定される。しかし、製鋼から焼鈍までの長い製造工程ですべての製造条件を目標通りとすることは困難である。その結果、材質のばらつきを低減することは難しかった。
このような材質のばらつきを低減するために、特許文献１は、線形回帰モデルなどの統計確率モデルを使って製造実績から品質予測モデルを構築し、品質予測モデルによって製造する鋼の品質管理限界を決定することを開示する。
特許文献２は、製造実績データから材質を予測するシステムを開示する。特許文献２は、事前予測モデルを学習データ（教師データ）とし、都度導出される予測モデルとの差異を求めることで、目標値からの外れ値を予測して、高精度に材質制御を行う技術を提案する。
特許文献３は、製造実績を基にした品質予測システムで、学習用の予測モデルと、実際の対象製品の操業条件から導き出した品質予測モデルの類似度から、対象製品の品質を予測するシステムを開示する。特許文献３は、予測モデル構築に、従来の線形予測ではなく機械学習アルゴリズムを適用し、欠陥の発生確率を高度に予測する技術を開示する。
本開示者が検討を重ねた結果、従来技術は以下のような課題があることがわかった。まず、特許文献１～３に記載される技術は、直接的に調整可能な製造条件だけを考慮しており、例えば気温及び水温といった外乱を考慮していない。しかし、このような外乱は最終的な製造物の材料特性値に大きく影響を及ぼす。
また、製造設備において新規材料を用いる場合などであって、製造工程の途中で目的の材料特性値を得られないと判定されるときに、後の工程の条件を変えて目的の材料特性値に近づけたいとの要望がある。しかし、特許文献１の技術は、統計確率モデルを用いて、製品品質が目標値に一致するための高精度な製造条件目標値を製造開始前に設定するものであり、製造途中における後の工程の条件変更ができない。また、特許文献２及び特許文献３の技術は、製造途中における後の工程の条件変更を想定していない。さらに、特許文献２及び特許文献３の技術は、精度の高い予測モデルを生成するために数多くの学習データが必要である。そのため、過去の製造実績が少ない又は無いときの適用が困難である。したがって、これらの従来技術と異なる予測モデルを用いて、高精度に材料特性値を予測するシステムが求められている。また、同一規格の材料を異なる日に製造することもあり、気温などの外乱因子により材料特性値がばらつくことがある。
かかる点に鑑みてなされた本開示の目的は、材料特性値を高精度に予測可能な材料特性値予測システムを提供することにある。また、本開示の他の目的は、その材料特性値予測システムが予測した材料特性値に基づいて後の工程の製造条件を適切に変更することによって、製品の歩留まりを向上させることが可能な金属板の製造方法を提供することにある。
本開示の一実施形態に係る材料特性値予測システムは、
金属板を製造する設備における設備出力因子、外乱因子及び製造中の前記金属板の成分値を含む入力データを取得し、前記入力データを入力する予測モデルを用いて、製造される前記金属板の材料特性値を予測する、材料特性値予測部を備え、
前記予測モデルは、
前記入力データを入力して製造条件因子を出力する、機械学習によって生成された機械学習モデルと、
前記製造条件因子を入力して前記材料特性値を出力する金属学モデルと、
を含む。
金属板を製造する設備における設備出力因子、外乱因子及び製造中の前記金属板の成分値を含む入力データを取得し、前記入力データを入力する予測モデルを用いて、製造される前記金属板の材料特性値を予測する、材料特性値予測部を備え、
前記予測モデルは、
前記入力データを入力して製造条件因子を出力する、機械学習によって生成された機械学習モデルと、
前記製造条件因子を入力して前記材料特性値を出力する金属学モデルと、
を含む。
本開示の一実施形態に係る金属板の製造方法は、
熱間圧延工程、冷間圧延工程及び焼鈍工程を含む金属板の製造方法であって、
上記の材料特性値予測システムを用いて、前記熱間圧延工程における前記入力データを取得し、前記金属板の材料特性値を予測する工程を備え、
前記製造条件因子は、粗圧延率、仕上圧延率、圧延入側温度、圧延出側温度、圧延パス間温度、冷却開始時間、冷却温度、冷却速度、ライン速度及び巻取温度のうち少なくとも１つを含む。
熱間圧延工程、冷間圧延工程及び焼鈍工程を含む金属板の製造方法であって、
上記の材料特性値予測システムを用いて、前記熱間圧延工程における前記入力データを取得し、前記金属板の材料特性値を予測する工程を備え、
前記製造条件因子は、粗圧延率、仕上圧延率、圧延入側温度、圧延出側温度、圧延パス間温度、冷却開始時間、冷却温度、冷却速度、ライン速度及び巻取温度のうち少なくとも１つを含む。
また、本開示の一実施形態に係る金属板の製造方法は、
熱間圧延工程、冷間圧延工程及び焼鈍工程を含む金属板の製造方法であって、
上記の材料特性値予測システムを用いて、前記冷間圧延工程における前記入力データを取得し、前記金属板の材料特性値を予測する工程を備え、
前記製造条件因子は、圧延率、冷圧率及び摩擦係数のうち少なくとも１つを含む。
熱間圧延工程、冷間圧延工程及び焼鈍工程を含む金属板の製造方法であって、
上記の材料特性値予測システムを用いて、前記冷間圧延工程における前記入力データを取得し、前記金属板の材料特性値を予測する工程を備え、
前記製造条件因子は、圧延率、冷圧率及び摩擦係数のうち少なくとも１つを含む。
また、本開示の一実施形態に係る金属板の製造方法は、
熱間圧延工程、冷間圧延工程及び焼鈍工程を含む金属板の製造方法であって、
上記の材料特性値予測システムを用いて、前記焼鈍工程における前記入力データを取得し、前記金属板の材料特性値を予測する工程を備え、
前記製造条件因子は、ライン速度、焼鈍温度、焼鈍時間、昇温速度、冷却温度、冷却時間、冷却速度、再加熱温度、再加熱速度及び再加熱時間のうち少なくとも１つを含む。
熱間圧延工程、冷間圧延工程及び焼鈍工程を含む金属板の製造方法であって、
上記の材料特性値予測システムを用いて、前記焼鈍工程における前記入力データを取得し、前記金属板の材料特性値を予測する工程を備え、
前記製造条件因子は、ライン速度、焼鈍温度、焼鈍時間、昇温速度、冷却温度、冷却時間、冷却速度、再加熱温度、再加熱速度及び再加熱時間のうち少なくとも１つを含む。
また、本開示の一実施形態に係る金属板の製造方法は、
焼鈍工程、めっき工程及び再加熱工程を含む金属板の製造方法であって、
上記の材料特性値予測システムを用いて、前記焼鈍工程、前記めっき工程及び前記再加熱工程における前記入力データを取得し、前記金属板の材料特性値を予測する工程を備え、
前記製造条件因子は、ライン速度、焼鈍温度、焼鈍時間、昇温速度、冷却温度、冷却時間、冷却速度、再加熱温度、再加熱速度、再加熱時間、合金化温度、合金化時間及び露点のうち少なくとも１つを含む。
焼鈍工程、めっき工程及び再加熱工程を含む金属板の製造方法であって、
上記の材料特性値予測システムを用いて、前記焼鈍工程、前記めっき工程及び前記再加熱工程における前記入力データを取得し、前記金属板の材料特性値を予測する工程を備え、
前記製造条件因子は、ライン速度、焼鈍温度、焼鈍時間、昇温速度、冷却温度、冷却時間、冷却速度、再加熱温度、再加熱速度、再加熱時間、合金化温度、合金化時間及び露点のうち少なくとも１つを含む。
本開示によれば、材料特性値を高精度に予測可能な材料特性値予測システムを提供することができる。本開示によれば、その材料特性値予測システムが予測した材料特性値に基づいて後の工程の製造条件を適切に変更することによって、製品の歩留まりを向上させることが可能な金属板の製造方法を提供することができる。
（材料特性値予測システムの構成）
図１は、本開示の一実施形態に係る、例えば鉄鋼における材料特性値予測システム１００の構成例を示す。材料特性値予測システム１００は、金属板の製造で使用される情報処理装置１０を備えて構成される。情報処理装置１０は、操業を統括するプロセスコンピュータであってよい。図１の例において、鋼板をコイル状に巻いた鋼帯９が製造物であるが、製造物は鋼帯９に限られない。例えば製造物は鉄鋼材料である金属の平板であってよい。つまり、材料特性値予測システム１００は、広義の金属板の製造方法で用いられ得る。また、鉄鋼材料は炭素鋼であってよいし、合金鋼であってよい。また、金属板は鉄鋼に限定されず、例えばアルミ合金、銅、チタン、マグネシウム等を素材としてよい。
図１は、本開示の一実施形態に係る、例えば鉄鋼における材料特性値予測システム１００の構成例を示す。材料特性値予測システム１００は、金属板の製造で使用される情報処理装置１０を備えて構成される。情報処理装置１０は、操業を統括するプロセスコンピュータであってよい。図１の例において、鋼板をコイル状に巻いた鋼帯９が製造物であるが、製造物は鋼帯９に限られない。例えば製造物は鉄鋼材料である金属の平板であってよい。つまり、材料特性値予測システム１００は、広義の金属板の製造方法で用いられ得る。また、鉄鋼材料は炭素鋼であってよいし、合金鋼であってよい。また、金属板は鉄鋼に限定されず、例えばアルミ合金、銅、チタン、マグネシウム等を素材としてよい。
図１に示すように材料特性値予測システム１００は、転炉１と、連続鋳造機２と、加熱炉３と、スケールブレーカー４と、粗圧延機５と、仕上圧延機６と、冷却装置７と、巻取装置８と、鋼帯９と、情報処理装置１０とを含む。
製造工程において、まず原料の鉄鉱石は、石灰石及びコークスとともに高炉に装入され、溶融状態の銑鉄が生成される。高炉で出銑された銑鉄に対して転炉１において炭素等の成分調整が行われ、二次精錬により最終的な成分調整がなされる。連続鋳造機２では、精錬された鉄鋼を鋳造して鋳片（スラブ）と呼ばれる中間素材を製造する。その後、加熱炉３における加熱工程によりスラブを加熱し、粗圧延機５と仕上圧延機６による熱間圧延工程、冷却装置７による冷却工程、巻取装置８を経て、鋼帯９が製造される。製造工程は、冷却工程の後に、適宜、酸洗工程、冷間圧延工程、焼鈍工程、スキンパス工程及び検査工程等の処理工程を含んでよい。
ここで、材料特性値予測システム１００は、図１と異なる金属板の製造設備を備えて構成されてよい。材料特性値予測システム１００は、例えば図２に示すように、溶融亜鉛めっき鋼板を製造するための連続焼鈍設備（以下、溶融めっきライン）を備えてよい。図２の溶融めっきラインは、冷間圧延された鋼板を溶融亜鉛めっき鋼板にする。
溶融めっきラインは、焼鈍部として、加熱帯１１、均熱帯１２及び冷却帯１３を有する。溶融めっきラインにおける焼鈍工程とは、焼鈍部で実行される熱処理工程であって、鋼板を室温付近から昇温させ、所定の温度に保持した後、亜鉛めっきを行うのに適した温度まで鋼板の温度を低下させる。
また、溶融めっきラインでは、焼鈍部の下流側にめっき部を有する。溶融めっきラインは、めっき部として、スナウト１４、亜鉛めっき槽１５及びワイピング装置１６を有する。溶融めっきラインにおけるめっき工程とは、めっき部で実行される鋼板に適量のめっきを付着させる工程である。
また、溶融めっきラインでは、めっき部の下流側に再加熱部を有する。溶融めっきラインは、再加熱部として、合金化帯１７、保熱帯１８、最終冷却帯１９を有する。溶融めっきラインにおける再加熱工程とは、再加熱部で実行される熱処理工程である。
加熱帯１１は、鋼板を昇温させるための設備であり、鋼種によって６５０～９５０℃程度の範囲で予め設定された温度まで加熱する。均熱帯１２は、鋼板を所定温度に保持する設備である。冷却帯１３は、亜鉛めっきを行うのに適した温度として４５０℃程度まで冷却する設備である。
スナウト１４は、内部に水素、窒素、水蒸気を含む混合ガスが供給され、鋼板が亜鉛めっき槽１５に浸漬されるまでの雰囲気ガスを調整する。亜鉛めっき槽１５は、内部にシンクロールを有し、スナウト１４を通過した鋼板を下方に向けて浸漬し、表面に溶融亜鉛が付着した鋼板をめっき浴の上方に引き上げる。ワイピング装置１６は、鋼板の両側に配置されたノズルからワイピングガスを吹き付けて、鋼板の表面に付着した余剰の溶融亜鉛を掻き取り、溶融亜鉛の付着量（目付量）を調節する。
合金化帯１７は、ワイピング装置１６を通過した鋼板を、Ｚｎ－Ｆｅ合金化反応が進行する温度（通常、５００℃程度）まで昇温する。保熱帯１８は、合金化反応の進行に必要な時間を確保するために、鋼板の温度を保持する。最終冷却帯１９は、合金化処理を行った鋼板を室温付近まで最終冷却する。
このように、材料特性値予測システム１００は、例えば熱間圧延工程、冷間圧延工程及び焼鈍工程を含む金属板の製造設備を備えて構成され得る。また、材料特性値予測システム１００は、例えば焼鈍工程、めっき工程及び再加熱工程を含む金属板の製造設備を備えて構成され得る。
（情報処理装置の構成）
図３は情報処理装置１０のブロック図を示す。情報処理装置１０は、制御部１１０と、記憶部１２０と、通信部１３０と、入力部１４０と、出力部１５０とを備える。情報処理装置１０は、製造物の所望の材料特性値に基づき必要な製造条件を算出して、各製造装置に対して製造条件因子を設定する。材料特性値は、製造物の強度及び外力等への抵抗性などの物理的特性を示す値である。材料特性値の一例として引張強さが挙げられる。また、製造条件因子は、製造物を製造する工程で調整可能なパラメータ（製造パラメータ）である。製造条件因子の一例として圧延率が挙げられる。
図３は情報処理装置１０のブロック図を示す。情報処理装置１０は、制御部１１０と、記憶部１２０と、通信部１３０と、入力部１４０と、出力部１５０とを備える。情報処理装置１０は、製造物の所望の材料特性値に基づき必要な製造条件を算出して、各製造装置に対して製造条件因子を設定する。材料特性値は、製造物の強度及び外力等への抵抗性などの物理的特性を示す値である。材料特性値の一例として引張強さが挙げられる。また、製造条件因子は、製造物を製造する工程で調整可能なパラメータ（製造パラメータ）である。製造条件因子の一例として圧延率が挙げられる。
本実施形態において、情報処理装置１０は、機械学習によって生成された機械学習モデルと金属学モデルとを含む予測モデル１２２を生成する。情報処理装置１０は、予測モデル１２２を用いて材料特性値を予測する材料特性値予測装置として機能する。また、情報処理装置１０は、予測した材料特性値に基づいて、後の工程の製造条件因子を修正することができる。予測モデル１２２の詳細及び材料特性値の予測の流れについては後述する。
制御部１１０には、少なくとも１つのプロセッサ、少なくとも１つの専用回路又はこれらの組み合わせが含まれる。プロセッサは、ＣＰＵ（ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）等の汎用プロセッサ又は特定の処理に特化した専用プロセッサである。専用回路は、例えば、ＦＰＧＡ（ｆｉｅｌｄ－ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）又はＡＳＩＣ（ａｐｐｌｉｃａｔｉｏｎ ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ）である。制御部１１０は、情報処理装置１０の各部を制御しながら、情報処理装置１０の動作に関わる処理を実行する。
本実施形態において、制御部１１０は材料特性値予測部１１１を備える。材料特性値予測部１１１は、金属板を製造する設備における設備出力因子、外乱因子及び製造中の金属板の成分値を含む入力データを取得し、入力データを入力する予測モデル１２２を用いて、製造される金属板の材料特性値を予測する。
記憶部１２０には、少なくとも１つの半導体メモリ、少なくとも１つの磁気メモリ、少なくとも１つの光メモリ又はこれらのうち少なくとも２種類の組み合わせが含まれる。半導体メモリは、例えばＲＡＭ（ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）又はＲＯＭ（ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ）である。ＲＡＭは、例えばＳＲＡＭ（ｓｔａｔｉｃ ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）又はＤＲＡＭ（ｄｙｎａｍｉｃ ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）である。ＲＯＭは、例えばＥＥＰＲＯＭ（ｅｌｅｃｔｒｉｃａｌｌｙ ｅｒａｓａｂｌｅ ｐｒｏｇｒａｍｍａｂｌｅ ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ）である。記憶部１２０は、例えば、主記憶装置、補助記憶装置又はキャッシュメモリとして機能する。記憶部１２０には、情報処理装置１０の動作に用いられるデータと、情報処理装置１０の動作によって得られたデータとが記憶される。例えば記憶部１２０は実績データベース１２１及び予測モデル１２２を記憶する。実績データベース１２１は製造設備及びそれを用いた操業に関する様々な測定値及び設定値を記憶する。実績データベース１２１に記憶される測定値及び設定値は、情報処理装置１０が予測モデル１２２を生成するための学習データとして用いられるものを含む。
通信部１３０には、少なくとも１つの通信用インタフェースが含まれる。通信用インタフェースは、例えばＬＡＮインタフェース、ＷＡＮインタフェース、ＬＴＥ（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）、４Ｇ（４ｔｈ ｇｅｎｅｒａｔｉｏｎ）又は５Ｇ（５ｔｈ ｇｅｎｅｒａｔｉｏｎ）等の移動通信規格に対応したインタフェース又はＢｌｕｅｔｏｏｔｈ（登録商標）等の近距離無線通信に対応したインタフェースである。通信部１３０は、情報処理装置１０の動作に用いられるデータを受信する。また、通信部１３０は、情報処理装置１０の動作によって得られるデータを送信する。
入力部１４０には、少なくとも１つの入力用インタフェースが含まれる。入力用インタフェースは、例えば物理キー、静電容量キー、ポインティングデバイス、ディスプレイと一体的に設けられたタッチスクリーン又はマイクである。入力部１４０は、情報処理装置１０の動作に用いられるデータを入力する操作を受け付ける。入力部１４０は、情報処理装置１０に備えられる代わりに、外部の入力機器として情報処理装置１０に接続されてよい。接続方式としては、例えばＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）、ＨＤＭＩ（登録商標）（Ｈｉｇｈ－Ｄｅｆｉｎｉｔｉｏｎ Ｍｕｌｔｉｍｅｄｉａ Ｉｎｔｅｒｆａｃｅ）又はＢｌｕｅｔｏｏｔｈ（登録商標）等の任意の方式を用いることができる。
出力部１５０には、少なくとも１つの出力用インタフェースが含まれる。出力用インタフェースは、例えば、ディスプレイ又はスピーカである。ディスプレイは、例えば、ＬＣＤ（ｌｉｑｕｉｄ ｃｒｙｓｔａｌ ｄｉｓｐｌａｙ）又は有機ＥＬ（ｅｌｅｃｔｒｏ ｌｕｍｉｎｅｓｃｅｎｃｅ）ディスプレイである。出力部１５０は、情報処理装置１０の動作によって得られるデータを出力する。出力部１５０は、情報処理装置１０に備えられる代わりに、外部の出力機器として情報処理装置１０に接続されてよい。接続方式としては、例えば、ＵＳＢ、ＨＤＭＩ（登録商標）又はＢｌｕｅｔｏｏｔｈ（登録商標）等の任意の方式を用いることができる。
情報処理装置１０の機能は、本実施形態に係るプログラムを、制御部１１０に相当するプロセッサで実行することにより実現される。すなわち、情報処理装置１０の機能は、ソフトウェアにより実現される。プログラムは、情報処理装置１０の動作をコンピュータに実行させることで、コンピュータを情報処理装置１０として機能させる。
ここで、情報処理装置１０の一部又は全ての機能が、制御部１１０に相当する専用回路により実現されてよい。すなわち、情報処理装置１０の一部又は全ての機能が、ハードウェアにより実現されてよい。
（予測モデル）
図４は、予測モデル１２２を用いた材料特性値の予測の流れを示す図である。本開示者が予測モデル１２２に関して鋭意検討を重ねた結果、金属学パラメータを実操業パラメータへ変換した、金属学と操業実績のハイブリッドパラメータを用いることにより、材料特性値の予測精度を向上できることがわかった。
図４は、予測モデル１２２を用いた材料特性値の予測の流れを示す図である。本開示者が予測モデル１２２に関して鋭意検討を重ねた結果、金属学パラメータを実操業パラメータへ変換した、金属学と操業実績のハイブリッドパラメータを用いることにより、材料特性値の予測精度を向上できることがわかった。
情報処理装置１０が材料特性値を予測するために用いる予測モデル１２２は、機械学習モデルと金属学モデルとを含んで構成される。本実施形態において、機械学習モデルは、設備出力因子、外乱因子及び製造中の金属板の成分値を含む入力データを入力して、製造条件因子を出力する。製造条件因子は、上記のとおり、製造物を製造する工程で調整可能なパラメータである。本実施形態において、製造条件因子は、金属板の製造工程の一部の工程の製造条件を示し、どの工程を対象とするかによって内容が異なる。製造条件因子の具体例については後述する。機械学習モデルは、機械学習によって生成され、例えば外乱因子を含む学習データを用いることで、製造条件因子に対する外乱因子の影響を反映することができる。機械学習モデルは、金属板を製造する製造設備の操業に関する実操業パラメータ、操業実績のパラメータ及び製造条件因子の関係を精度よく示すことができる。
また、本実施形態において、金属学モデルは、製造条件因子を入力して材料特性値を出力する。材料特性値は、引張強さ、降伏強さ、伸び、穴広げ率、曲げ性、ｒ値、硬さ、疲労特性、衝撃値、遅れ破壊値、摩耗値、化成処理性、高温特性、低温靭性、耐食性、磁気特性及び表面性状のうち少なくとも１つを含んでよい。金属学モデルは、金属の物理化学現象に基づく予測式である。ここで、金属学モデルは、複数のモデルで構成されてよい。例えば、金属学モデルは、製造条件因子を入力して金属学現象因子を出力する第１の金属学モデルと、その金属学現象因子を入力して材料特性値を出力する第２の金属学モデルと、を含んでよい。金属学現象因子は、体積分率、表面性状、析出物寸法、析出物密度、析出物形状、析出物分散状態、再結晶率、相分率、結晶粒形状、集合組織、残留応力、転位密度及び結晶粒径のうち少なくとも１つを含んでよい。金属学現象が実測できる場合は、金属学現象因子実測値を用いてよい。金属学現象を測定する方法としては、例えばインラインＸ線測定器、超音波探傷測定器、磁気測定器などが挙げられる。
金属学モデルは、物理化学現象の理論式に基づいて、金属学現象を高精度に示す。金属学モデルは、さらに製造装置の操業実績に基づく経験則を反映するものであってよい。金属学モデルは、金属学パラメータ、製造条件因子及び材料特性値の関係を精度よく示すことができる。また、金属学モデルは、機械学習によらずに生成されるものであり、学習データの数の多少によって精度が変化するものではない。よって、過去の製造実績が少ない又は無いときであっても、金属学モデルを用いて逆解析を行うことによって、製造条件因子の調整を正確に行うことが可能である。逆解析では、例えば、製造条件因子を入力値として構築した金属学モデルによる材料特性値の予測モデルに、モデルの適用範囲でランダムに入力値を与え、材料特性値を推定し目標の材料特性値に近い入力値を最適な製造条件因子とする。
図５は、予測モデル１２２を用いた熱延鋼板の引張強さの予測の流れを示す図である。例えば、製鋼工程で製造されたスラブを熱間圧延工程、冷間圧延工程及び焼鈍工程で処理して最終的に鋼板を製造する過程の途中で、図５に示される引張強さの予測が実行される。
材料特性値予測システム１００の情報処理装置１０は、スラブの成分が設定範囲から外れていると判定した場合に、その後の熱間圧延工程における設備出力因子、外乱因子及び熱延鋼板の成分値を含む入力データを取得する。設備出力因子は、例えば熱間圧延工程における加熱炉ヒーター出力、加熱炉連続出力時間、搬送ロール回転数、バーヒーター出力値、圧延荷重、上下ロール圧延荷重差、スタンド間スプレー圧力、ランナウトテーブル冷却水量及びランナウトテーブル冷却水圧の少なくとも１つを含む。外乱因子は、例えば熱間圧延工程における冷却水温及び気温の少なくとも１つを含む。成分値は、例えば熱延鋼板について測定されたＣ、Ｓｉ、Ｍｎ、Ｐ、Ｓ、Ａｌ、Ｎ、Ｏ、Ｃａ、Ｎｉ、Ｂ、Ｔｉ、Ｎｂ、Ｍｏ、Ｃｒ、Ｓｎ、Ｗ及びＴａの少なくとも１つの値を含む。ここで、外乱因子は、例えば、熱延工程での冷却水温、気温、さらに各工程を通過する際の予想される気温などが用いられてよい。また、成分値は、製鋼工程の値が使用されてよい。
情報処理装置１０は、機械学習モデルに入力データを入力して、製造条件因子を得る。図５の例において、機械学習モデルは熱間圧延工程において設定可能な製造条件因子を出力する。製造条件因子は、例えば熱間圧延工程における粗圧延率、仕上圧延率、圧延入側温度、圧延出側温度、冷却開始時間、冷却速度、ライン速度及び巻取温度のうち少なくとも１つを含む。
情報処理装置１０は、金属学モデルに製造条件因子を入力して、予測値である鋼板の引張強さを得る。図５の例において、金属学モデルは、製造条件因子を入力して金属学現象因子を出力する第１の金属学モデルと、金属学現象因子を入力して材料特性値を出力する第２の金属学モデルと、を含む。第１の金属学モデルは、例えばＺｅｎｅｒ－Ｈｏｌｌｏｍｏｎ則をベースとしたモデルである。第２の金属学モデルは、例えばＨａｌｌ－Ｐｅｔｃｈ則をベースとしたモデルである。
Ｚｅｎｅｒ－Ｈｏｌｌｏｍｏｎ則とは、金属が高温で加工された際の金属組織の再結晶を推定する経験則である。本開示では、入力値に製造実績値を用いたＺｅｎｅｒ－Ｈｏｌｌｏｍｏｎ則をベースとした改良モデルにより金属学現象因子、例えば結晶粒径を出力する。
Ｈａｌｌ－Ｐｅｔｃｈ則とは、金属組織の結晶粒径から材料強度を推定する経験則である。本開示では、入力値に製造実績値を用いたＨａｌｌ－Ｐｅｔｃｈ則をベースとした改良モデルにより金属組織の結晶粒径から引張強さを出力する。
機械学習モデル及び金属学モデルを含む予測モデル１２２は、金属板の製造設備の工程に合わせて生成される。図５は、熱間圧延工程における予測モデル１２２の例である。例えば冷間圧延工程及び焼鈍工程について、それぞれ異なる予測モデル１２２が用意される。
熱間圧延工程の後の冷間圧延工程における予測モデル１２２は、例えば熱間圧延工程が実行されて熱延鋼板の圧延条件が設定範囲から外れていると判定された場合に、材料特性値の予測に用いられる。このとき、情報処理装置１０は冷間圧延工程における入力データを取得する。機械学習モデルに入力される設備出力因子は、例えば冷間圧延工程における圧延荷重、上下ロール圧延荷重差、ロール径、ロール回転数及び潤滑条件の少なくとも１つを含む。また、機械学習モデルが出力する製造条件因子は、例えば冷間圧延工程における圧延率、冷圧率及び摩擦係数のうち少なくとも１つを含む。
また、冷間圧延工程の後の焼鈍工程における予測モデル１２２は、例えば冷間圧延工程が実行されて冷延鋼板の圧延条件が設定範囲から外れていると判定された場合に、材料特性値の予測に用いられる。このとき、情報処理装置１０は焼鈍工程における入力データを取得する。機械学習モデルに入力される設備出力因子は、例えば焼鈍工程における焼鈍炉出力値、冷却ガス噴射量、ガス種の分率及び合金化炉出力値のうち少なくとも１つを含む。また、機械学習モデルが出力する製造条件因子は、例えば焼鈍工程におけるライン速度、焼鈍温度、焼鈍時間、昇温速度、冷却温度、冷却時間、冷却速度、再加熱温度、再加熱速度及び再加熱時間のうち少なくとも１つを含む。
また、例えば製鋼工程で製造されたスラブを熱間圧延工程、冷間圧延工程、焼鈍工程、めっき工程及び再加熱工程で処理して最終的にめっき鋼板を製造する過程の途中でも、引張強さの予測が実行され得る。
予測モデル１２２は、例えばスラブの成分が設定範囲から外れていると判定された場合に、めっき鋼板の材料特性値の予測に用いられる。このとき、情報処理装置１０は製鋼工程よりも後の工程、すなわち焼鈍工程、めっき工程及び再加熱工程における入力データを取得する。機械学習モデルに入力される設備出力因子は、例えば焼鈍炉出力値、冷却ガス噴射量、ガス種の分率及び合金化炉出力値の少なくとも１つを含む。また、機械学習モデルが出力する製造条件因子は、例えばライン速度、焼鈍温度、焼鈍時間、昇温速度、冷却温度、冷却時間、冷却速度、再加熱温度、再加熱速度、再加熱時間、合金化温度、合金化時間及び露点のうち少なくとも１つを含む。この例において、入力データは、製鋼工程の後の複数の工程の設備出力因子、すなわち焼鈍工程の設備出力因子、めっき工程の設備出力因子及び再加熱工程の設備出力因子を含む。また、機械学習モデルの出力は、製鋼工程の後の複数の工程の製造条件因子、すなわち焼鈍工程の製造条件因子、めっき工程の製造条件因子及び再加熱工程の製造条件因子を含む。機械学習モデルは、後の工程に関する入力データから後の工程に関する製造条件因子を出力するが、後の工程が１つの工程であってよいし、この例のように複数の工程であってよい。
（機械学習モデルの生成）
情報処理装置１０は、上記の予測を実行する前に、実績データベース１２１から学習データを取得し、学習データを用いて機械学習モデルを生成する。学習データは、機械学習モデルが用いられる金属板の製造方法の工程に応じて選択される。例えば熱間圧延工程を対象とする機械学習モデルを生成するための学習データは、入力として、加熱炉ヒーター出力、加熱炉連続出力時間、搬送ロール回転数、バーヒーター出力値、圧延荷重、上下ロール圧延荷重差、スタンド間スプレー圧力、ランナウトテーブル冷却水量及びランナウトテーブル冷却水圧を含み、出力として、粗圧延率、仕上圧延率、圧延入側温度、圧延出側温度、圧延パス間温度、冷却開始時間、冷却温度、冷却速度、ライン速度及び巻取温度を含むものが選択されてよい。例えば冷間圧延工程を対象とする機械学習モデルを生成するための学習データは、入力として圧延荷重、上下ロール圧延荷重差、ロール径、ロール回転数及び潤滑条件を含み、出力として圧延率、冷圧率及び摩擦係数を含むものが選択されてよい。例えば冷延鋼板の製造工程を対象とする機械学習モデルを生成するための学習データは、入力として、焼鈍炉出力値及び冷却ガス噴射量を含み、出力として、ライン速度、焼鈍温度、焼鈍時間、昇温速度、冷却温度、冷却時間、冷却速度、再加熱温度、再加熱速度及び再加熱時間を含むものが選択されてよい。例えばめっき鋼板の製造工程を対象とする機械学習モデルを生成するための学習データは、入力として焼鈍炉出力値、冷却ガス噴射量、ガス種の分率及び合金化炉出力値を含み、出力としてライン速度、焼鈍温度、焼鈍時間、昇温速度、冷却温度、冷却時間、冷却速度、再加熱温度、再加熱速度、再加熱時間、合金化温度、合金化時間及び露点を含むものが選択されてよい。
情報処理装置１０は、上記の予測を実行する前に、実績データベース１２１から学習データを取得し、学習データを用いて機械学習モデルを生成する。学習データは、機械学習モデルが用いられる金属板の製造方法の工程に応じて選択される。例えば熱間圧延工程を対象とする機械学習モデルを生成するための学習データは、入力として、加熱炉ヒーター出力、加熱炉連続出力時間、搬送ロール回転数、バーヒーター出力値、圧延荷重、上下ロール圧延荷重差、スタンド間スプレー圧力、ランナウトテーブル冷却水量及びランナウトテーブル冷却水圧を含み、出力として、粗圧延率、仕上圧延率、圧延入側温度、圧延出側温度、圧延パス間温度、冷却開始時間、冷却温度、冷却速度、ライン速度及び巻取温度を含むものが選択されてよい。例えば冷間圧延工程を対象とする機械学習モデルを生成するための学習データは、入力として圧延荷重、上下ロール圧延荷重差、ロール径、ロール回転数及び潤滑条件を含み、出力として圧延率、冷圧率及び摩擦係数を含むものが選択されてよい。例えば冷延鋼板の製造工程を対象とする機械学習モデルを生成するための学習データは、入力として、焼鈍炉出力値及び冷却ガス噴射量を含み、出力として、ライン速度、焼鈍温度、焼鈍時間、昇温速度、冷却温度、冷却時間、冷却速度、再加熱温度、再加熱速度及び再加熱時間を含むものが選択されてよい。例えばめっき鋼板の製造工程を対象とする機械学習モデルを生成するための学習データは、入力として焼鈍炉出力値、冷却ガス噴射量、ガス種の分率及び合金化炉出力値を含み、出力としてライン速度、焼鈍温度、焼鈍時間、昇温速度、冷却温度、冷却時間、冷却速度、再加熱温度、再加熱速度、再加熱時間、合金化温度、合金化時間及び露点を含むものが選択されてよい。
ここで、全ての学習データは、入力として少なくとも１つの外乱因子を含む。そのため、機械学習モデルは、製造物の材料特性値に影響を及ぼす外乱を考慮したものになる。また、全ての学習データの入力は少なくとも１つの成分値を含む。このような学習データを用いて機械学習モデルを生成する手法は、例えばニューラルネットワークであってよいが、これに限定されない。別の例として、決定木又はランダムフォレスト等の手法によって機械学習モデルが生成されてよい。
（金属板の製造方法）
金属板の製造方法は、上記の材料特性値予測システム１００を用いて、金属板の材料特性値を予測する工程を含んで実行され得る。図６は、金属板の製造において実行される材料特性値の予測に関する処理を示すフローチャートである。
金属板の製造方法は、上記の材料特性値予測システム１００を用いて、金属板の材料特性値を予測する工程を含んで実行され得る。図６は、金属板の製造において実行される材料特性値の予測に関する処理を示すフローチャートである。
材料特性値予測システム１００は、実行された金属板の製造工程が検証対象工程でなければ待機し（ステップＳ１のＮｏ）、検証対象工程であればステップＳ２の処理に進む（ステップＳ１のＹｅｓ）。ここで、検証対象工程は、金属板の製造工程から選択される一部の工程であって、ステップＳ２の判定を実行する工程である。例えば、金属板の製造工程が製鋼工程、熱間圧延工程、第１の酸洗工程、冷間圧延工程、焼鈍工程、第２の酸洗工程、スキンパス工程、検査工程及び出荷工程で構成される場合に、検証対象工程は、製鋼工程、熱間圧延工程、冷間圧延工程及び焼鈍工程であってよい。検証対象工程は、このように複数であってよいし、１つであってよい。また、検証対象工程は、複数の製造条件因子を有すること、すなわち複数のパラメータで製造条件を調整可能であることを条件に選択されてよい。
材料特性値予測システム１００は、検証対象工程に関するパラメータが設定範囲を外れていなければステップＳ１の処理に戻り（ステップＳ２のＮｏ）、パラメータが設定範囲を外れていればステップＳ３の処理に進む（ステップＳ２のＹｅｓ）。ここで、検証対象工程に関するパラメータは、最終的な製造物の材料特性値が目標（所望の材料特性値）の範囲から外れることを予測させ得る、製造途中の製造物の測定値又は製造設備の測定値である。例えば、検証対象工程である製鋼工程が実行された場合に、パラメータはスラブのＣの成分の測定値であってよい。そして、スラブのＣの成分の測定値が、通常の基準値から誤差の範囲を大きく超えて外れている場合に、材料特性値予測システム１００はステップＳ３の処理に進んでよい。
材料特性値予測システム１００は、上記のように、予測モデル１２２を用いて材料特性値を予測する（ステップＳ３）。ここで、材料特性値予測システム１００は、製造途中の製造物に異常があると判定する場合にだけ材料特性値を予測する。換言すると、製造条件に問題がないと判定される場合には、材料特性値の予測演算を実行せず、後述する製造条件の修正も行わない。そのため、効率的に金属板の製造を進めることができる。
材料特性値予測システム１００は、予測された材料特性値と所望の材料特性値とに基づき、金属学モデルを用いて、後の工程の製造条件因子を算出する（ステップＳ４）。材料特性値予測システム１００は、金属学モデルを用いて逆解析を行って、例えば予測された材料特性値と所望の材料特性値との差異を小さくするための製造条件因子の修正値を算出する。例えば、製鋼工程が実行されてスラブの成分が設定範囲を外れた場合に、材料特性値予測システム１００は、その後の工程である熱間圧延工程における予測モデル１２２を用いて、最終的な製造物の材料特性値を予測してよい。そして、材料特性値予測システム１００は、予測された材料特性値を製造当初の目標値に近づけるために、金属学モデルを逆解析して熱間圧延工程の製造条件因子の修正値を算出してよい。
材料特性値予測システム１００は、ステップＳ４で算出した値に基づいて、後の工程の製造条件を修正する（ステップＳ５）。その後、材料特性値予測システム１００はステップＳ１の処理に戻り、次の検証対象工程で同様の処理を実行する。例えば上記のように熱間圧延工程の製造条件が修正されて、検証対象工程である熱間圧延工程が実行された場合に、一連の処理が実行されてよい。修正された製造条件でも熱延鋼板の成分が設定範囲を外れている場合に、材料特性値予測システム１００は、その後の工程である冷間圧延工程における予測モデル１２２を用いて、最終的な製造物の材料特性値を予測してよい。そして、材料特性値予測システム１００は、予測された材料特性値を製造当初の目標値に近づけるために、金属学モデルを逆解析して冷間圧延工程の製造条件因子の修正値を算出してよい。材料特性値予測システム１００は、修正値に基づいて冷間圧延工程の製造条件を修正してよい。
以上のように、本実施形態に係る材料特性値予測システム１００は、上記の構成によって、最終的な製造物の材料特性値に大きく影響を及ぼす外乱を考慮した予測モデル１２２を用いて、材料特性値を高精度に予測することができる。また、本実施形態に係る金属板の製造方法は、材料特性値予測システム１００が予測した材料特性値に基づいて後の工程の製造条件を適切に変更することによって、製品の歩留まりを向上させることが可能である。
本開示を図面及び実施例に基づき説明してきたが、当業者であれば本開示に基づき種々の変形及び修正を行うことが容易であることに注意されたい。従って、これらの変形及び修正は本開示の範囲に含まれることに留意されたい。例えば、各手段、各ステップなどに含まれる機能などは論理的に矛盾しないように再配置可能であり、複数の手段及びステップなどを１つに組み合わせたり、或いは分割したりすることが可能である。
ここで、材料特性値予測システム１００を用いて製造される金属板は、特定の分野で使用されるものに限定されない。つまり、材料特性値予測システム１００を用いて製造される金属板は、自動車、建機、電車、列車等の輸送機器、医療、食料及び家電など幅広く使用されるものである。
また、上記の実施形態において、気温及び冷却水などの水温の予期できない変化を外乱として例示したが、外乱はこれらに限定されない。
１ 転炉
２ 連続鋳造機
３ 加熱炉
４ スケールブレーカー
５ 粗圧延機
６ 仕上圧延機
７ 冷却装置
８ 巻取装置
９ 鋼帯
１０ 情報処理装置
１１ 加熱帯
１２ 均熱帯
１３ 冷却帯
１４ スナウト
１５ 亜鉛めっき槽
１６ ワイピング装置
１７ 合金化帯
１８ 保熱帯
１９ 最終冷却帯
１００ 材料特性値予測システム
１１０ 制御部
１１１ 材料特性値予測部
１２０ 記憶部
１２１ 実績データベース
１２２ 予測モデル
１３０ 通信部
１４０ 入力部
１５０ 出力部
２ 連続鋳造機
３ 加熱炉
４ スケールブレーカー
５ 粗圧延機
６ 仕上圧延機
７ 冷却装置
８ 巻取装置
９ 鋼帯
１０ 情報処理装置
１１ 加熱帯
１２ 均熱帯
１３ 冷却帯
１４ スナウト
１５ 亜鉛めっき槽
１６ ワイピング装置
１７ 合金化帯
１８ 保熱帯
１９ 最終冷却帯
１００ 材料特性値予測システム
１１０ 制御部
１１１ 材料特性値予測部
１２０ 記憶部
１２１ 実績データベース
１２２ 予測モデル
１３０ 通信部
１４０ 入力部
１５０ 出力部
Claims (14)
- 金属板を製造する設備における設備出力因子、外乱因子及び製造中の前記金属板の成分値を含む入力データを取得し、前記入力データを入力する予測モデルを用いて、製造される前記金属板の材料特性値を予測する、材料特性値予測部を備え、
前記予測モデルは、
前記入力データを入力して製造条件因子を出力する、機械学習によって生成された機械学習モデルと、
前記製造条件因子を入力して前記材料特性値を出力する金属学モデルと、
を含み、
前記設備において実行された前の工程での前記成分値が設定範囲を外れた場合に、前記予測モデルのうち前記金属学モデルを逆解析して前記製造条件因子の修正値を算出する、材料特性値予測システム。 - 前記金属学モデルは金属の物理化学現象に基づく予測式である、請求項１に記載の材料特性値予測システム。
- 前記金属学モデルは、前記製造条件因子を入力して金属学現象因子を出力する第１の金属学モデルと、前記金属学現象因子を入力して前記材料特性値を出力する第２の金属学モデルと、を含み、
前記金属学現象因子は、体積分率、表面性状、析出物寸法、析出物密度、析出物形状、析出物分散状態、再結晶率、相分率、結晶粒形状、集合組織、残留応力、転位密度及び結晶粒径のうち少なくとも１つを含む、請求項１又は２に記載の材料特性値予測システム。 - 前記材料特性値は、引張強さ、降伏強さ、伸び、穴広げ率、曲げ性、ｒ値、硬さ、疲労特性、衝撃値、遅れ破壊値、摩耗値、化成処理性、高温特性、低温靭性、耐食性、磁気特性及び表面性状のうち少なくとも１つを含む、請求項１から３のいずれか一項に記載の材料特性値予測システム。
- 前記金属板は鉄鋼である、請求項１から４のいずれか一項に記載の材料特性値予測システム。
- 熱間圧延工程、冷間圧延工程及び焼鈍工程を含む金属板の製造方法であって、
請求項１から５のいずれか一項に記載の材料特性値予測システムを用いて、前記熱間圧延工程における前記入力データを取得し、前記金属板の材料特性値を予測する工程を備え、
前記製造条件因子は、粗圧延率、仕上圧延率、圧延入側温度、圧延出側温度、圧延パス間温度、冷却開始時間、冷却温度、冷却速度、ライン速度及び巻取温度のうち少なくとも１つを含む、金属板の製造方法。 - 前記設備出力因子は、加熱炉ヒーター出力、加熱炉連続出力時間、搬送ロール回転数、バーヒーター出力値、圧延荷重、上下ロール圧延荷重差、スタンド間スプレー圧力、ランナウトテーブル冷却水量及びランナウトテーブル冷却水圧のうち少なくとも１つを含む、請求項６に記載の金属板の製造方法。
- 熱間圧延工程、冷間圧延工程及び焼鈍工程を含む金属板の製造方法であって、
請求項１から５のいずれか一項に記載の材料特性値予測システムを用いて、前記冷間圧延工程における前記入力データを取得し、前記金属板の材料特性値を予測する工程を備え、
前記製造条件因子は、圧延率、冷圧率及び摩擦係数のうち少なくとも１つを含む、金属板の製造方法。 - 前記設備出力因子は、圧延荷重、上下ロール圧延荷重差、ロール径、ロール回転数及び潤滑条件のうち少なくとも１つを含む、請求項８に記載の金属板の製造方法。
- 熱間圧延工程、冷間圧延工程及び焼鈍工程を含む金属板の製造方法であって、
請求項１から５のいずれか一項に記載の材料特性値予測システムを用いて、前記焼鈍工程における前記入力データを取得し、前記金属板の材料特性値を予測する工程を備え、
前記製造条件因子は、ライン速度、焼鈍温度、焼鈍時間、昇温速度、冷却温度、冷却時間、冷却速度、再加熱温度、再加熱速度及び再加熱時間のうち少なくとも１つを含む、金属板の製造方法。 - 前記設備出力因子は、焼鈍炉出力値、冷却ガス噴射量、ガス種の分率及び合金化炉出力値のうち少なくとも１つを含む、請求項１０に記載の金属板の製造方法。
- 焼鈍工程、めっき工程及び再加熱工程を含む金属板の製造方法であって、
請求項１から５のいずれか一項に記載の材料特性値予測システムを用いて、前記焼鈍工程、前記めっき工程及び前記再加熱工程における前記入力データを取得し、前記金属板の材料特性値を予測する工程を備え、
前記製造条件因子は、ライン速度、焼鈍温度、焼鈍時間、昇温速度、冷却温度、冷却時間、冷却速度、再加熱温度、再加熱速度、再加熱時間、合金化温度、合金化時間及び露点のうち少なくとも１つを含む、金属板の製造方法。 - 前記設備出力因子は、焼鈍炉出力値、冷却ガス噴射量、ガス種の分率及び合金化炉出力値のうち少なくとも１つを含む、請求項１２に記載の金属板の製造方法。
- 予測された前記金属板の材料特性値と所望の材料特性値とに基づき、製造条件を修正する工程を含む、請求項６から１３のいずれか一項に記載の金属板の製造方法。
Priority Applications (7)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020154166A JP7200982B2 (ja) | 2020-09-14 | 2020-09-14 | 材料特性値予測システム及び金属板の製造方法 |
| MX2023002990A MX2023002990A (es) | 2020-09-14 | 2021-08-16 | Sistema de prediccion del valor caracteristico del material y metodo para fabricar lamina de metal. |
| CN202180061689.7A CN116056813A (zh) | 2020-09-14 | 2021-08-16 | 材料特性值预测系统及金属板的制造方法 |
| US18/043,579 US20230323503A1 (en) | 2020-09-14 | 2021-08-16 | Material characteristic value prediction system and method of manufacturing metal sheet |
| EP21866460.5A EP4183495A4 (en) | 2020-09-14 | 2021-08-16 | MATERIAL CHARACTERISTIC VALUE PREDICTION SYSTEM AND METAL SHEET PRODUCTION METHOD |
| PCT/JP2021/029901 WO2022054500A1 (ja) | 2020-09-14 | 2021-08-16 | 材料特性値予測システム及び金属板の製造方法 |
| KR1020237011473A KR20230061513A (ko) | 2020-09-14 | 2021-08-16 | 재료 특성값 예측 시스템 및 금속판의 제조 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020154166A JP7200982B2 (ja) | 2020-09-14 | 2020-09-14 | 材料特性値予測システム及び金属板の製造方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2022048038A JP2022048038A (ja) | 2022-03-25 |
| JP7200982B2 true JP7200982B2 (ja) | 2023-01-10 |
Family
ID=80632272
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020154166A Active JP7200982B2 (ja) | 2020-09-14 | 2020-09-14 | 材料特性値予測システム及び金属板の製造方法 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US20230323503A1 (ja) |
| EP (1) | EP4183495A4 (ja) |
| JP (1) | JP7200982B2 (ja) |
| KR (1) | KR20230061513A (ja) |
| CN (1) | CN116056813A (ja) |
| MX (1) | MX2023002990A (ja) |
| WO (1) | WO2022054500A1 (ja) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102022203248A1 (de) * | 2022-04-01 | 2023-10-05 | Sms Group Gmbh | Verfahren zum Herstellen eines Metallproduktes |
| TWI810000B (zh) * | 2022-07-29 | 2023-07-21 | 中國鋼鐵股份有限公司 | 用於鋼帶連續退火製程之自動溫控方法及電腦程式產品 |
| CN117724433B (zh) * | 2024-02-07 | 2024-04-19 | 东北大学 | 基于多通道分布式深度集成预测的冷轧生产前馈控制方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010172962A (ja) | 2009-02-02 | 2010-08-12 | Toshiba Mitsubishi-Electric Industrial System Corp | 圧延製品の特性予測方法 |
| JP2019087152A (ja) | 2017-11-09 | 2019-06-06 | 新日鐵住金株式会社 | 製造プロセスの状態予測装置、方法及びプログラム、並びに製造プロセスの制御システム |
| JP2020115258A (ja) | 2019-01-17 | 2020-07-30 | Ｊｆｅスチール株式会社 | 金属材料の設計支援方法及び設計支援装置 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19806267A1 (de) * | 1997-11-10 | 1999-05-20 | Siemens Ag | Verfahren und Einrichtung zur Steuerung einer hüttentechnischen Anlage |
| AT411026B (de) | 2001-11-30 | 2003-09-25 | Voest Alpine Ind Anlagen | Verfahren zum stranggiessen |
| JP2005315703A (ja) | 2004-04-28 | 2005-11-10 | Nippon Steel Corp | 鋼材の材質予測方法 |
| JP5704040B2 (ja) | 2011-10-06 | 2015-04-22 | 新日鐵住金株式会社 | 製品品質の管理方法、及び製品品質の管理装置 |
| JP6834209B2 (ja) | 2016-07-14 | 2021-02-24 | 日本製鉄株式会社 | 製品の状態予測装置、製品の状態制御装置、製品の状態予測方法及びプログラム |
| US20200024712A1 (en) * | 2016-09-30 | 2020-01-23 | Uacj Corporation | Device for predicting aluminum product properties, method for predicting aluminum product properties, control program, and storage medium |
| JP6953990B2 (ja) | 2017-10-17 | 2021-10-27 | 日本製鉄株式会社 | 品質予測装置及び品質予測方法 |
| JP7056592B2 (ja) | 2019-01-17 | 2022-04-19 | Ｊｆｅスチール株式会社 | 金属材料の製造仕様決定方法、製造方法、および製造仕様決定装置 |
| WO2020152750A1 (ja) | 2019-01-21 | 2020-07-30 | Ｊｆｅスチール株式会社 | 金属材料の設計支援方法、予測モデルの生成方法、金属材料の製造方法、及び設計支援装置 |
| US11915105B2 (en) * | 2019-02-05 | 2024-02-27 | Imagars Llc | Machine learning to accelerate alloy design |
-
2020
- 2020-09-14 JP JP2020154166A patent/JP7200982B2/ja active Active
-
2021
- 2021-08-16 WO PCT/JP2021/029901 patent/WO2022054500A1/ja unknown
- 2021-08-16 EP EP21866460.5A patent/EP4183495A4/en active Pending
- 2021-08-16 US US18/043,579 patent/US20230323503A1/en active Pending
- 2021-08-16 KR KR1020237011473A patent/KR20230061513A/ko unknown
- 2021-08-16 MX MX2023002990A patent/MX2023002990A/es unknown
- 2021-08-16 CN CN202180061689.7A patent/CN116056813A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010172962A (ja) | 2009-02-02 | 2010-08-12 | Toshiba Mitsubishi-Electric Industrial System Corp | 圧延製品の特性予測方法 |
| JP2019087152A (ja) | 2017-11-09 | 2019-06-06 | 新日鐵住金株式会社 | 製造プロセスの状態予測装置、方法及びプログラム、並びに製造プロセスの制御システム |
| JP2020115258A (ja) | 2019-01-17 | 2020-07-30 | Ｊｆｅスチール株式会社 | 金属材料の設計支援方法及び設計支援装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP4183495A4 (en) | 2024-01-24 |
| CN116056813A (zh) | 2023-05-02 |
| JP2022048038A (ja) | 2022-03-25 |
| EP4183495A1 (en) | 2023-05-24 |
| US20230323503A1 (en) | 2023-10-12 |
| MX2023002990A (es) | 2023-04-10 |
| KR20230061513A (ko) | 2023-05-08 |
| WO2022054500A1 (ja) | 2022-03-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7200982B2 (ja) | 材料特性値予測システム及び金属板の製造方法 | |
| JP6297159B2 (ja) | 最適化された、組織シミュレータ、組織モニタ及び／又は組織モデルを用いて金属の鋼合金及び／又は鉄合金を熱間圧延機及び厚板圧延機において製造するのため方法 | |
| CN102632082B (zh) | 基于性能预报模型的热轧带钢力学性能的动态控制方法 | |
| KR102545735B1 (ko) | 연속 처리 라인을 운영하는 방법 | |
| CN107002206B (zh) | 具有高强度和高度可成形性的钢带材、具有热浸锌基涂层的钢带材 | |
| JP7342812B2 (ja) | 鋼帯の材質予測方法、材質制御方法、製造方法および材質予測モデルの生成方法 | |
| RU2729801C1 (ru) | Способ производства проката из стали | |
| CN110088309B (zh) | 用于制造热处理钢板的方法 | |
| Ogoltcov et al. | Practical Use of Computer Model STAN 2000 for Improvement and Creation of Regimes for Hot Rolling of Steels on SEVERSTAL Mill 2000 | |
| JP7314891B2 (ja) | 鋼帯の製造方法 | |
| JP7287416B2 (ja) | 厚鋼板の製造仕様決定支援装置および製造仕様探索方法、コンピュータプログラム、コンピュータ読み取り可能な記録媒体ならびに厚鋼板の製造方法 | |
| WO2021193309A1 (ja) | 製品情報決定方法、製造方法、システム、及び製品情報決定装置 | |
| CN110199036B (zh) | 用于制造热处理钢板的动态调整方法 | |
| WO2024070279A1 (ja) | 連続焼鈍設備、連続焼鈍方法、冷延鋼板の製造方法及びめっき鋼板の製造方法 | |
| JP7294242B2 (ja) | 表面粗さの予測方法、鋼帯の製造方法および学習済の機械学習モデルの生成方法 | |
| WO2022049859A1 (ja) | 鋼帯の鋼中水素量予測方法、鋼中水素量制御方法、製造方法、鋼中水素量予測モデルの生成方法及び鋼中水素量予測装置 | |
| Ogoltcov et al. | Computer model STAN 2000 and its use in practice of steels hot rolling on mill 2000 of Severstal | |
| JP7088244B2 (ja) | 鋼帯の鋼中水素量予測方法、鋼中水素量制御方法、製造方法、鋼中水素量予測モデルの生成方法及び鋼中水素量予測装置 | |
| CN110088311B (zh) | 用于制造热处理钢板的方法 | |
| Wigley | Property prediction of continuous annealed steels | |
| JP2022042843A (ja) | 鋼帯の鋼中水素量予測方法、鋼中水素量制御方法、製造方法、鋼中水素量予測モデルの生成方法及び鋼中水素量予測装置 | |
| CN115386720A (zh) | 一种冷轧连续退火钢板力学性能在线控制方法 | |
| JP2004058074A (ja) | 冷間圧延におけるエッジドロップ制御方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220425 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220816 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220921 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20221122 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221205 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7200982 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |