JP7294233B2 - 幅圧下プレス装置での幅圧下荷重予測方法、幅圧下荷重制御方法、および幅圧下荷重予測モデルの生成方法 - Google Patents

Description

本発明は、幅圧下プレス装置での幅圧下荷重予測方法、幅圧下荷重制御方法、および幅圧下荷重予測モデルの生成方法に関する。

熱間スラブの幅変更手段として、連続鋳造プロセスによって製造されたスラブを温度が低下しないうちに、あるいは一旦温度が低下した後に加熱炉に装入して所定の温度まで加熱した状態にて、熱間スラブの幅方向に相対峙して設置された一対の金型で熱間スラブを幅方向に間欠的に圧下する幅圧下プレス装置が用いられている。幅圧下プレス装置による幅圧下では、通常、９００～２０００ｍｍ程度の幅のスラブに対して最大３００～３５０ｍｍ程度の幅圧下が行われており、連続鋳造にて同一幅に鋳造されたスラブより異なる幅の鋼板製品の製造を可能としている。これにより、連続鋳造プロセスでの幅変更回数の低減、熱間圧延プロセスでのスケジュールフリー圧延の拡大、コイル単重の増大など、鋼板製造プロセスの生産性向上や合理化に大きく寄与しており、そのメリットは幅圧下プレス装置による幅圧下能力が大きいほど拡大する。

例えば図１０に示すように、幅圧下プレス装置の幅圧下用金型１００は、熱間スラブ２００と接する面に、スラブ搬送方向に平行な金型平行部１０１と、スラブ搬送方向の逆方向に向かって幅方向に広がる金型傾斜部１０２とがスラブ搬送方向先端側から順に形成されている。また、図１１に示すように、スラブ搬送前、スラブ搬送後における圧下前、圧下下死点での状態における幅圧下用金型１００と熱間スラブ２００との関係性について、熱間スラブ２００と幅圧下用金型１００との接触長さはＬ０、送りピッチ（プレス１パス毎のスラブの搬送距離）はＰ、幅圧下量はΔＷ（図１１では幅圧下の片側のみを表記しているため「Ｗ／２」と記載されている）で示される。

一般に、幅圧下プレス装置による幅圧下荷重Ｆは、下式（１）にて近似的に求める（例えば特許文献１を参照）。

上式（１）において、ｋは材料の変形抵抗、Ｑｐは圧下力関数、ｈはスラブ厚、Ｌ０はスラブと幅圧下用金型との接触長さである。幅圧下量を増大すると、接触長さＬ０が増大するため、従来の幅プレス方法では幅圧下荷重や幅圧下トルク等の幅プレス負荷の増大が避けられず、圧下モーターやフライホイール等の動力系や動力を伝達する駆動系、そしてハウジング等の装置剛性を強化する必要がある。

また、上式（１）より、幅圧下荷重を低減するためには、例えば送りピッチＰを短くする（通常は３５０～４００ｍｍ程度）ことが有効である。すなわち、幅圧下プレス装置の設備破損を防止する観点からは送りピッチを小さくし、生産能率の観点からは送りピッチを大きくすることで、幅圧下プレス装置での処理時間を短縮するのが有効である。しかしながら、その前提となるのが、適切に幅圧下荷重を予測することにある。

また、幅圧下荷重を低減するためには、金型傾斜角度を大きくして接触長さＬ０を短くすることも有効である。金型の傾斜角に関する従来技術として、特許文献２では熱間スラブと接する面に、スラブ搬送方向に平行な平行部と、スラブ搬送方向の逆方向に向かって幅方向に広がる第１の傾斜部と、傾斜部間平行部と、スラブ搬送方向の逆方向に向かって幅方向に広がる第２の傾斜部を有する金型について、接触長さＬ０が予め設定された規定値を超えないように、第１の傾斜部と第２の傾斜部がスラブ進行方向に対してなす角度と、中間平行部の長さを設定する方法が提案されている。この場合も幅圧下荷重について高い予測精度が必要とされる。

特開２０１１－２１８４４２号公報 特開２００７－２２２８９４号公報

鈴木弘著、「圧延百話第６４話」、株式会社養賢堂、２０００年３月３０日

特許文献１や特許文献２による幅圧下プレス装置の幅圧下荷重予測は、いずれも上式（１）に示される物理モデルに基づくものである。上式（１）に用いられる変形抵抗ｋは、まずスラブ温度をスラブ毎に加熱炉内での昇温状態や昇温時間実績を基にした伝熱計算で求め、例えば「美坂の式」（非特許文献１を参照）と呼ばれる、スラブ温度、炭素当量、ひずみ、歪み速度から変低抵抗を決定する式により計算される。

このとき、変形抵抗を算出するためのスラブ温度としては、幅圧下プレス装置内でのスラブの断面平均温度が用いられる。しかし、幅圧下プレス装置に装入される前後でスラブの表面温度を測定したとしても、スラブ内部の温度分布が分からなければ平均温度を精度よく推定することが困難である。また、スラブの温度変化を伝熱計算によって推定する場合には、スラブの定常部の温度を２次元で近似した伝熱計算により算出することは可能であっても、先尾端やスラブ幅端部の角部の温度変化まで予測しようとすると３次元計算が必要となり、現状のプロセスコンピュータの能力では、３次元の温度分布まで予測することは困難である。そのため、幅圧下時のスラブの温度分布を精度良く推定するのは困難であって、これにより変形抵抗の推定ばらつきが生じるのは避けられない。

一方、特許文献１には、上式（１）の圧下力関数Ｑｐとして、下式（２）の圧下力関数Ｑｐを用いることが記載されており、幅圧下前のスラブ幅Ｗを用いた幾何学的な関係のみから決定されることが示されている。

しかし、本来の幅圧下挙動はスラブと金型との間の摩擦状態の影響を受けるものであり（例えば非特許文献１を参照）、上式（２）による予測は必ずしも妥当ではない。例えば、幅圧下を行うスラブの鋼種が変化すると、スラブと金型表面と摩擦状態が変化して、幅圧下荷重の予測精度が低下するという問題がある。

また、幅圧下プレス装置の金型として、特許文献２に示す多段金型を適用すると、スラブと金型とが接触する部分の幾何学的形状が複雑になり、上式（２）に示すような圧下力関数では幅圧下荷重の予測精度が低下するという問題がある。

以上のように、従来技術によれば、幅圧下プレス装置における幅圧下荷重の予測に際して、スラブの温度予測の誤差やばらつき、スラブと金型との摩擦状態に関するばらつきに起因して、荷重予測精度の向上には限界がある。

本発明は、上記事情に鑑みてなされたものであって、熱間圧延ラインにおける幅圧下プレス装置での幅圧下荷重を高精度に予測することができる幅圧下プレス装置での幅圧下荷重予測方法、幅圧下荷重制御方法、および幅圧下荷重予測モデルの生成方法を提供することを目的とする。

本発明に係る幅圧下プレス装置での幅圧下荷重予測方法は、スラブを加熱する加熱炉と、前記加熱炉で加熱後のスラブを幅方向に間欠的に圧下する幅圧下プレス装置とを備える熱間圧延ラインにおける、幅圧下プレス装置での幅圧下荷重予測方法であって、入力データとして、前記スラブの属性情報から選択した少なくとも一つのパラメータと、前記加熱炉における操業パラメータから選択した少なくとも一つのパラメータと、前記幅圧下プレス装置における幅圧下操業パラメータから選択した少なくとも一つのパラメータとを含み、前記幅圧下プレス装置での幅圧下荷重を出力データとした、機械学習により学習された幅圧下荷重予測モデルを用いて、前記幅圧下プレス装置での幅圧下荷重を予測する予測ステップを含むことを特徴とする。

本発明に係る幅圧下プレス装置での幅圧下荷重予測方法は、上記発明において、前記入力データを構成する前記スラブの属性情報は、スラブの成分組成として、Ｃ含有量またはＳｉ含有量を含むことを特徴とする。

本発明に係る幅圧下プレス装置での幅圧下荷重予測方法は、上記発明において、前記入力データを構成する前記加熱炉における操業パラメータは、前記加熱炉へ装入される前のスラブの表面温度と、前記加熱炉に装入されてから抽出されるまでのスラブが位置する加熱炉帯における雰囲気温度の履歴情報と、を含むことを特徴とする。

本発明に係る幅圧下荷重制御方法は、上記発明に係る幅圧下プレス装置での幅圧下荷重予測方法を用いて、スラブが加熱炉から抽出された後であって幅圧下プレス装置に装入される前に、前記スラブの属性情報の実績値と、前記加熱炉における操業パラメータの実績値と、前記幅圧下プレス装置における幅圧下操業条件の設定値と、前記幅圧下荷重予測モデルとを用いて、前記幅圧下プレス装置での幅圧下荷重を予測する第１ステップと、前記第１ステップにより予測した幅圧下荷重と目標荷重範囲とに基づいて、前記幅圧下操業条件を設定する第２ステップと、を含むことを特徴とする。

本発明に係る幅圧下荷重制御方法は、上記発明において、前記第２ステップは、前記第１ステップにより予測した幅圧下荷重が目標荷重範囲内である場合、前記設定値のままの前記幅圧下操業条件に決定するステップと、前記第１ステップにより予測した幅圧下荷重が目標荷重範囲内ではない場合、前記幅圧下操業条件として、幅圧下パス間のスラブの送りピッチを再設定するステップと、を含むことを特徴とする。

本発明に係る幅圧下荷重制御方法は、上記発明において、前記第２ステップは、前記第１ステップにより予測した幅圧下荷重が目標荷重範囲の上限値を超える場合には、前記幅圧下パス間のスラブの送りピッチを、前記設定値よりも小さい値に再設定するステップと、前記第１ステップにより予測した幅圧下荷重が目標荷重範囲の下限値を下回る場合には、前記幅圧下パス間のスラブの送りピッチを、前記設定値よりも大きい値に再設定するステップと、を含むことを特徴とする。

本発明に係る幅圧下荷重予測モデルの生成方法は、スラブを加熱する加熱炉と、前記加熱炉で加熱後のスラブを幅方向に間欠的に圧下する幅圧下プレス装置とを備える熱間圧延ラインにおける、幅圧下プレス装置での幅圧下荷重を予測する幅圧下荷重予測モデルの生成方法であって、前記スラブの属性情報から選択した少なくとも一つの実績データと、前記加熱炉における操業実績データから選択した少なくとも一つの操業実績データと、前記幅圧下プレス装置における幅圧下操業実績データから選択した少なくとも一つの操業実績データとを、入力実績データとし、その入力実績データを用いた前記幅圧下プレス装置での幅圧下荷重を出力実績データとした、複数の学習用データを取得し、取得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幅圧下プレス装置での幅圧下荷重を予測する幅圧下荷重予測モデルを生成する学習ステップを含むことを特徴とする。

本発明に係る幅圧下荷重予測モデルの生成方法は、上記発明において、前記幅圧下荷重予測モデルを生成する機械学習として、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、およびサポートベクター回帰から選択した機械学習を用いることを特徴とする。

本発明によれば、熱間圧延ラインにおける幅圧下プレス装置での幅圧下荷重を高精度に予測することができる。これにより、幅圧下プレス装置の過負荷による設備破損を防止しながら、幅圧下プレス装置の生産能率を向上させることができる。

図１は、実施形態における熱間圧延ラインの構成を模式的に示す模式図である。 図２は、加熱炉の構造を模式的に示す模式図である。 図３は、幅圧下プレス装置の構造を示す模式図である。 図４は、幅圧下プレス装置における幅圧下荷重を測定した結果の一例を示す図である。 図５は、スラブが存在する炉帯における雰囲気温度の推移の一例を示す図である。 図６は、制御装置の構成を模式的に示すブロック図である。 図７は、実施形態における幅圧下荷重予測モデルの生成方法を模式的に示す図である。 図８は、実施形態における幅圧下荷重の予測方法を説明するための図である。 図９は、実施形態における幅圧下荷重の制御方法を示すフローチャート図である。 図１０は、幅圧下プレス装置の幅圧下用金型を説明するための図である。 図１１は、スラブ搬送前とスラブ搬送後における圧下前と圧下下死点での状態とにおける幅圧下用金型と熱間スラブとの関係性を説明するための図である。

以下、図面を参照して、本発明の一実施形態における幅圧下プレス装置での幅圧下荷重予測方法、幅圧下荷重制御方法、および幅圧下荷重予測モデルの生成方法について説明する。なお、本実施形態により、本発明が限定されるものではない。また、図面は模式的なものであり、各要素の寸法の関係、各要素の比率等は、現実のものとは異なる場合があることに留意する必要がある。図面の相互間においても、互いの寸法の関係や比率が異なる部分が含まれている場合がある。また、各図面において、同一構成部分には同一符号が付されている。

＜熱間圧延ライン＞
図１は、実施形態における熱間圧延ラインの構成を模式的に示す模式図である。熱間圧延ライン１は、加熱炉２、デスケーリング装置３、幅圧下プレス装置４、粗圧延機５、仕上げ圧延機６、水冷装置７、コイラー８を含む装置から構成される。不図示の鋳造スラブは、加熱炉２に装入された後、加熱炉２の内部で所定の設定温度まで加熱され、熱間スラブとして加熱炉２から抽出される。加熱炉２から抽出されたスラブ（熱間スラブ）は、表面に形成された１次スケールをデスケーリング装置３により除去された後、幅圧下プレス装置４により所定の設定幅まで幅圧下される。そして、幅圧下プレス装置４で幅圧下されたスラブは、粗圧延機５において所定厚さまで圧延されることで粗バーとして、仕上げ圧延機６に搬送される。仕上げ圧延機６は、スラブを製品厚さまで仕上げ圧延する。この仕上げ圧延機６は、５スタンドから７スタンドの連続式圧延機により構成される。また、仕上げ圧延機６の下流側には、ランアウトテーブルと呼ばれる設備に設けられた水冷装置７が配置されている。仕上げ圧延機６で仕上げ圧延された鋼帯は、水冷装置７により所定の温度まで冷却された後、コイラー８によりコイル状に巻き取られる。

＜加熱炉＞
加熱炉２は、図２に示すように、内部が複数の帯域に区切られた構造の設備である。鋳造スラブは、入口側から加熱炉２に装入される。加熱炉２に装入される鋳造スラブの温度は、鋳造後にスラブヤードで冷却されて室温程度まで冷やされたものから、冷却途中で６００℃程度の温度になっている場合がある。また、鋳造スラブは鋳造後スラブヤードを介さず６００～８００℃ほどで加熱炉２に装入される場合もある。

加熱炉２の内部は、一般に上流側には２～８個の帯域に区切られた加熱帯と、下流側に区切られた１～３個の均熱帯とから構成される。図２に示す例では、５個の加熱帯と１個の均熱帯で構成されている。この説明では、両者を合わせて「加熱炉帯」と称する。個々の加熱炉帯は、加熱炉２に装入されたスラブ９の平均温度が徐々に昇温して所定の目標加熱温度にするために、それぞれ異なる雰囲気温度に設定されている。所定の目標加熱温度は、加熱炉２から抽出される際のスラブ平均温度の目標値である。また、加熱炉２では、いずれの加熱炉帯にも炉内上部には加熱炉帯内の雰囲気温度を計測する温度計１０が設置されている。図２に示す例では、加熱炉２が六つの加熱炉帯に区切られているため、六つの温度計１０が設置されている。この温度計１０により計測された温度情報が、幅圧下プレス装置４の制御装置２０（図１に示す）に入力される。なお、制御装置２０の詳細構成は後述する。

加熱炉２に装入されたスラブ９は、加熱炉２内部でウォーキングビーム１１と呼ばれる搬送設備により順次各加熱炉帯を通過する。また、加熱炉２の内部には複数のスラブ９が同時に装入されており、加熱炉２に装入される順番で、加熱炉２の出口から抽出されて、熱間圧延が行われていく。

＜幅圧下プレス装置＞
図３は、幅圧下プレス装置の構造を示す模式図である。幅圧下プレス装置４は、一対の幅圧下用金型４１を有する。幅圧下用金型４１は、スラブ９を幅方向から圧下する。幅圧下プレス装置４は、スラブ９を搬送させながら、幅圧下用金型駆動装置４２により幅圧下用金型４１を駆動させ、スラブ９の幅方向の両側から間欠的にスラブ９を幅圧下する。

また、幅圧下プレス装置４では、ピンチロール４３等を用いてスラブ９が搬送される。幅圧下プレス装置４は、ピンチロール４３の駆動量を変更することで、幅圧下パス間のスラブ９の送りピッチを変更することができる。送りピッチは、幅圧下プレス装置４における、プレス１パス毎のスラブ９の搬送距離である。ピンチロール４３の駆動量の変更制御は、幅圧下プレス装置４を制御する制御装置２０によって行われる。図示していないが、搬送ロールを用いてスラブ９が送られる場合もある。

幅圧下用金型４１は、熱間スラブと接する面に、スラブ搬送方向に平行な平行部４１ａと、スラブ搬送方向の逆方向に向かって幅方向に広がる傾斜部４１ｂとがスラブ搬送方向先端側から順に形成されている。幅圧下用金型４１では、スラブ９に対するスリップを防止するために、平行部４１ａが傾斜部４１ｂ間に一つまたは複数設けられている場合ある。

幅圧下プレス装置４には、幅圧下荷重を測定するための第１ロードセル４４が設けられている。第１ロードセル４４は、幅圧下用金型駆動装置４２に設置され、幅圧下用金型４１が幅圧下方向に受ける力（幅圧下荷重）を測定する。また、幅圧下用金型駆動装置４２には、第２ロードセル４５が設けられている。第２ロードセル４５は、幅圧下用金型４１に作用するスラブ搬送方向の圧下荷重分力を測定する。幅圧下プレス装置４では、第１ロードセル４４の測定値を幅圧下荷重として用いる。あるいは、第１ロードセル４４の測定値と第２ロードセル４５の測定値との二乗和の平方根を幅圧下荷重として用いてもよい。また、第１ロードセル４４と第２ロードセル４５とは、幅方向両端に配置された一対の幅圧下用金型駆動装置４２のうちのどちらか一方に設置されていてもよく、あるいは両方に設置されていてもよい。

図４は、幅圧下プレス装置における幅圧下荷重を測定した結果の一例を示す図である。図４に示す例は、幅圧下プレス装置４においてスラブ９の先端部９ａから尾端部９ｂにかけて、第１ロードセル４４によって測定された幅圧下荷重の径時変化の測定例である。この図４に示す例では、スラブ９の先端から尾端まで計１６回の幅圧下を間欠的に行ったものである。幅圧下荷重は、一回の幅圧下に対して、幅圧下用金型４１が下死点に到達する時、すなわち一対の幅圧下用金型４１間の距離が最も狭くなった時に、最大の値（ピーク荷重）を示す。そして、幅圧下プレス装置４では、一つのスラブ９に対して先端部９ａから尾端部９ｂにかけて複数回の幅圧下を行うため、各幅圧下における最大荷重（ピーク荷重）のうち、最も大きな荷重（幅圧下荷重最大値）が設備破損の観点からは問題となる。したがって、実施形態において予測すべき幅圧下荷重は、一つのスラブ９の先端部９ａから尾端部９ｂまでの全ての幅圧下に対して、最大の荷重（幅圧下荷重最大値）として定義される。ただし、必ずしもこのような定義によるものでなくてよい。例えば、幅圧下プレス装置４の駆動系の設備保護の観点からは、一回の幅圧下におけるピーク荷重の各パスでの平均値を用いてもよい。あるいは、図４に示す荷重曲線の面積を算出し、これを予測対象として定義してもよい。

＜幅圧下荷重の予測方法＞
幅圧下荷重の予測方法は、熱間圧延ライン１に設けられた幅圧下プレス装置４での幅圧下荷重を予測するものである。本実施形態における予測方法では、加熱炉２内部での加熱炉帯の雰囲気温度を用いて、幅圧下荷重を予測するように構成されている。

まず、加熱炉２から抽出されたスラブ９の温度には、加熱炉２内での昇温履歴によるばらつきが生じている。特に、スラブ９内部の温度分布が変動するため、加熱炉２から抽出後のスラブ９の表面温度を測定できたとしても、幅圧下プレス装置４で幅圧下を行う際のスラブ温度の予測にはばらつきが避けられず、幅圧下荷重が変動する。つまり、加熱炉２から抽出後のスラブ９に生じている温度ばらつきが、幅圧下時の幅圧下荷重に影響を与える。さらに、加熱炉２内でスラブ表面に生成する酸化物が、幅圧下時のスラブ９と幅圧下用金型４１との間の摩擦係数に影響を与える。これらの影響は、上式（１）に示される物理モデルに基づく幅圧下荷重の予測方法（従来の幅圧下プレスにおける荷重予測）では、考慮されていない。

そこで、本実施形態では、幅圧下プレス装置４の幅圧下操業条件の影響に加えて、スラブ９の成分組成を含む属性情報から選択したパラメータと、加熱炉２における炉帯の温度情報を含む操業パラメータとを入力データとし、幅圧下プレス装置４での幅圧下荷重を出力データとした、機械学習により学習された幅圧下荷重予測モデルを生成し、この予測モデルを用いて幅圧下プレス装置４の幅圧下操業条件を再設定する。

また、再設定する幅圧下操業条件は、幅圧下プレス装置４でのスラブ９の送りピッチである。つまり、幅圧下荷重の予測値に応じて、幅圧下プレス装置４での送りピッチを再設定する。例えば、予測される幅圧下荷重が許容値よりも大きい場合には、幅圧下プレス装置４での送りピッチを初期の設定値（初期条件）よりも小さい値に再設定する。これにより、幅圧下プレス装置４の過負荷による設備破損を防止することができる。また、予測される幅圧下荷重が許容値よりも小さい場合には、幅圧下プレス装置４での送りピッチを初期の設定値（初期条件）よりも大きい値に再設定する。これにより、幅圧下プレス装置４の生産能率を高めることができる。

このように、本実施形態における幅圧下荷重の予測方法は、加熱炉２で加熱されるスラブの含有成分（成分組成）と、加熱炉２内での炉帯の温度情報と、幅圧下プレス装置４の操業に関するパラメータとを入力データとした機械学習により学習された幅圧下荷重予測モデルを用いて、幅圧下プレス装置４における幅圧下荷重を予測するものである。

＜幅圧下荷重予測モデル＞
幅圧下荷重予測モデルは、入力データとして、スラブ９の属性情報から選択したパラメータと、加熱炉２における操業パラメータから選択したパラメータと、幅圧下プレス装置４における幅圧下操業パラメータから選択したパラメータとを含み、幅圧下プレス装置４での幅圧下荷重を出力データとした機械学習により生成される。この幅圧下荷重予測モデルの生成は制御装置２０により行われる。制御装置２０には、幅圧下荷重予測モデルを生成するために用いる各種の情報が収集または格納される。

＜スラブの属性情報＞
スラブ９の属性情報としては、加熱炉２に装入されるスラブ９のスラブ厚、スラブ幅、スラブ長さの他、スラブ９の成分組成として、Ｃ、Ｓｉ、Ｍｎ、Ｔｉ、Ｃｒなど、成分元素の含有量を用いることができる。また、スラブ９の成分組成に対応した変形抵抗式として、スラブ９の温度、ひずみ、ひずみ速度の関数を予め作成したものも属性情報に含まれる。このとき、入力データを構成するスラブ９の属性情報としては、Ｃ含有量とＳｉ含有量とのうちいずれか一方を含むことが好ましい。鋼に含まれる炭素やケイ素は、スラブ９の高温での変形抵抗に影響を与えるとともに、加熱炉２内でのスラブ表面の酸化物の生成や組成に影響を与える元素だからである。これにより、幅圧下プレス装置４における幅圧下荷重に影響を与える。特に、スラブ９中に含まれるＳｉは加熱中にスラブ表面に偏析し、また、加熱炉２内の雰囲気ガス中の酸素と反応し酸化物を形成するため、表面性状への影響が大きく、摩擦係数を通じて幅圧下荷重に影響を与える。なお、加熱炉２内で生成した１次スケールは、加熱炉２から抽出後のデスケーリングにより一旦除去されるものの、１次スケールよりも下層に存在する酸化物の状態を通じて、あるいはデスケーリング後の２次スケールの生成挙動を通じて、幅圧下時の幅圧下用金型４１とスラブ９との摩擦状態に影響を与え、これが幅圧下荷重に影響を与える。なお、スラブ９の成分組成については、製鋼工程での設定値もしくは測定値を用いればよい。

＜加熱炉における操業パラメータ＞
加熱炉２における操業パラメータとしては、幅圧下荷重を予測しようとするスラブ９が加熱炉２内にあるときの各種パラメータを用いることができる。例えば、加熱炉２における操業パラメータとして、加熱炉２内の特定の加熱炉帯における在炉時間や、加熱炉２の最終の加熱炉帯の雰囲気温度や、加熱炉２内での燃焼ガス雰囲気のガス組成や、加熱炉２へ装入される前のスラブ９の表面温度などを用いることができる。つまり、加熱炉２から抽出されるスラブ９の内部の温度分布や表面の酸化物の状態に影響を与えることが想定される各種パラメータを、加熱炉２における操業パラメータに用いることができる。

その際、入力データを構成する加熱炉２における操業パラメータは、加熱炉２へ装入される前のスラブ９の表面温度と、加熱炉２に装入されてから抽出されるまでのスラブ９が位置する加熱炉帯における雰囲気温度の履歴情報とを含むことが好ましい。加熱炉２へ装入される前のスラブ９の表面温度とは、加熱炉２の入側で測定されるスラブ９の表面温度を用いる。加熱炉２内の雰囲気温度が同一でも、初期温度が異なれば加熱炉２出口のスラブ内部の温度分布に影響を与えるからである。

また、加熱炉２に装入されてから抽出されるまでのスラブ９が位置する加熱炉帯の雰囲気温度の履歴情報とは、図５に示すように、スラブ９が加熱炉２に装入されてから、順次加熱炉２内で搬送されるのに連れて変化する加熱炉帯の雰囲気温度に関する履歴全体を指す。その際、加熱炉２内でスラブ９が位置する加熱炉帯の雰囲気温度の変化を時間に対して結んだ線図を用いることもできる。

また、実施形態としては、加熱炉２への装入から抽出までのトータルの在炉時間と、在炉時間をＮ個に分割した時間ごとのスラブ９が位置する加熱炉帯の雰囲気温度とを組みわせた情報を履歴情報として用いることが好適である。図５には、在炉時間が異なるスラブＡとスラブＢとの履歴情報が示されている。在炉時間の異なるスラブ９で比較すると、履歴情報として用いる雰囲気温度の時間区分が異なるものの、加熱炉２内での昇温パターンを表す情報であり、トータルの在炉時間のデータと組み合わせることで、学習モデル（予測モデル）の内部では加熱炉２内での時間経過と雰囲気温度との関係を考慮することができる。なお、時間区分を表すＮは３～３０が好ましく、Ｎが１０以上であることがより好ましい。

例えば、表１は、図５に示すような加熱炉帯の温度履歴について、在炉時間を１８分割した各時点の加熱炉帯の温度を表したものである。スラブＡのように在炉時間が１８０分であった場合、１０分毎の加熱炉帯の温度データを用いる。一方、スラブＢのように在炉時間が１５０分であった場合、８．３分毎の加熱炉帯の温度データを用いる。なお、スラブ９が位置する加熱炉帯の温度は、各加熱炉帯に設置された温度計１０により計測される温度を用いることが好ましいが、各加熱炉帯の燃焼バーナーに用いられるガスの燃焼温度を用いてもよい。

＜幅圧下操業パラメータ＞
幅圧下プレス装置４における幅圧下操業パラメータとしては、幅圧下量、幅圧下パス間のスラブ９の送りピッチ、幅圧下時に幅圧下用金型４１を駆動する速度を用いることができる。幅圧下時に幅圧下用金型４１を駆動する速度は、幅圧下中一定である場合もあり、また、圧下中に加減速をする場合もある。圧下中に加減速をする場合は、速度の最大値を入力パラメータとして用いてもよく、あるいは圧下中の速度を時間で平均した値を用いてもよい。また、幅圧下用金型４１について複数の金型形状を圧延サイクルごとに組み替えて用いる場合には、金型形状の相違を表すパラメータや、幅圧下用金型４１のうちスラブ９と接触する面の表面仕上げ（表面粗さ）などを、幅圧下操業パラメータに含めることができる。さらに、スラブ９の先尾端で幅圧下量を変更する場合は、上記のパラメータに加えて、先尾端の幅圧下量と定常部の幅圧下量との差を、幅圧下操業パラメータとして用いてもよい。

＜制御装置＞
熱間圧延ライン１には、図１に示すように、幅圧下プレス装置４の制御装置２０が設けられている。制御装置２０は、幅圧下プレス装置４での幅圧下荷重を制御する。制御装置２０は、ＣＰＵ（Central Processing Unit）等からなるプロセッサと、ＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）等からなるメモリ（主記憶部）と、によって実現される。この制御装置２０は、プログラムを主記憶部の作業領域にロードして実行し、プログラムの実行を通じて各構成部等を制御することにより、所定の目的に合致した機能を実現する。

制御装置２０は、図６に示すように、加熱炉帯温度の時系列データ収集部２１と、幅圧下荷重の時系列データ収集部２２と、幅圧下荷重予測モデル生成部２３と、幅圧下荷重予測部２４と、幅圧下操業条件設定部２５と、幅圧下制御部２６とを備える。

加熱炉帯温度の時系列データ収集部２１は、加熱炉２における操業パラメータの実績値として、加熱炉帯における温度履歴の時系列実績データを収集する。この加熱炉帯温度の時系列データ収集部２１は、加熱炉２に設けられた温度計１０により計測された加熱炉帯内の雰囲気温度（加熱炉帯の温度情報）を収集する。

幅圧下荷重の時系列データ収集部２２は、幅圧下荷重の実績データ（実績値）を収集する。この幅圧下荷重の時系列データ収集部２２は、幅圧下プレス装置４が備える第１ロードセル４４により計測された時系列の幅荷重データを収集する。

幅圧下荷重予測モデル生成部２３は、モデル作成用のデータである複数の学習用データを用いた機械学習によって、幅圧下荷重予測モデルを生成する。この幅圧下荷重予測モデル生成部２３は、加熱炉帯温度解析部２３１と、幅圧下荷重解析部２３２と、機械学習部２３３と、データベース２３４とを有する。

加熱炉帯温度解析部２３１は、加熱炉２における操業実績データに基づいて、図５に示すような時間と加熱炉帯の雰囲気温度との履歴情報を求める。

幅圧下荷重解析部２３２は、時系列の幅圧下荷重データを、全幅圧下パス中の最大荷重として、幅圧下荷重の実績データに変換する。つまり、幅圧下荷重解析部２３２では、幅圧下荷重の時系列データから全幅圧下パス中の最大値を抽出する。

機械学習部２３３は、入力実績データを用いた幅圧下プレス装置４での幅圧下荷重を出力実績データとした機械学習を行う。この機械学習部２３３では、データベース２３４に格納された学習用データを用いて機械学習を行い、幅圧下荷重予測モデルを生成する。

データベース２３４は、機械学習用のデータを記憶する。データベース２３４には、上述したようにして収集された入力データと出力データとのデータセットが複数保存されている。

幅圧下荷重予測部２４は、機械学習により生成された幅圧下荷重予測モデルを用いて、幅圧下プレス装置４での幅圧下荷重を予測する。幅圧下荷重予測部２４に含まれる加熱炉帯温度解析部２４１は、幅圧下荷重予測モデル生成部２３の加熱炉帯温度解析部２３１と同一の機能を有する。なお、加熱炉帯温度解析部２４１は加熱炉帯温度解析部２３１と共通のモジュールとしてもよい。

幅圧下操業条件設定部２５は、幅圧下プレス装置４の操業条件を設定する。この幅圧下操業条件設定部２５は、幅圧下操業条件の再設定部２５１を有する。幅圧下操業条件の再設定部２５１は、幅圧下荷重予測部２４により予測された幅圧下荷重の予測値に応じて、幅圧下操業条件を初期設定から別の設定値に変更する。

幅圧下制御部２６は、幅圧下操業条件設定部２５により設定された幅圧下操業条件に基づいて、幅圧下プレス装置４を制御する。

＜幅圧下荷重予測モデルの生成＞
図７は、実施形態における幅圧下荷重予測モデルの生成方法を模式的に示す図である。幅圧下荷重予測モデル生成部２３は、スラブ９の属性情報に関する実績データ、加熱炉２における操業実績データ、幅圧下プレス装置４における幅圧下操業実績データ、および幅圧下プレス装置４における幅圧下荷重実績データを収集し、機械学習により幅圧下荷重予測モデルを生成する。この幅圧下荷重予測モデルを作成する際に用いられる実績データは学習用データ（モデル作成用データ）である。

上位コンピュータ３０は、通常の熱間圧延ライン１の操業実績情報として、スラブ９の属性情報に関する実績データと、幅圧下プレス装置４における幅圧下操業実績データとを採取する。そして、上位コンピュータ３０は、採取した情報を、幅圧下荷重予測モデル生成部２３に出力する。

加熱炉２における操業実績データについては、加熱されるスラブ９の加熱炉帯における温度履歴が収集されている場合には、上記と同様に上位コンピュータ３０から取得する。そのような温度履歴の収集機能がない場合には、スラブ９ごとの加熱炉２における在炉時間と、加熱炉帯の温度履歴に関する情報を別途採取して、加熱炉帯温度解析部２４１において、図５に示すような各種時間と加熱炉帯の雰囲気温度との履歴情報を求める。さらに、加熱炉帯温度解析部２３１では、図５に例示する履歴情報を、スラブ９の在炉時間を用いて、表１に示すような所定個数で区分された雰囲気温度情報に変換する。

幅圧下荷重の実績データについては、幅圧下荷重の時系列データ収集部２２において、幅圧下プレス装置４が備える第１ロードセル４４により計測された時系列の幅圧下荷重データを収集する。そして、この時系列の幅圧下荷重データを、幅圧下荷重解析部２３２において、例えば全幅圧下パス中の最大荷重として、幅圧下荷重実績データに変換する。

幅圧下荷重予測モデル生成部２３は、上述したように入力データと出力データとのデータセットを複数採取して、データベース２３４に保存する。データベース２３４には、製造対象とする鋼種に関する情報を含めることが好ましい。また、データベース２３４に格納されるデータ数としては、少なくとも１００個以上、好ましくは５００個以上、より好ましくは７００個以上のデータが蓄積されていることが好ましい。

本実施形態における制御装置２０では、このようにして作成したデータベース２３４を用いて、スラブ９の属性情報から選択した少なくとも一つの実績データと、加熱炉２における操業実績データから選択した少なくとも一つの操業実績データと、幅圧下プレス装置４における幅圧下操業実績データから選択した少なくとも一つの操業実績データとを、入力実績データとし、その入力実績データを用いた幅圧下プレス装置４での幅圧下荷重を出力実績データとした機械学習により幅圧下荷重予測モデルを生成する。

幅圧下荷重予測モデルについて、機械学習の方法は、公知の学習方法を適用すればよい。機械学習は、例えば、ニューラルネットワークなどの公知の機械学習手法を用いればよい。他の手法としては、決定木学習、ランダムフォレスト、サポートベクター回帰、ガウス過程、ｋ近傍法などが例示できる。また、幅圧下荷重予測モデルは、最新の学習データを用いて、適宜、更新することが可能である。

そして、熱間圧延ライン１の操業過程では、上述したようにして生成された幅圧下荷重予測モデルを用いて、幅圧下プレス装置４における幅圧下荷重の予測を行う。つまり、制御装置２０は、熱間圧延ライン１が操業中に幅圧下プレス装置４での幅圧下荷重を予測する。そのため、制御装置２０が幅圧下荷重を予測するタイミングとしては、幅圧下荷重の予測対象となるスラブ９が加熱炉２から抽出された後であって、幅圧下プレス装置４による幅圧下が実施される５～１０秒よりも前までに実施することが好ましい。この予測によって、幅圧下荷重が過大になると予測される場合に、オペレータが設定変更により幅圧下プレス時の搬送ピッチ（送りピッチ）を短くするように幅圧下操業条件の設定変更を行うことができるからである。

そこで、制御装置２０は幅圧下プレス装置４での幅圧下荷重を予測する際、図８に示すように、幅圧下荷重予測モデルにより予測した幅圧下荷重の予測値と、上位コンピュータ３０からにより予め設定された目標荷重の範囲とに基づいて、幅圧下操業条件を設定する。その幅圧下操業条件の設定は、幅圧下操業条件設定部２５により実施される。

＜幅圧下荷重の制御方法＞
図９は、実施形態における幅圧下荷重の制御方法を示すフローチャート図である。図９に示す制御フローは、熱間圧延ライン１が操業中に、制御装置２０によって実行される。

制御装置２０は、スラブ９の属性情報の実績値と、幅圧下操業条件の設定値とを取得する（ステップＳ１）。ステップＳ１では、上位コンピュータ３０からの情報として、スラブ９の属性情報と、予め設定されている幅圧下操業条件の設定値（初期条件）とが幅圧下荷重予測部２４に送られる。

制御装置２０は、幅圧下荷重の予測対象となるスラブ９が加熱炉２から抽出された否かを判定する（ステップＳ２）。予測対象のスラブ９が加熱炉２から抽出される前である場合（ステップＳ２：Ｎｏ）、この制御ルーチンはステップＳ２の判定処理を繰り返す。

予測対象のスラブ９が加熱炉２から抽出された後である場合（ステップＳ２：Ｙｅｓ）、制御装置２０は、加熱炉帯における温度履歴の時系列実績データを取得する（ステップＳ３）。ステップＳ３では、幅圧下荷重の予測対象となるスラブ９が加熱炉２から抽出された後に、加熱炉帯温度の時系列データ収集部２１から幅圧下荷重予測部２４に、加熱炉２における操業パラメータの実績値として、加熱炉帯における温度履歴の時系列実績データが出力される。

制御装置２０は、加熱炉帯における温度履歴の時系列実績データに基づいて、加熱炉２における操業実績データを生成する（ステップＳ４）。ステップＳ４では、上述した構成と同様に、加熱炉帯温度解析部２４１により加熱炉２における操業実績データが生成される。

さらに、制御装置２０は、幅圧下荷重予測モデルを用いて、幅圧下プレス装置４における幅圧下荷重の予測値を求める（ステップＳ５）。ステップＳ５では、加熱炉２における操業実績データと、スラブ９の属性情報の実績値と、幅圧下プレス装置４における幅圧下操業条件の設定値と、幅圧下荷重予測モデルとを用いて、幅圧下荷重の予測値が算出される。ステップＳ５で用いられる幅圧下荷重予測モデルは、幅圧下荷重予測モデル生成部２３により生成された予測モデルである。

また、制御装置２０は、予め設定された幅圧下荷重の目標荷重範囲を取得する（ステップＳ６）。例えば、制御装置２０では、上位コンピュータ３０からの出力に基づいて、幅圧下荷重の目標荷重範囲が予め設定されている。

幅圧下荷重の目標荷重範囲としては、下限値として、スラブ９の鋼種、サイズ、目標とする幅圧下量ごとに設定される値が設定される。これは、目標の圧下量を得るために最小限必要な幅圧下荷重とする。例えば、上式（１）のような物理モデルで予測される幅圧下荷重の８０～９０％の値として設定すればよい。一方、幅圧下荷重の目標荷重範囲の上限値は、幅圧下プレス装置４の設備仕様から決まる最大許容荷重を考慮して、最大許容荷重に対して、８０～９５％程度で設定することが好ましい。幅圧下プレス装置４の設備保護の観点から一定の安全率を確保するためである。また、幅圧下用金型４１とスラブ９との間のスリップを防止する観点から、幅圧下荷重の目標荷重範囲の上限値に制約を与えてもよい。

そして、制御装置２０は、幅圧下荷重の予測値が目標荷重範囲内であるか否かを判定する（ステップＳ７）。ステップＳ７では、予め設定される幅圧下荷重の目標荷重範囲に対して、幅圧下荷重予測モデルを用いて予測される荷重値が比較される。

予測荷重が目標荷重範囲内である場合（ステップＳ７：Ｙｅｓ）、制御装置２０は、初期設定のまま幅圧下操業条件を設定する（ステップＳ８）。ステップＳ８では、幅圧下操業条件が変更されることなく、初期設定のまま幅圧下制御部２６に送られる。つまり、ステップＳ８において、制御装置２０は、設定値のままの幅圧下操業条件に決定する。ステップＳ８を実施すると、この制御ルーチンは終了する。

一方、予測荷重が目標荷重範囲内でない場合（ステップＳ７：Ｎｏ）、制御装置２０は、幅圧下操業条件を再設定する（ステップＳ９）。ステップＳ９では、予測荷重が目標荷重範囲の上限値を超える場合、または予測荷重が目標荷重範囲の下限値を下回る場合に、幅圧下操業条件が再設定される。

例えば、予測荷重が目標荷重範囲の上限値を超える場合、ステップＳ９において、幅圧下パス間の送りピッチが設定値（初期条件）に対して７０～９０％程度低減するように、幅圧下操業条件の設定値を変更（再設定）する。これにより１パス当たりの接触長さ（接触弧長）が短くなることで、幅圧下荷重を低減できる。その結果、幅圧下プレス装置４の過負荷を防止することができる。

また、予測荷重が目標荷重範囲の下限値を下回る場合には、ステップＳ９において、幅圧下パス間の送りピッチを設定値（初期条件）に対して１１０～１３０％程度増加させるように、幅圧下操業条件の設定値を変更（再設定）する。これにより、スラブ９の幅圧下に要する幅圧下の回数を低減でき、幅圧下プレス装置４での処理時間を短くできる。その結果、幅圧下プレス装置４での生産能率を向上させることができる。ステップＳ９の処理を実施すると、この制御ルーチンは終了する。

このように上述したステップＳ３～Ｓ９の処理は、幅圧下荷重の予測対象となるスラブが加熱炉２から抽出された後であって幅圧下プレス装置４に装入される前に実施される。

なお、再設定された幅圧下操業条件を再度、幅圧下荷重予測モデルの入力データとして、幅圧下荷重の予測値を算出して、予測される幅圧下荷重が目標荷重範囲内に入るかどうかを確認した後に、幅圧下操業条件の設定値を決定してもよい。このような幅圧下荷重判定を繰り返し行うことで、目標荷重範囲が狭く設定しても、適切な幅圧下操業条件の設定ができるため、設備保護と生産性をより高めた操業が可能となる。

以上説明した通り、実施形態によれば、熱間圧延ライン１における幅圧下プレス装置４の幅圧下荷重を高精度に予測することができる。これにより、幅圧下プレス装置４の過負荷による設備破損を防止しながら、幅圧下プレス装置４での生産能率を向上させることができる。

＜実施例＞
ここで実施例について説明する。この実施例は、薄鋼板の熱間圧延ライン１における加熱炉２および幅圧下プレス装置４に適用した例である。スラブ９の寸法として、厚さ２１０～２６５ｍｍのスラブ９に対し、上述した実施形態による幅圧下荷重の予測を行った。それらに対して設定された幅圧下量は１５０～２５０ｍｍ、幅圧下パス間のスラブの送りピッチは３００ｍｍであった。

出力実績データとして必要な幅圧下工程における幅圧下荷重の情報は、幅圧下を施した際に測定された幅圧下荷重について、各パスの中で最大の値を用いた。

予測モデルの入力データとして、幅圧下量と、幅圧下パス間のスラブの送りピッチと、スラブ厚さと、スラブ９のＣ含有量と、Ｓｉ含有量と、対象とするスラブ９が存在している加熱炉帯の雰囲気温度と、在炉時間とを用いた。

Ｃ含有量、Ｓｉ含有量としては、製鋼工程での測定値を用いた。加熱炉２内部でスラブ９が存在している炉帯の温度としては、各スラブ９の在炉時間をそれぞれ２０等分した各時点のスラブ９が存在している炉帯の温度を炉壁に設置された温度計１０により測定した値を用いた。

機械学習手法としてはニューラルネットワークを用い、中間層を２層とした。活性化関数はシグモイド関数を用いた。上述した操業実績データを１２００本分用意し、モデル作成用（学習用）のデータとして１０００本使用し、残り２００本で予測精度を検証した。モデル予測精度は、誤差平均１４．６ｔｏｎ、誤差の標準偏差１８．９ｔｏｎであった。

比較例として、予測モデルの入力データとして、上式（１）に示す従来の物理モデルを用いて幅圧下荷重の予測を行った。操業実績データ１２００本分を用いて、予測精度を検証した結果、誤差平均２１．５ｔｏｎ、誤差の標準偏差４５．８ｔｏｎであった。

以上のように、本発明による予測方法の適用により、幅圧下プレス装置４における幅圧下荷重を高精度に予測できた。

さらに、上述した各構成要素を適宜組み合わせて構成したものも本発明に含まれる。その他、上述した実施の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、実施例および運用技術等は全て本発明の範疇に含まれる。

１ 熱間圧延ライン
２ 加熱炉
３ デスケーリング装置
４ 幅圧下プレス装置
５ 粗圧延機
６ 仕上げ圧延機
７ 水冷装置
８ コイラー
９ スラブ
１０ 温度計
１１ ウォーキングビーム
２０ 制御装置
２１ 加熱炉帯温度の時系列データ収集部
２２ 幅圧下荷重の時系列データ収集部
２３ 幅圧下荷重予測モデル生成部
２４ 幅圧下荷重予測部
２５ 幅圧下操業条件設定部
２６ 幅圧下制御部
３０ 上位コンピュータ
４１ 幅圧下用金型
４１ａ 平行部
４１ｂ 傾斜部
４２ 幅圧下用金型駆動装置
４３ ピンチロール
４４ 第１ロードセル
４５ 第２ロードセル
２３１ 加熱炉帯温度解析部
２３２ 幅圧下荷重解析部
２３３ 機械学習部
２３４ データベース
２４１ 加熱炉帯温度解析部
２５１ 幅圧下操業条件の再設定部

Claims (8)

1. スラブを加熱する加熱炉と、前記加熱炉で加熱後のスラブを幅方向に間欠的に圧下する幅圧下プレス装置とを備える熱間圧延ラインにおける、幅圧下プレス装置での幅圧下荷重予測方法であって、
   入力データとして、前記スラブの属性情報から選択した少なくとも一つのパラメータと、前記加熱炉における操業パラメータから選択した少なくとも一つのパラメータと、前記幅圧下プレス装置における幅圧下操業パラメータから選択した少なくとも一つのパラメータとを含み、前記幅圧下プレス装置での幅圧下荷重を出力データとした、機械学習により学習された幅圧下荷重予測モデルを用いて、前記幅圧下プレス装置での幅圧下荷重を予測する予測ステップを含み、
   前記幅圧下荷重は、一つのスラブの先端部から尾端部までの全ての幅圧下パス中の最大荷重であり、
   前記加熱炉の内部は、加熱帯と灼熱帯とを含む複数の加熱炉帯により構成され、
   前記複数の加熱炉帯は、それぞれ異なる雰囲気温度に設定され、
   前記入力データを構成する前記加熱炉における操業パラメータは、
   前記加熱炉へ装入される前のスラブの表面温度と、
   前記加熱炉に装入されてから抽出されるまでのスラブが位置する加熱炉帯における雰囲気温度の履歴情報と、を含み、
   前記履歴情報は、前記スラブが前記加熱炉への装入から抽出までのトータルの在炉時間と、前記トータルの在炉時間をＮ個に分割した時間ごとのスラブが位置する加熱炉帯の雰囲気温度とを組み合わせた情報である
   ことを特徴とする幅圧下プレス装置での幅圧下荷重予測方法。
2. 前記入力データを構成する前記スラブの属性情報は、スラブの成分組成として、Ｃ含有量またはＳｉ含有量を含む
   ことを特徴とする請求項１に記載の幅圧下プレス装置での幅圧下荷重予測方法。
3. 前記幅圧下プレス装置は、前記スラブを幅方向の両側から圧下する一対の幅圧下用金型を有し、
   前記入力データを構成する前記幅圧下プレス装置における幅圧下操業パラメータは、幅圧下量と、幅圧下パス間のスラブの送りピッチと、を含む
   ことを特徴とする請求項１または２に記載の幅圧下プレス装置での幅圧下荷重予測方法。
4. 請求項１から３のうちのいずれか一項に記載の幅圧下プレス装置での幅圧下荷重予測方法を用いて、
   スラブが加熱炉から抽出された後であって幅圧下プレス装置に装入される前に、
   前記スラブの属性情報の実績値と、前記加熱炉における操業パラメータの実績値と、前記幅圧下プレス装置における幅圧下操業条件の設定値と、前記幅圧下荷重予測モデルとを用いて、前記幅圧下プレス装置での幅圧下荷重を予測する第１ステップと、
   前記第１ステップにより予測した幅圧下荷重と目標荷重範囲とに基づいて、前記幅圧下操業条件を設定する第２ステップと、を含み、
   前記幅圧下操業条件は、幅圧下パス間のスラブの送りピッチを含む
   ことを特徴とする幅圧下荷重制御方法。
5. 前記第２ステップは、
   前記第１ステップにより予測した幅圧下荷重が目標荷重範囲内である場合、前記設定値のままの前記幅圧下操業条件に決定するステップと、
   前記第１ステップにより予測した幅圧下荷重が目標荷重範囲内ではない場合、前記幅圧下操業条件として、幅圧下パス間のスラブの送りピッチを再設定するステップと、を含む
   ことを特徴とする請求項４に記載の幅圧下荷重制御方法。
6. 前記第２ステップは、
   前記第１ステップにより予測した幅圧下荷重が目標荷重範囲の上限値を超える場合には、前記幅圧下パス間のスラブの送りピッチを、前記設定値よりも小さい値に再設定するステップと、
   前記第１ステップにより予測した幅圧下荷重が目標荷重範囲の下限値を下回る場合には、前記幅圧下パス間のスラブの送りピッチを、前記設定値よりも大きい値に再設定するステップと、を含む
   ことを特徴とする請求項５に記載の幅圧下荷重制御方法。
7. スラブを加熱する加熱炉と、前記加熱炉で加熱後のスラブを幅方向に間欠的に圧下する幅圧下プレス装置とを備える熱間圧延ラインにおける、幅圧下プレス装置での幅圧下荷重を予測する幅圧下荷重予測モデルの生成方法であって、
   前記スラブの属性情報から選択した少なくとも一つの実績データと、前記加熱炉における操業実績データから選択した少なくとも一つの操業実績データと、前記幅圧下プレス装置における幅圧下操業実績データから選択した少なくとも一つの操業実績データとを、入力実績データとし、その入力実績データを用いた前記幅圧下プレス装置での幅圧下荷重を出力実績データとした、複数の学習用データを取得し、取得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幅圧下プレス装置での幅圧下荷重を予測する幅圧下荷重予測モデルを生成する学習ステップを含み、
   前記幅圧下荷重は、一つのスラブの先端部から尾端部までの全ての幅圧下パス中の最大荷重であり、
   前記加熱炉の内部は、加熱帯と灼熱帯とを含む複数の加熱炉帯により構成され、
   前記複数の加熱炉帯は、それぞれ異なる雰囲気温度に設定され、
   前記入力実績データを構成する前記加熱炉における操業実績データは、
   前記加熱炉へ装入される前のスラブの表面温度と、
   前記加熱炉に装入されてから抽出されるまでのスラブが位置する加熱炉帯における雰囲気温度の履歴情報と、を含み、
   前記履歴情報は、前記スラブが前記加熱炉への装入から抽出までのトータルの在炉時間と、前記トータルの在炉時間をＮ個に分割した時間ごとのスラブが位置する加熱炉帯の雰囲気温度とを組み合わせた情報である
   ことを特徴とする幅圧下荷重予測モデルの生成方法。
8. 前記幅圧下荷重予測モデルを生成する機械学習として、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、およびサポートベクター回帰から選択した機械学習を用いることを特徴とする請求項７に記載した幅圧下荷重予測モデルの生成方法。

Images