JP7294228B2 - 圧延支援モデルの生成方法、圧延支援方法、継目無鋼管の製造方法、機械学習装置、及び圧延支援装置 - Google Patents

Description

本発明は、圧延支援モデルの生成方法、圧延支援方法、継目無鋼管の製造方法、機械学習装置、及び圧延支援装置に関する。

従来、継目無鋼管の製造工程に用いられるマンドレルミルの圧延制御に関する技術が知られている。

例えば、特許文献１には、マンドレルミルの各スタンドのロールギャップ及びロール回転数を制御するマンドレルミルによる素管の圧延方法が開示されている。特許文献１に記載の圧延方法では、マンドレルミルのスタンドごとに、圧延荷重及び圧延トルクの一対のデータが時系列で複数個サンプリングされる。このようにしてサンプリングされた複数個の一対のデータに基づき、最小二乗法によって、各スタンドの入側及び出側で素管の軸方向に作用する張力又は圧縮力が推定演算される。そして、張力又は圧縮力の推定演算値に基づき、マンドレルミルの各スタンドのロールギャップ及びロール回転数が修正される。これにより、素管の軸方向の肉厚を均一にすることができる。

例えば、特許文献２には、マンドレルバーの直径及びマンドレルミルのロール径が変化しても、圧延後の素管の肉厚がマンドレルバーごとにばらつかず、しかも、素管の軸方向の肉厚を均一にできるマンドレルミルによる素管の圧延方法が開示されている。特許文献２に記載の圧延方法では、複数のマンドレルバーによって複数の素管がそれぞれ圧延され、圧延された素管の実測肉厚と目標肉厚との肉厚偏差がそれぞれ求められる。圧延された素管の実測肉厚は、第１スタンドの入側に素管の重量を測定する重量計を配置すると共に、最終スタンドの出側に圧延された素管の長さを測定する長さ計を配置することで求められる。より具体的には、圧延された素管の実測肉厚は、重量計で測定された素管の重量及び長さ計で測定された素管の長さに基づいて計算により求められる。又は、圧延された素管の実測肉厚は、最終スタンドの出側に圧延された素管の肉厚を測定する厚さ計を配置して、圧延された素管の肉厚を厚さ計で測定することによって求められる。

特開昭６１－２７６７１３号公報 特開昭６１－２６９９０９号公報

しかしながら、特許文献１に記載の圧延方法では、例えば、孔型ロール及びマンドレルバーの摩耗等による寸法変化をロールギャップ及びロール回転数の設定に反映させることができないという問題があった。

また、特許文献２に記載の圧延方法では、マンドレルバー若しくは各スタンドの孔型ロールを新規なものに交換した場合、又は各スタンドの圧下基準位置を修正した場合、マンドレルバー起因の肉厚偏差及びロールギャップ起因の肉厚偏差を破棄する必要があった。そして、交換後のマンドレルバー若しくは孔型ロール、又は修正後の圧下基準位置を用いて、複数のマンドレルバーによって複数の素管をそれぞれ圧延して得た肉厚偏差に基づき、再びマンドレルバー起因の肉厚偏差及びロールギャップ起因の肉厚偏差をそれぞれ算出する必要があった。したがって、その間に圧延された素管の肉厚については、精度が低いという問題があった。

上記のような問題点に鑑みてなされた本発明の目的は、孔型ロール及びマンドレルバーの条件が圧延ごとに変化しても、肉厚特性の劣化が抑制された素管を圧延後に得ることが可能な圧延支援モデルの生成方法、圧延支援方法、継目無鋼管の製造方法、機械学習装置、及び圧延支援装置を提供することにある。

上記課題を解決するために本発明の一実施形態に係る圧延支援モデルの生成方法は、
マンドレルミルの孔型ロールを用いて継目無鋼管の素管を圧延するときの圧延制御を支援する圧延支援モデルの生成方法であって、
マンドレルバーに関係する第１パラメータと、前記孔型ロールに関係する第２パラメータと、を含む操業データを取得するステップと、
取得された前記操業データを入力変数とし、かつ前記マンドレルミルの各スタンドのロールギャップ及びロール回転数を出力変数として機械学習を実行するステップと、
を含む。

上記課題を解決するために本発明の一実施形態に係る圧延支援方法は、
前記圧延制御を支援する圧延支援方法であって、
上記の圧延支援モデルの生成方法における機械学習に基づく前記圧延支援モデルへの操業条件の入力を受け付けるステップと、
入力された前記操業条件に基づいて前記素管を圧延したときの前記ロールギャップ及び前記ロール回転数を前記圧延支援モデルにより予測するステップと、
を含む。

上記課題を解決するために本発明の一実施形態に係る継目無鋼管の製造方法は、上記の圧延支援方法に基づいて前記圧延支援モデルにより予測された前記ロールギャップ及び前記ロール回転数を用いて前記圧延制御が行われた前記マンドレルミルによる圧延工程を含む。

上記課題を解決するために本発明の一実施形態に係る機械学習装置は、
マンドレルミルの孔型ロールを用いて継目無鋼管の素管を圧延するときの圧延制御を支援する圧延支援モデルを生成する機械学習装置であって、
マンドレルバーに関係する第１パラメータと、前記孔型ロールに関係する第２パラメータと、を含む操業データを取得する取得部と、
前記取得部によって取得された前記操業データを入力変数とし、かつ前記マンドレルミルの各スタンドのロールギャップ及びロール回転数を出力変数として機械学習を実行する制御部と、
を備える。

上記課題を解決するために本発明の一実施形態に係る圧延支援装置は、
上記の機械学習装置による機械学習に基づく前記圧延支援モデルへの操業条件の入力を受け付ける入力部と、
前記入力部を用いて入力された前記操業条件に基づいて前記素管を圧延したときの前記ロールギャップ及び前記ロール回転数を前記圧延支援モデルにより予測する制御部と、
を備える。

本発明の一実施形態に係る圧延支援モデルの生成方法、圧延支援方法、継目無鋼管の製造方法、機械学習装置、及び圧延支援装置によれば、孔型ロール及びマンドレルバーの条件が圧延ごとに変化しても、肉厚特性の劣化が抑制された素管を圧延後に得ることが可能である。

継目無鋼管の製造方法の一例を示す模式図である。 マンドレルミルの一のスタンドにおける延伸方向の断面の一例を示す模式図である。 本発明の一実施形態に係る圧延支援装置を含む圧延制御システムを示すブロック図である。 図３の圧延支援装置の構成を示すブロック図である。 図３の機械学習装置の構成を示すブロック図である。 圧延支援モデルの構成を示す模式図である。 図３の機械学習装置による動作の一例を示すフローチャートである。 図３の圧延支援装置による動作の一例を示すフローチャートである。

図１は、継目無鋼管の製造方法の一例を示す模式図である。図１を参照しながら、継目無鋼管の製造方法の一例について主に説明する。

継目無鋼管の製造方法における第１工程では、丸鋼片が回転加熱炉で加熱される。第１工程に続く第２工程では、回転加熱炉で加熱された丸鋼片に対してピアサーにより穿孔が施されることで、素管が得られる。第２工程に続く第３工程では、マンドレルミルにより素管が延伸圧延される。これにより、素管の肉厚を減肉する。第３工程に続く第４工程では、マンドレルミルによって減肉された素管が再加熱炉で再度加熱される。第４工程に続く第５工程では、再加熱炉で加熱された素管に対してホットストレッチレデューサーにより所定の肉厚及び外径への絞り圧延が施される。

図２は、マンドレルミルの一のスタンドにおける延伸方向の断面の一例を示す模式図である。図２を参照しながら、マンドレルミルの構成等の一例について主に説明する。

上記の第３工程で用いられるマンドレルミルは、素管１００にマンドレルバー２００が挿入された状態で素管１００を連続圧延し、素管１００の外径Ｗ１及び肉厚ＷＴを低減させる圧延機である。マンドレルミルは、素管１００の延伸方向に直交する圧延方向に直列に配列された一対の孔型ロール３００を有する。一対の孔型ロール３００は、各スタンドにおいて圧延方向に互いに対向する。このような２ロール式のマンドレルミルでは、一のスタンドにおいて配列されている一対の孔型ロール３００は、隣接する他のスタンドにおいて配列されている一対の孔型ロール３００に対し、圧延方向を９０°ずらした状態で配列される。

これに限定されず、マンドレルミルは、それぞれの圧延方向の成す角度が１２０°となるように配列された３個の孔型ロール３００を有してもよい。このような３ロール式のマンドレルミルでは、一のスタンドにおいて配列されている３個の孔型ロール３００は、隣接する他のスタンドにおいて配列されている３個の孔型ロール３００に対し、圧延方向を６０°ずらした状態で配列されてもよい。

以上のようなマンドレルミルで素管１００を圧延するに際し、素管１００の外径Ｗ１及び肉厚ＷＴ、並びに表面温度が変化したり、孔型ロール３００の形状が摩耗等によって変化して例えば各スタンドのフランジ部外径Ｗ２及びカリバー深さＷ４が変化したり、マンドレルバー２００の外径Ｗ３が摩耗等によって変化したりする。これらの場合であってもマンドレルミル起因の偏肉を抑制しながら目標肉厚になるように素管１００を圧延するためには、上記の各パラメータを含む操業条件の変化を考慮して各スタンドにおける孔型ロール３００のロールギャップＷＧ及びロール回転数を設定する必要がある。

なお、継目無鋼管の偏肉は、圧延機ごとに様々な種類で存在する。例えば、ピアサーに対しては、継目無鋼管の長手方向にねじれを伴う１次性偏肉が存在する。例えば、マンドレルミルに対しては、ロール数に応じた２次性偏肉が存在する。マンドレルミル起因の２次性偏肉は、ロールギャップＷＧの設定が不適切なときに発生する。例えば、ホットストレッチレデューサーに対しては、６角張りの６次性偏肉が存在する。

本発明の目的は、孔型ロール３００及びマンドレルバー２００の条件が圧延ごとに変化しても、肉厚特性の劣化が抑制された素管１００をマンドレルミルによる圧延後に得ることが可能な圧延支援モデルの生成方法及び圧延支援方法等を提供することにある。以下では、図面を参照しながら、本発明の一実施形態について主に説明する。

（実施形態）
本発明の一実施形態に係る継目無鋼管の製造方法に対しても、図１及び図２を用いて説明した上記の内容が当てはまる。本発明の一実施形態に係る継目無鋼管の製造方法は、図８を参照しながら後述する圧延支援方法及び図７を参照しながら後述する圧延支援モデルの生成方法に基づいて圧延支援モデルにより予測されたロールギャップ及びロール回転数を用いて圧延制御が行われたマンドレルミルによる圧延工程を含む。

図３は、本発明の一実施形態に係る圧延支援装置１を含む圧延制御システムを示すブロック図である。マンドレルミル２の孔型ロールを用いて継目無鋼管の素管を圧延するときの圧延制御は、例えば図３に示すような圧延制御システムによって実行される。圧延制御システムには、圧延支援装置１と、マンドレルミル２と、機械学習装置３と、操業実績データベース（ＤＢ）４と、が含まれる。

機械学習装置３は、例えば、ＰＣ（Personal Computer）又はスマートフォン等の任意の汎用の電子機器である。機械学習装置３は、これらに限定されず、１つ又は互いに通信可能な複数のサーバ装置であってもよいし、圧延制御システムに専用の他の電子機器であってもよい。例えば、機械学習装置３は、操業実績ＤＢ４に格納されている操業データを入力変数とし、かつマンドレルミル２の各スタンドのロールギャップ及びロール回転数を出力変数として機械学習を実行することで圧延支援モデルを生成する。本明細書において、「ロール回転数」は、例えば、孔型ロールの１分あたりの回転数を含み、１分あたり何回転するか（ｒｐｍ）を意味する。「操業データ」は、例えば、マンドレルバーに関係する第１パラメータと、孔型ロールに関係する第２パラメータと、を含む。

「マンドレルバーに関係する第１パラメータ」は、例えば、摩耗していない状態での新品のマンドレルバーの外径、マンドレルバーを用いて圧延を行った圧延回数、及びマンドレルバーの外表面温度等を含む。マンドレルバーの圧延回数は、例えば、マンドレルバーが挿入された一の素管をマンドレルミル２において１回通過させるごとに１回ずつ増加する。

「孔型ロールに関係する第２パラメータ」は、例えば、各スタンドの孔型ロールを用いて圧延を行った圧延回数及び各スタンドのフランジ部外径等を含む。孔型ロールの圧延回数は、例えば、マンドレルミル２において一の素管を１回通過させるごとに１回ずつ増加する。

以上に限定されず、操業データは、例えば、素管の温度に関係する第３パラメータをさらに含んでもよい。本明細書において、「素管の温度に関係する第３パラメータ」は、例えば、マンドレルミル２の入側における素管の外表面温度を含む。

その他にも、操業データは、マンドレルミル２の出側における素管の目標肉厚、各スタンドの出側における素管の目標肉厚、マンドレルミル２の入側における素管の外径、肉厚、及び長さを含む寸法、素管の材質、回転加熱炉の温度、及び回転加熱炉における在炉時間等をさらに含んでもよい。

圧延支援装置１は、例えば、ＰＣ又はスマートフォン等の任意の汎用の電子機器である。圧延支援装置１は、これらに限定されず、１つ又は互いに通信可能な複数のサーバ装置であってもよいし、圧延制御システムに専用の他の電子機器であってもよい。例えば、圧延支援装置１は、マンドレルミル２の孔型ロールを用いて継目無鋼管の素管を圧延するときの圧延制御を支援する。例えば、圧延支援装置１は、機械学習装置３によって生成された圧延支援モデルを用いて、ユーザにより入力された操業条件に基づき継目無鋼管の素管を圧延したときのロールギャップ及びロール回転数を予測する。本明細書において、「操業条件」は、例えば、上述した操業データと同様のパラメータを含む。

例えば、圧延支援装置１は、ロールギャップ及びロール回転数の予測による圧延制御の支援に加えて、圧延支援モデルにより予測されたロールギャップ及びロール回転数を用いてマンドレルミル２を実際に制御してもよい。圧延支援装置１は、継目無鋼管を製造するためのマンドレルミル２を制御することによって継目無鋼管の製造における寸法精度を制御する。

図４は、図３の圧延支援装置１の構成を示すブロック図である。図４を参照しながら、図３の圧延制御システムに含まれる圧延支援装置１の構成の一例について主に説明する。

図４に示すように、圧延支援装置１は、取得部１１と、入力部１２と、出力部１３と、記憶部１４と、制御部１５と、を有する。

取得部１１は、例えば、機械学習装置３によって生成された圧延支援モデルを機械学習装置３から取得可能な任意のインタフェースを含む。例えば、取得部１１は、圧延支援モデルを機械学習装置３から取得するための通信インタフェースを含んでもよい。この場合、取得部１１は、機械学習装置３から所定の通信プロトコルで圧延支援モデルを受信してもよい。

入力部１２は、ユーザ入力を検出して、ユーザの操作に基づく入力情報を取得する１つ以上の入力インタフェースを含む。例えば、入力部１２は、物理キー、静電容量キー、出力部１３のディスプレイと一体的に設けられたタッチスクリーン、又は音声入力を受け付けるマイクロフォン等であるが、これらに限定されない。例えば、入力部１２は、取得部１１により機械学習装置３から取得された圧延支援モデルに対する操業条件の入力を受け付ける。

出力部１３は、情報を出力してユーザに通知する１つ以上の出力インタフェースを含む。例えば、出力部１３は、情報を映像で出力するディスプレイ、又は情報を音声で出力するスピーカ等であるが、これらに限定されない。例えば、出力部１３は、制御部１５によって予測されたマンドレルミル２の各スタンドのロールギャップ及びロール回転数をユーザに対して提示する。ユーザは、出力部１３により提示されたロールギャップ及びロール回転数に基づいて、マンドレルミル２の圧延制御に係るこれらのパラメータを適切に設定可能である。

記憶部１４は、例えば半導体メモリ、磁気メモリ、又は光メモリ等であるが、これらに限定されない。記憶部１４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してもよい。記憶部１４は、圧延支援装置１の動作に用いられる任意の情報を記憶する。記憶部１４は、例えば、取得部１１により機械学習装置３から取得された圧延支援モデル、入力部１２によりユーザから取得された操業条件、及び制御部１５により予測されたマンドレルミル２の各スタンドのロールギャップ及びロール回転数を記憶する。例えば、記憶部１４は、システムプログラム及びアプリケーションプログラム等を記憶してもよい。

制御部１５は、１つ以上のプロセッサを含む。一実施形態において「プロセッサ」は、汎用のプロセッサ、又は特定の処理に特化した専用のプロセッサであるが、これらに限定されない。制御部１５は、圧延支援装置１を構成する各構成部と通信可能に接続され、圧延支援装置１全体の動作を制御する。

制御部１５は、入力部１２を用いて入力された操業条件に基づいて継目無鋼管の素管を圧延したときのロールギャップ及びロール回転数を、取得部１１により機械学習装置３から取得された圧延支援モデルにより予測する。

図５は、図３の機械学習装置３の構成を示すブロック図である。図５を参照しながら、図３の圧延制御システムに含まれる機械学習装置３の構成の一例について主に説明する。

図５に示すように、機械学習装置３は、取得部３１と、記憶部３２と、制御部３３と、を有する。

取得部３１は、例えば、制御部３３が圧延支援モデルを生成するために必要となる操業データを操業実績ＤＢ４から取得可能な任意のインタフェースを含む。例えば、取得部３１は、操業データを操業実績ＤＢ４から取得するための通信インタフェースを含んでもよい。この場合、取得部３１は、操業実績ＤＢ４から所定の通信プロトコルで操業データを受信してもよい。

記憶部３２は、例えば半導体メモリ、磁気メモリ、又は光メモリ等であるが、これらに限定されない。記憶部３２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してもよい。記憶部３２は、機械学習装置３の動作に用いられる任意の情報を記憶する。記憶部３２は、例えば、取得部３１により操業実績ＤＢ４から取得された操業データ、及び制御部３３により生成された圧延支援モデルを記憶する。例えば、記憶部３２は、システムプログラム及びアプリケーションプログラム等を記憶してもよい。

制御部３３は、１つ以上のプロセッサを含む。一実施形態において「プロセッサ」は、汎用のプロセッサ、又は特定の処理に特化した専用のプロセッサであるが、これらに限定されない。制御部３３は、機械学習装置３を構成する各構成部と通信可能に接続され、機械学習装置３全体の動作を制御する。

制御部３３は、取得部３１によって取得された操業データを入力変数とし、かつマンドレルミル２の各スタンドのロールギャップ及びロール回転数を出力変数として機械学習を実行する。例えば、制御部３３は、ディープラーニングを用いて機械学習を実行する。制御部３３は、機械学習を実行することで圧延支援モデルを生成する。圧延支援モデルは、圧延支援装置１の入力部１２により取得された操業条件からマンドレルミル２の各スタンドのロールギャップ及びロール回転数を予測するための機械学習モデルである。

図６は、圧延支援モデルの構成を示す模式図である。図６を参照しながら、制御部３３によって生成される圧延支援モデルの構成について主に説明する。

制御部３３によって生成された圧延支援モデルの入力項には、ロールギャップ及びロール回転数の予測対象となる操業条件が、例えば圧延支援装置１の入力部１２を介して入力される。入力項に入力された操業条件に基づいて継目無鋼管の素管を圧延したときのマンドレルミル２の各スタンドのロールギャップ及びロール回転数が予測され、出力項には、これらのロールギャップ及びロール回転数が出力される。

なお、上述した操業条件のうち、マンドレルバーの圧延回数及び孔型ロールの圧延回数は、圧延制御に関する従来技術において考慮されていない。マンドレルミル２による圧延後の素管の寸法は、マンドレルバー及び孔型ロールの寸法変化の影響を大きく受ける。したがって、本発明の一実施形態に係る圧延支援装置１では、マンドレルバー及び孔型ロールの寸法変化を考慮するために、圧延制御の分野において機械学習が新たに利用され、従来技術では考慮されていなかったマンドレルバーの圧延回数及び孔型ロールの圧延回数が入力変数として新たに追加される。

図７は、図３の機械学習装置３による動作の一例を示すフローチャートである。図７を参照しながら、圧延支援装置１において用いられる圧延支援モデルの生成方法について主に説明する。

ステップＳ１０１では、機械学習装置３の制御部３３は、第１パラメータと第２パラメータとを含む操業データを、取得部３１を介して操業実績ＤＢ４から取得する。

ステップＳ１０２では、機械学習装置３の制御部３３は、ステップＳ１０１において取得された操業データを入力変数とし、かつマンドレルミル２の各スタンドのロールギャップ及びロール回転数を出力変数として機械学習を実行する。これにより、制御部３３は、圧延支援モデルを生成する。

ステップＳ１０２では、例えば、ディープラーニングが用いられる。また、操業データが第３パラメータをさらに含むとき、上記ステップＳ１０２において、制御部３３は、第３パラメータを含む操業データを入力変数として機械学習を実行してもよい。

図８は、図３の圧延支援装置１による動作の一例を示すフローチャートである。図８を参照しながら、マンドレルミル２の孔型ロールを用いて継目無鋼管の素管を圧延するときの圧延制御を支援する圧延支援方法について主に説明する。

ステップＳ２０１では、圧延支援装置１の制御部１５は、マンドレルバーに関係する第１パラメータと、孔型ロールに関係する第２パラメータと、を含む操業データを入力変数とし、かつマンドレルミル２の各スタンドのロールギャップ及びロール回転数を出力変数として実行させた機械学習に基づく圧延支援モデルを、取得部１１を介して機械学習装置３から取得する。

ステップＳ２０２では、圧延支援装置１の制御部１５は、ステップＳ２０１において取得された圧延支援モデルに対する操業条件の入力を、入力部１２を介して受け付ける。

ステップＳ２０３では、圧延支援装置１の制御部１５は、ステップＳ２０２において入力された操業条件に基づいて素管を圧延したときのロールギャップ及びロール回転数を、ステップＳ２０１において取得された圧延支援モデルにより予測する。

ステップＳ２０４では、圧延支援装置１の制御部１５は、必要に応じて、ステップＳ２０３において予測されたロールギャップ及びロール回転数を出力部１３により出力する。

（実施例）
以下では、上述した本発明の内容を、実施例に基づいてより具体的に説明する。以下で説明する実施例はあくまでも一例であり、本発明は当該実施例に限定されない。以下の表１は、本発明の一実施形態に係る圧延支援装置１によって予測されたロールギャップ及びロール回転数に基づいてマンドレルミル２を用いた圧延制御を実行したときの評価内容を示す表である。

※下線は、後述する優れた肉厚特性が満たされていないことを示す。

回転加熱炉で加熱された丸鋼片をピアサーで穿孔することにより得られた素管をマンドレルミル２の出側で所望の寸法にするべく、表１に示された入力項に記載の操業条件に基づいて圧延支援装置１によりロールギャップ及びロール回転数を予測する。このとき、圧延支援装置１により予測されたロールギャップ及びロール回転数を用いてマンドレルミル２で圧延された素管の肉厚寸法精度及び偏肉率を評価した。

表１には、マンドレルミル２の出側における素管の目標肉厚及び操業条件としての入力項が試験Ｎｏ．ごとに示されている。加えて、表１には、マンドレルミル２の出側に配置されている最終の２スタンド、すなわちＮ－１スタンド及びＮスタンドのロールギャップの実測値／ロールギャップの設定値及びロール回転数の実測値／ロール回転数の設定値が示されている。ここで、ロールギャップの設定値は、表１に示された入力項に記載の操業条件に基づいて圧延支援装置１により予測されたロールギャップに基づく値である。同様に、ロール回転数の設定値は、表１に示された入力項に記載の操業条件に基づいて圧延支援装置１により予測されたロール回転数に基づく値である。

表１にはさらに、マンドレルミル２の出側における素管の実測肉厚も示されている。ここで、素管の実測肉厚は、素管の外周に沿って等角度で２４点にわたり分割したときの各点における肉厚をマイクロメーターで測定し、２４点の肉厚を平均することで得られる。すなわち、表１における素管の実測肉厚は、素管の外周に沿って配置される２４点にわたった平均値である。

表１にはさらに、肉厚寸法精度及びマンドレルミル２起因の２次性偏肉率も評価対象として示されている。肉厚寸法精度及び２次性偏肉率は以下の式により計算される。

ここで、最大肉厚は、マンドレルミル２の出側において素管の外周に沿って等角度で分割したときに得られる複数の点の中での肉厚の最大値を意味する。最小肉厚は、マンドレルミル２の出側において素管の外周に沿って等角度で分割したときに得られる複数の点の中での肉厚の最小値を意味する。Ｇ（ｋ）はｋ次性偏肉量（ｋ＝１、２、６）、Ｃ（ｋ）はｋ次性偏肉率（ｋ＝１、２、６）、ＷＴ（ｉ）はｉ地点で測定された肉厚、ｉは肉厚の測定点、Ｎは肉厚の測定点の数（＝２４）、及びｋは偏肉特性（１次、２次、６次）を意味する。

本明細書において、「肉厚特性」は、例えば、上記の肉厚寸法精度及び２次性偏肉率を含む。「優れた肉厚特性」は、例えば、－５％＜肉厚寸法精度＜５％を満たす肉厚寸法精度、及び３．０％以下の２次性偏肉率を含む。

表１において、試験Ｎｏ．１では、目標肉厚は３．５ｍｍである。このときの操業条件は、マンドレルバーの外径、マンドレルバーを用いて圧延を行った圧延回数、各スタンドの孔型ロールを用いて圧延を行った圧延回数、各スタンドのフランジ部外径、マンドレルミル２の出側における素管の目標肉厚、及び各スタンドの出側における素管の目標肉厚を含む。圧延支援装置１は、これらの操業条件に対応する操業データに基づいて機械学習装置３により生成された圧延支援モデルを用いて、当該操業条件に基づきロールギャップ及びロール回転数を予測する。これにより、マンドレルバー及び孔型ロールの圧延回数に基づいてこれらの摩耗具合が反映された各スタンドのロールギャップ及びロール回転数が設定可能となる。結果として、優れた肉厚特性を有する素管が得られた。

表２において、試験Ｎｏ．２では、目標肉厚は３．５ｍｍである。このときの操業条件は、マンドレルバーの外径、マンドレルバーを用いて圧延を行った圧延回数、各スタンドの孔型ロールを用いて圧延を行った圧延回数、各スタンドのフランジ部外径、マンドレルミル２の出側における素管の目標肉厚、各スタンドの出側における素管の目標肉厚、並びにマンドレルミル２の入側における素管の外径及び肉厚を含む。試験Ｎｏ．２では、入力項として、マンドレルミル２の入側における素管の外径及び肉厚が追加されている。これにより、マンドレルミル２の入側における素管の寸法も考慮することが可能となり、試験Ｎｏ．１と比較してより優れた肉厚特性を有する素管が得られた。

一方で、試験Ｎｏ．３では、目標肉厚は３．５ｍｍである。このときの操業条件は、マンドレルバーの外径、マンドレルミル２の出側における素管の目標肉厚、及び各スタンドの出側における素管の目標肉厚を含む。試験Ｎｏ．１と比較すると、試験Ｎｏ．３では、入力項として、マンドレルバーを用いて圧延を行った圧延回数、各スタンドの孔型ロールを用いて圧延を行った圧延回数、及び各スタンドのフランジ部外径が省略されている。したがって、マンドレルバー及び孔型ロールの摩耗具合を考慮することができない。加えて、各スタンドのフランジ部外径が不明であるため、適切なロール回転数を予測することが困難である。結果として、適切な肉厚圧下及び張力状態が実現されず、実測肉厚が目標肉厚よりも過度に大きくなり、２次性偏肉率も悪化した。

表１において、試験Ｎｏ．４では、目標肉厚は５ｍｍである。このときの操業条件は、試験Ｎｏ．１と同様であり、マンドレルバー及び孔型ロールの圧延回数に基づいてこれらの摩耗具合が反映された各スタンドのロールギャップ及びロール回転数が設定可能となる。結果として、優れた肉厚特性を有する素管が得られた。

表１において、試験Ｎｏ．５では、目標肉厚は５ｍｍである。このときの操業条件は、試験Ｎｏ．２における操業条件に加えて、素管の材質及び回転加熱炉の温度を含む。これにより、素管の材質及び回転加熱炉の温度も考慮することが可能となり、試験Ｎｏ．２と比較してもより優れた肉厚特性を有する素管が得られた。

一方で、試験Ｎｏ．６では、目標肉厚は５ｍｍである。このときの操業条件は、マンドレルバーの外径、マンドレルバーを用いて圧延を行った圧延回数、マンドレルミル２の出側における素管の目標肉厚、及び各スタンドの出側における素管の目標肉厚を含む。試験Ｎｏ．４と比較すると、試験Ｎｏ．６では、入力項として、各スタンドの孔型ロールを用いて圧延を行った圧延回数及び各スタンドのフランジ部外径が省略されている。したがって、孔型ロールの摩耗具合を考慮することができない。加えて、各スタンドのフランジ部外径が不明であるため、適切なロール回転数を予測することが困難である。結果として、適切な肉厚圧下及び張力状態が実現されず、実測肉厚が目標肉厚よりも過度に大きくなり、２次性偏肉率も悪化した。

表１において、試験Ｎｏ．７では、目標肉厚は８．５ｍｍである。このときの操業条件は、試験Ｎｏ．１と同様であり、マンドレルバー及び孔型ロールの圧延回数に基づいてこれらの摩耗具合が反映された各スタンドのロールギャップ及びロール回転数が設定可能となる。結果として、優れた肉厚特性を有する素管が得られた。

表１において、試験Ｎｏ．８では、目標肉厚は８．５ｍｍである。このときの操業条件は、試験Ｎｏ．２における操業条件に加えて、マンドレルミル２の入側における素管の長さ、回転加熱炉の温度、及び回転加熱炉における在炉時間を含む。これにより、マンドレルミル２の入側における素管の長さ、回転加熱炉の温度、及び回転加熱炉における在炉時間も考慮することが可能となり、試験Ｎｏ．２と比較してもより優れた肉厚特性を有する素管が得られた。

一方で、試験Ｎｏ．９では、目標肉厚は８．５ｍｍである。このときの操業条件は、マンドレルミル２の出側における素管の目標肉厚のみを含む。試験Ｎｏ．７と比較すると、試験Ｎｏ．９では、入力項として、目標肉厚以外の操業条件が全て省略されている。したがって、マンドレルバー及び孔型ロールの摩耗具合を考慮することができない。加えて、各スタンドのフランジ部外径が不明であるため、適切なロール回転数を予測することが困難である。結果として、適切な肉厚圧下及び張力状態が実現されず、実測肉厚が目標肉厚よりも過度に大きくなり、２次性偏肉率も悪化した。

試験Ｎｏ．１０では、目標肉厚は８．５ｍｍである。このときの操業条件は、マンドレルミル２の出側における素管の目標肉厚及び各スタンドの出側における素管の目標肉厚を含む。試験Ｎｏ．７と比較すると、試験Ｎｏ．１０では、入力項として、マンドレルバーの外径、マンドレルバーを用いて圧延を行った圧延回数、各スタンドの孔型ロールを用いて圧延を行った圧延回数、及び各スタンドのフランジ部外径が省略されている。したがって、マンドレルバー及び孔型ロールの摩耗具合を考慮することができない。加えて、各スタンドのフランジ部外径が不明であるため、適切なロール回転数を予測することが困難である。結果として、適切な肉厚圧下及び張力状態が実現されず、実測肉厚が目標肉厚よりも過度に大きくなり、２次性偏肉率も悪化した。

以上のような一実施形態に係る圧延支援装置１によれば、孔型ロール及びマンドレルバーの条件が圧延ごとに変化しても、肉厚特性の劣化が抑制された素管を圧延後に得ることが可能である。例えば、圧延支援装置１は、第１パラメータと第２パラメータとを含む操業条件に基づいて素管を圧延したときのロールギャップ及びロール回転数を圧延支援モデルにより予測することで、圧延ごとに変化する孔型ロール及びマンドレルバーの条件が考慮された状態で、マンドレルミル２を制御可能である。これにより、例えばマンドレルバー又は各スタンドの孔型ロールを新規なものに交換した場合であっても、圧延後の素管において良好な肉厚特性を得ることが可能である。

以上のような一実施形態に係る機械学習装置３によれば、孔型ロール及びマンドレルバーの条件が圧延ごとに変化しても、肉厚特性の劣化が抑制された素管を圧延後に得ることが可能である。例えば、機械学習装置３は、第１パラメータと第２パラメータとを含む操業データを入力変数として機械学習を実行することで、圧延支援装置１の予測処理に用いられる圧延支援モデルを生成可能である。機械学習装置３がこのような圧延支援モデルを生成して圧延支援装置１に出力することで、圧延支援装置１は、上述した効果を奏することが可能となる。

圧延支援装置１及び機械学習装置３によれば、第１パラメータがマンドレルバーの圧延回数を含み、第２パラメータが孔型ロールの圧延回数を含むことで、マンドレルバー及び孔型ロールの摩耗具合がロールギャップ及びロール回転数の予測に適切に反映される。したがって、上述の表１のように、マンドレルミル２の出側において、優れた肉厚特性を有する素管が得られる。圧延チャンスごとに変化していく孔型ロール及びマンドレルバーの寸法に対して優れた肉厚特性を有する素管が、マンドレルミル２の出側において得られる。

圧延支援装置１及び機械学習装置３によれば、操業データが素管の温度に関係する第３パラメータをさらに含むことで、マンドレルミル２の入側における素管の外表面温度も考慮することが可能となる。例えば、素管の外表面温度に基づく素管の変形のしやすさも考慮することが可能となる。以上により、マンドレルミル２の入側における素管の外表面温度が反映された各スタンドのロールギャップ及びロール回転数が設定可能となる。結果として、圧延後の素管において良好な肉厚特性を得ることが可能である。

圧延支援装置１及び機械学習装置３によれば、機械学習装置３の制御部３３がディープラーニングを用いて機械学習を実行することで、予測精度の良好な圧延支援モデルが生成可能である。

上記の圧延支援方法に基づいて圧延支援モデルにより予測されたロールギャップ及びロール回転数を用いて圧延制御が行われたマンドレルミル２による圧延工程を継目無鋼管の製造方法が含むことで、孔型ロール及びマンドレルバーの条件が圧延ごとに変化しても、肉厚特性の劣化が抑制された素管を圧延後に得ることが可能である。例えば、上記の優れた肉厚特性を有する素管が、マンドレルミル２の出側において得られる。これにより、最終製品としての継目無鋼管の肉厚に関する特性も向上し、製品品質が向上する。

本発明を諸図面及び実施形態に基づき説明してきたが、当業者であれば本発明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。したがって、これらの変形及び修正は本発明の範囲に含まれることに留意されたい。例えば、各構成又は各ステップ等に含まれる機能等は論理的に矛盾しないように再配置可能であり、複数の構成又はステップ等を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。

例えば、本発明は、上述した圧延支援装置１及び機械学習装置３の各機能を実現する処理内容を記述したプログラム又はプログラムを記録した記憶媒体としても実現し得る。本発明の範囲には、これらも包含されると理解されたい。

例えば、圧延支援装置１において実行される少なくとも一部の処理動作が機械学習装置３において実行されてもよい。逆に、機械学習装置３において実行される少なくとも一部の処理動作が圧延支援装置１において実行されてもよい。

上記実施形態では、圧延支援装置１と機械学習装置３とが別々の装置であるとして説明したが、これに限定されない。圧延支援装置１に基づく圧延支援方法及び機械学習装置３に基づく圧延支援モデルの生成方法に関連する処理が、単一の装置において実行されてもよい。このとき、当該単一の装置は、マンドレルミル２の制御も同様に実行してもよい。

上記実施形態では、圧延支援装置１がマンドレルミル２を実際に制御すると説明したが、これに限定されない。圧延支援装置１とは異なる他の装置が、マンドレルミル２を実際に制御してもよい。

上記実施形態では、ディープラーニングを用いて機械学習が実行されると説明したが、これに限定されない。圧延支援モデルは、ニューラルネットワーク、局所回帰モデル、カーネル回帰モデル、及びランダムフォレスト等を含む他の機械学習技術を用いたモデルを含んでもよい。

１ 圧延支援装置
２ マンドレルミル
３ 機械学習装置
４ 操業実績データベース
１１ 取得部
１２ 入力部
１３ 出力部
１４ 記憶部
１５ 制御部
３１ 取得部
３２ 記憶部
３３ 制御部
１００ 素管
２００ マンドレルバー
３００ 孔型ロール

Claims (9)

1. マンドレルミルの孔型ロールを用いて継目無鋼管の素管を圧延するときの圧延制御を支援する圧延支援モデルの生成方法であって、
   マンドレルバーに関係する第１パラメータと、前記孔型ロールに関係する第２パラメータと、を含む操業データを取得するステップと、
   取得された前記操業データを入力変数とし、かつ前記マンドレルミルの各スタンドのロールギャップ及びロール回転数を出力変数として機械学習を実行するステップと、
   を含み、
   前記第１パラメータは、前記マンドレルバーを用いて圧延を行った圧延回数を含み、
   前記第２パラメータは、前記孔型ロールを用いて圧延を行った圧延回数及び各スタンドのフランジ部外径を含む、
   圧延支援モデルの生成方法。
2. 前記操業データは、前記素管の温度に関係する第３パラメータをさらに含み、
   前記機械学習を実行するステップにおいて、前記第３パラメータを含む前記操業データを前記入力変数とする、
   請求項１に記載の圧延支援モデルの生成方法。
3. 前記機械学習を実行するステップにおいて、ディープラーニングが用いられる、
   請求項１又は２に記載の圧延支援モデルの生成方法。
4. 前記圧延制御を支援する圧延支援方法であって、
   請求項１乃至３のいずれか１項に記載の圧延支援モデルの生成方法における機械学習に基づく前記圧延支援モデルへの操業条件の入力を受け付けるステップと、
   入力された前記操業条件に基づいて前記素管を圧延したときの前記ロールギャップ及び前記ロール回転数を前記圧延支援モデルにより予測するステップと、
   を含む、
   圧延支援方法。
5. 請求項４に記載の圧延支援方法に基づいて前記圧延支援モデルにより予測された前記ロールギャップ及び前記ロール回転数を用いて前記圧延制御が行われた前記マンドレルミルによる圧延工程を含む、
   継目無鋼管の製造方法。
6. マンドレルミルの孔型ロールを用いて継目無鋼管の素管を圧延するときの圧延制御を支援する圧延支援モデルを生成する機械学習装置であって、
   マンドレルバーに関係する第１パラメータと、前記孔型ロールに関係する第２パラメータと、を含む操業データを取得する取得部と、
   前記取得部によって取得された前記操業データを入力変数とし、かつ前記マンドレルミルの各スタンドのロールギャップ及びロール回転数を出力変数として機械学習を実行する制御部と、
   を備え、
   前記第１パラメータは、前記マンドレルバーを用いて圧延を行った圧延回数を含み、
   前記第２パラメータは、前記孔型ロールを用いて圧延を行った圧延回数及び各スタンドのフランジ部外径を含む、
   機械学習装置。
7. 前記操業データは、前記素管の温度に関係する第３パラメータをさらに含み、
   前記制御部は、前記第３パラメータを含む前記操業データを前記入力変数として機械学習を実行する、
   請求項６に記載の機械学習装置。
8. 前記制御部は、ディープラーニングを用いて機械学習を実行する、
   請求項６又は７に記載の機械学習装置。
9. 前記圧延制御を支援する圧延支援装置であって、
   請求項６乃至８のいずれか１項に記載の機械学習装置による機械学習に基づく前記圧延支援モデルへの操業条件の入力を受け付ける入力部と、
   前記入力部を用いて入力された前記操業条件に基づいて前記素管を圧延したときの前記ロールギャップ及び前記ロール回転数を前記圧延支援モデルにより予測する制御部と、
   を備える、
   圧延支援装置。

Images