JP7480764B2

JP7480764B2 - 鋼板の圧延荷重予測方法、連続式圧延機の制御方法、及び鋼板の製造方法

Info

Publication number: JP7480764B2
Application number: JP2021144785A
Authority: JP
Inventors: 翔平西村; 誠今井
Original assignee: JFE Steel Corp
Current assignee: JFE Steel Corp
Priority date: 2021-09-06
Filing date: 2021-09-06
Publication date: 2024-05-10
Anticipated expiration: 2041-09-06
Also published as: JP2023037941A

Description

本発明は、熱間連続式圧延機や冷間連続式圧延機等の連続式圧延機に適用される鋼板の圧延荷重予測方法、連続式圧延機の制御方法、及び鋼板の製造方法に関する。

連続式圧延機における鋼板の圧延制御では、数式モデルを用いて鋼板の圧延荷重を予測し、予測された圧延荷重に基づいてロール間ギャップやロール周速等の設定値を決定するミルセットアップが行われる。ミルセットアップの精度を向上させるためには、鋼板の圧延荷重を精度よく予測する必要がある。このような背景から、過去の圧延実績値を用いて数式モデルを学習する方法が提案されている。具体的には、特許文献１には、圧延荷重の実績値と予測値との差及び今回使用した圧延荷重比の学習係数を平滑化計算し、次回圧延時に使用する圧延荷重比の学習係数を導出する技術が記載されている。

特開２００９－１１３１０１号公報

しかしながら、特許文献１に記載の方法は、鋼板の成分や寸法に応じて区分分けを行い、その区分内で学習を行っている。このため、特許文献１に記載の方法によれば、コフィンサイクルを前提とした同区分内では圧延荷重を精度よく予測できるが、サイクルトップや区分変わり等の圧延条件が変化するタイミングでは圧延荷重の予測精度が低下する可能性がある。圧延荷重の予測精度が低下した場合、ミルセットアップの精度が低下することによって鋼板の製造歩留まりが低下する。

本発明は、以上の問題を解決すべくなされたものであり、サイクルトップや区分変わりにおいても鋼板の圧延荷重を精度よく予測可能な鋼板の圧延荷重予測方法を提供することにある。また、本発明の他の目的は、鋼板の製造歩留まりを向上可能な連続式圧延機の制御方法及び鋼板の製造方法を提供することにある。

本発明に係る鋼板の圧延荷重予測方法は、鋼板の搬送方向に沿って配設された複数の圧延スタンドを備える連続式圧延機の各圧延スタンドにおける鋼板の圧延荷重を予測する鋼板の圧延荷重予測方法であって、少なくとも圧延スタンドの組替後から対象とする鋼板を圧延する前迄に圧延スタンドで圧延した鋼板の累計本数を入力変数に含み、鋼板を圧延した際の各圧延スタンドの圧延荷重の予測値を出力変数とする機械学習モデルに対して、予測対象の鋼板についての前記累計本数を入力することにより、予測対象の鋼板を圧延した際の各圧延スタンドの圧延荷重を予測するステップを含む。

前記入力変数には、各圧延スタンドの偏平ロール半径が含まれるとよい。

本発明に係る連続式圧延機の制御方法は、本発明に係る鋼板の圧延荷重予測方法に予測された予測対象の鋼板を圧延した際の各圧延スタンドの圧延荷重に基づいて連続式圧延機の動作を制御するステップを含む。

本発明に係る鋼板の製造方法は、本発明に係る連続式圧延機の制御方法を用いて連続式圧延機を制御することにより鋼板を製造するステップを含む。

本発明に係る鋼板の圧延荷重予測方法によれば、サイクルトップや区分変わりにおいても鋼板の圧延荷重を精度よく予測することができる。また、本発明に係る連続式圧延機の制御方法及び鋼板の製造方法よれば、鋼板の製造歩留まりを向上させることができる。

図１は、本発明の一実施形態である圧延制御装置の構成を示すブロック図である。図２は、図１に示す圧延荷重予測モデルの構成を示す模式図である。図３は、図１に示す操業実績ＤＢの構成を示す模式図である。図４は、圧延荷重の予測誤差の評価結果を示す図である。

以下、図面を参照して、本発明に係る鋼板の圧延荷重予測方法、連続式圧延機の制御方法、及び鋼板の製造方法が適用される、本発明の一実施形態である圧延制御装置について説明する。

図１は、本発明の一実施形態である圧延制御装置の構成を示すブロック図である。図２は、図１に示す圧延荷重予測モデル１１の構成を示す模式図である。図３は、図１に示す操業実績ＤＢ４の構成を示す模式図である。

図１に示すように、本発明の一実施形態である圧延制御装置１は、周知の情報処理装置によって構成され、圧延機２を制御することにより圧延機２において圧延される鋼板の圧延品質や圧延能率を制御するものである。圧延機２は、鋼板の搬送方向に沿って配設された複数の圧延スタンドを備える熱間連続式圧延機や冷間連続式圧延機等の連続式圧延機により構成されている。

圧延制御装置１は、圧延荷重予測モデル１１、モデル計算部１２、及び設定値計算部１３を備えている。

圧延荷重予測モデル１１は、操業条件から圧延機２を構成する各圧延スタンドの圧延荷重を予測するための機械学習モデルであり、本実施形態では、図２に示すように入力層、複数の中間層、及び出力層を備えるディープラーニングモデルにより構成されている。ここで、入力層には、圧延荷重の予測対象となる操業条件が入力される。中間層のパラメータは、機械学習装置３によって機械学習されている。出力層は、入力層に入力された操業条件で鋼板を圧延した際の圧延機２を構成する各圧延スタンドの圧延荷重の予測値を出力する。

本実施形態では、ディープラーニングモデルの入力変数（説明変数）には、鋼板の大きさに関係する入力変数、鋼板の温度に関係する入力変数、鋼板の構成元素に関係する入力変数、鋼板を圧延する圧延機２に関係する入力変数が含まれている。

鋼板の大きさに関係する入力変数としては、鋼板の製品寸法（厚さ、幅、長さ）、圧延時の圧延機２の入側及び出側の板厚、圧延スタンド間の鋼板の板厚、加熱炉から抽出されたスラブの寸法（厚さ、幅、長さ）を例示できる。

鋼板の温度に関係する入力変数としては、圧延時の鋼板の温度（平均値、幅方向中央部温度、幅方向端部温度）、圧延スタンド間の鋼板の温度、加熱炉抽出時のスラブの温度（平均値、幅方向中央部温度、幅方向端部温度）を例示できる。

鋼板の構成元素に関係する入力変数としては、構成元素（Ｃ，Ｓｉ，Ｍｎ，Ｐ，Ｓ，Ｃｕ，Ｎｉ，Ｃｒ，Ｍｏ，Ｖ，Ｎｂ，Ａｌ，Ｔｉ，Ｎ，Ｂ）及び鋼種判定マークを例示できる。

鋼板を圧延する圧延機２に関係する入力変数としては、スラブ寸法（厚、幅、長）、製品寸法（厚、幅、長）、圧延スタンド間の鋼板の板厚設定値、鋼板の搬送速度、各圧延スタンドにおけるワークロールの半径及び種別、圧延スタンドの組替後から対象とする鋼板を圧延する前迄に圧延スタンドで圧延した鋼板の累計本数（以下、圧延順と表記）、及び各圧延スタンドの偏平ロール半径を例示できる。

機械学習装置３は、圧延機２の操業実績データを格納する操業実績データベース（操業実績ＤＢ）４から図３に示すような入力変数（説明変数）と圧延機２を構成する各圧延スタンドの圧延荷重の実績値とのペアを学習データとして取得し、取得した学習データを用いて圧延荷重予測モデル１１を機械学習する。なお、本実施形態では、機械学習手法としてディープラーニングを用いたが、ロジスティック回帰分析、決定木、ニューラルネットワーク等の機械学習手法を用いてもよい。

モデル計算部１２は、圧延荷重の予測対象となる操業条件を圧延荷重予測モデル１１に入力することにより、予測対象の操業条件で鋼板を圧延した際の圧延機２を構成する各圧延スタンドの圧延荷重を予測する。

設定値計算部１３は、モデル計算部１２によって予測された圧延荷重に基づいて圧延機２を構成する各圧延スタンドの設定値を計算し、計算された設定値に従って圧延機２を制御（セットアップ）する。

以上の説明から明らかなように、本発明の一実施形態である圧延制御装置１は、圧延スタンドの組替後から対象とする鋼板を圧延する前迄に圧延スタンドで圧延した鋼板の累計本数を用いて圧延スタンドの圧延荷重を予測するので、サイクルトップや区分変わりにおいても鋼板の圧延荷重を精度よく予測することができる。また、ワークロールの摩耗量や入熱による膨張量の影響を考慮して圧延スタンドの圧延荷重を予測することができる。また、この結果、鋼板の製造歩留まりを向上できると共に、ロールギャップ精度が向上してオペレータの手介入量を削減することができる。

また、本発明の一実施形態である圧延制御装置１は、圧延荷重繰り返し計算の最終出力である偏平ロール半径を用いて圧延スタンドの圧延荷重を予測するので、既設圧延荷重計算に含まれる定式化されていない計算誤差を考慮して鋼板の圧延荷重を精度よく予測することができる。

本実施例では、（ａ）鋼板の圧延順及び各圧延スタンドの偏平ロール半径を入力変数に含めなかった場合、（ｂ）鋼板の圧延順を入力変数に含めた場合、（ｃ）各圧延スタンドの偏平ロール半径を入力変数に含めた場合、及び（ｄ）鋼板の圧延順及び各圧延スタンドの偏平ロール半径を入力変数に含めた場合について、サンプル数Ｎを６６１９として圧延荷重の予測誤差を評価した。評価結果を図４及び以下の表１，２に示す。図４及び表１，２に示すように、鋼板の圧延順を含めることにより圧延荷重の予測誤差が低下して予測精度が向上することが確認された。なお、表２は、上記場合（ａ）（既設計算）及び上記場合（ｄ）における各圧延スタンド（Ｆ１～Ｆ７）における圧延荷重の予測誤差（平均二乗偏差（RMSE：Root Mean Square Error））を示している。

１圧延制御装置
２圧延機
３機械学習装置
４操業実績データベース（操業実績ＤＢ）
１１圧延荷重予測モデル
１２モデル計算部
１３設定値計算部

Claims

鋼板の搬送方向に沿って配設された複数の圧延スタンドを備える連続式圧延機の各圧延スタンドにおける鋼板の圧延荷重を予測する鋼板の圧延荷重予測方法であって、
少なくとも圧延スタンドの組替後から対象とする鋼板を圧延する前迄に圧延スタンドで圧延した鋼板の累計本数及び各圧延スタンドの偏平ロール半径を入力変数に含み、鋼板を圧延した際の各圧延スタンドの圧延荷重の予測値を出力変数とする機械学習モデルに対して、予測対象の鋼板についての前記累計本数を入力することにより、予測対象の鋼板を圧延した際の各圧延スタンドの圧延荷重を予測するステップを含む、鋼板の圧延荷重予測方法。
請求項１に記載の鋼板の圧延荷重予測方法に予測された予測対象の鋼板を圧延した際の各圧延スタンドの圧延荷重に基づいて連続式圧延機の動作を制御するステップを含む、連続式圧延機の制御方法。
請求項２に記載の連続式圧延機の制御方法を用いて連続式圧延機を制御することにより鋼板を製造するステップを含む、鋼板の製造方法。