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 - Google Patents
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 Download PDFInfo
- Publication number
- JP7480764B2 JP7480764B2 JP2021144785A JP2021144785A JP7480764B2 JP 7480764 B2 JP7480764 B2 JP 7480764B2 JP 2021144785 A JP2021144785 A JP 2021144785A JP 2021144785 A JP2021144785 A JP 2021144785A JP 7480764 B2 JP7480764 B2 JP 7480764B2
- Authority
- JP
- Japan
- Prior art keywords
- rolling
- steel plate
- load
- predicting
- rolling load
- 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
- 238000005096 rolling process Methods 0.000 title claims description 148
- 229910000831 Steel Inorganic materials 0.000 title claims description 71
- 239000010959 steel Substances 0.000 title claims description 71
- 238000000034 method Methods 0.000 title claims description 28
- 238000004519 manufacturing process Methods 0.000 title claims description 12
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 230000007423 decrease Effects 0.000 description 4
- 238000012821 model calculation Methods 0.000 description 4
- 239000000470 constituent Substances 0.000 description 3
- 238000005097 cold rolling Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000005098 hot rolling Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 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
- 229910052799 carbon Inorganic materials 0.000 description 1
- 229910052804 chromium Inorganic materials 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 229910052748 manganese Inorganic materials 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- 229910052758 niobium Inorganic materials 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000002436 steel type Substances 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 229910052719 titanium Inorganic materials 0.000 description 1
- 229910052720 vanadium Inorganic materials 0.000 description 1
Images
Landscapes
- Control Of Metal Rolling (AREA)
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。
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。
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
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 (3)
- 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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021144785A JP7480764B2 (ja) | 2021-09-06 | 2021-09-06 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021144785A JP7480764B2 (ja) | 2021-09-06 | 2021-09-06 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2023037941A JP2023037941A (ja) | 2023-03-16 |
| JP7480764B2 true JP7480764B2 (ja) | 2024-05-10 |
Family
ID=85513946
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021144785A Active JP7480764B2 (ja) | 2021-09-06 | 2021-09-06 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7480764B2 (ja) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000126809A (ja) | 1998-10-27 | 2000-05-09 | Kobe Steel Ltd | 圧延機のセットアップ装置 |
| JP2013226596A (ja) | 2012-03-29 | 2013-11-07 | Jfe Steel Corp | 圧延荷重の学習制御装置および学習制御方法、並びにこれを用いた金属板製造方法 |
| JP2020131248A (ja) | 2019-02-21 | 2020-08-31 | Ｊｆｅスチール株式会社 | 圧延荷重予測方法、圧延荷重予測装置、及び圧延制御方法 |
-
2021
- 2021-09-06 JP JP2021144785A patent/JP7480764B2/ja active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000126809A (ja) | 1998-10-27 | 2000-05-09 | Kobe Steel Ltd | 圧延機のセットアップ装置 |
| JP2013226596A (ja) | 2012-03-29 | 2013-11-07 | Jfe Steel Corp | 圧延荷重の学習制御装置および学習制御方法、並びにこれを用いた金属板製造方法 |
| JP2020131248A (ja) | 2019-02-21 | 2020-08-31 | Ｊｆｅスチール株式会社 | 圧延荷重予測方法、圧延荷重予測装置、及び圧延制御方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2023037941A (ja) | 2023-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020171096A1 (ja) | 圧延荷重予測方法、圧延荷重予測装置、及び圧延制御方法 | |
| Lee et al. | Application of neural-network for improving accuracy of roll-force model in hot-rolling mill | |
| RU2768986C1 (ru) | Способ определения установочных условий для производственного объекта, способ определения значения настройки для прокатного стана, устройство определения значения настройки для прокатного стана, способ производства продукции и способ производства рулонного материала | |
| JP7147904B2 (ja) | 形鋼の曲がり予測方法、形鋼の製造方法、学習済の機械学習モデルの生成方法および形鋼の曲率予測装置 | |
| JP2000317511A (ja) | 金属製品の圧延方法 | |
| JP2020157327A (ja) | 鋼板の仕上出側温度制御方法、鋼板の仕上出側温度制御装置、及び鋼板の製造方法 | |
| JP7480764B2 (ja) | 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 | |
| Dimatteo et al. | Prediction of mean flow stress during hot strip rolling using genetic algorithms | |
| Pholdee et al. | Optimization of flatness of strip during coiling process based on evolutionary algorithms | |
| JP7298645B2 (ja) | 形鋼の断面寸法変化量予測モデルの生成方法、形鋼の断面寸法変化量予測モデルの生成装置、形鋼の断面寸法の予測方法、形鋼の断面寸法の制御方法、および形鋼の製造方法 | |
| KR102448426B1 (ko) | 어닐링 로의 작동 방법 | |
| JP7156317B2 (ja) | 圧延装置の制御方法、圧延装置の制御装置、および鋼板の製造方法 | |
| JPH04190910A (ja) | 圧延機の設定計算装置 | |
| TW202339867A (zh) | 鋼板軋延力預測方法與軋延系統 | |
| JP7140073B2 (ja) | 学習モデル生成方法、データベース構築方法、ミルセットアップ設定方法、圧延材の製造方法、処理対象の製造方法、及び学習モデル生成装置 | |
| JP2021181095A (ja) | 圧延荷重予測方法、圧延方法、熱延鋼板の製造方法、及び圧延荷重予測モデルの生成方法 | |
| CN100512988C (zh) | 轧制控制方法和轧制控制装置 | |
| JP7420157B2 (ja) | 圧延制御装置および圧延制御方法 | |
| JP5007630B2 (ja) | 製品品質の制御方法及び制御装置 | |
| JP7156318B2 (ja) | 圧延装置の制御方法、圧延装置の制御装置、および鋼板の製造方法 | |
| Agarwal et al. | Process-structure-microstructure relationship in hot strip rolling of steels using statistical data mining | |
| JP4736832B2 (ja) | 熱間仕上圧延装置および熱間仕上圧延温度制御方法 | |
| JP4099915B2 (ja) | 可逆式圧延機の制御方法 | |
| JPH06269823A (ja) | 連続圧延における板クラウン制御方法 | |
| JP4735307B2 (ja) | 熱間仕上圧延装置および熱間仕上圧延温度制御方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230426 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240124 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240130 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240301 |
|
| 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: 20240326 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240408 |