JPH04231106A - 帯鋼形状自動認識制御装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、例えば連続熱延工場で
圧延中の帯鋼（ホットコイル）の仕上形状を向上させる
ことができる帯鋼形状自動認識制御装置に関する。

【０００２】

【従来の技術】従来、圧延中の帯鋼の長手方向の形状の
制御としては、仕上圧延開始前に各ベンディングに初期
設定値を与えるベンダー設定があるが、リアルタイムで
の補正は、形状計の出力を熟練者が見て、悪化を認識し
た場合に手動介入によってレベリング等の調整を行って
対処している。

【０００３】これまでの形状制御の動向としては、予測
制御（フィードフォワード制御）、フィートバック制御
が用いられており、例えば特開昭６０−１４５２１０号
公報に開示された「ホットストリップ圧延における形状
制御方法」では過去の多数の圧延実績デ―タに基づく予
測制御が、又、特開昭６０−１８２１３号公報に開示さ
れた「圧延機の形状制御方法」ではクラウンメータと形
状計との出力によるベンディングのフィードバック制御
が示されている。しかしながら、上記のフィードバック
制御では形状の認識の方式には触れておらず、制御の方
式が重視されており、又、圧延実績デ―タに基づく予測
方式でも具体的なモデルではなく、圧延実績デ―タを単
にテーブル化した方式であった。

【０００４】

【発明が解決しようとする課題】ところが、このような
従来の方式では帯鋼の全体的な形状を認識することや、
非線形モデルと考えられる形状の予測を精度よく行うこ
とには限界があり、帯鋼の仕上形状を向上させることに
限界があった。

【０００５】本発明は、このような従来の問題点を解決
するために成されたものであり、ニューラルネットの非
線形性を用いて帯鋼の形状を精度良く認識してフィード
バック制御を行ないつつ、過去の圧延実績デ―タと次に
圧延される圧延材の圧延条件とをニューラルネットの非
線形結合でパターン化することで次に形成される帯鋼の
形状を予測してこれを圧延加工制御の初期設定に反映さ
せ、帯鋼の仕上形状を向上させることができる帯鋼形状
自動認識制御装置を提供することを目的とする。

【０００６】

【課題を解決するための手段】前記目的を達成するため
に本考案は、熱間仕上圧延機の出口に配置され、該圧延
機により圧延された帯鋼の形状を測定し、該形状を示す
形状信号を出力する形状測定手段と、人間の脳神経回路
網の機能を模擬したニューラルネットのうちの、各ニュ
ーロンの入出力特性がシグモイド型で、入力層、中間層
、出力層の３層構造からなるパーセプトロン型ニューラ
ルネットで構成され、前記形状信号を入力層で入力する
と共に前記形状を認識する認識手段と、すでに圧延され
た帯鋼の圧延実績デ―タと次に圧延される圧延材の圧延
条件を示す圧延条件デ―タとを記憶する記憶手段と、前
記認識手段が認識した前記形状に応じた教師信号を誤差
逆伝搬法で出力する教師信号出力手段と、前記パーセプ
トロン型ニュ―ラルネットで構成され、前記教師信号に
従い学習を行ないつつ前記記憶手段に記憶された前記圧
延実績デ―タ及び圧延データに基づいて、前記認識手段
が次に認識する帯鋼の形状を予測する予測手段と、前記
認識手段が認識した前記形状に基づいて前記熱間仕上圧
延機のレベリング制御をリアルタイムでフィ―ドバック
制御するフィ―ドバック制御手段と、前記予測手段が予
測した形状に基づいて次に圧延する圧延材のベンダー設
定の設定値を設定するフィードフォワード制御手段とを
備えたことを特徴とする。

【０００７】

【作用】上記のように構成された本発明の帯鋼形状自動
認識制御装置は、以下のように作用する。まず、形状測
定手段は、熱間仕上圧延機により圧延された帯鋼の形状
を測定し、この形状を形状信号に変換して認識手段に出
力する。すると、認識手段は、形状信号を入力層に入力
し、形状測定手段が測定した帯鋼の形状を認識する。具
体的には、認識手段は、帯鋼の耳伸び、中伸び、片延び
を認識する。そして、認識手段は、認識した帯鋼の形状
をフィ―ドバック制御手段に出力する。フィ―ドバック
制御手段は、認識手段が認識した帯鋼の形状に基づいて
熱間仕上圧延機のレベリング制御をリアルタイムでフィ
―ドバック制御する。一方、予測手段は、記憶手段に記
憶された圧延実績デ―タ及び圧延条件デ―タに基づいて
認識手段が次に認識する帯鋼の形状、つまり、次に形成
される帯鋼の形状を予測する。このとき、予測手段のニ
ュ―ロンは、教師信号出力手段が出力する教師信号に従
って学習しつつ動作する。そして、予測手段は、予測し
た帯鋼の形状をフィ―ドフォワ―ド制御手段に出力する
。フィ―ドフォワ―ド制御手段は、予測手段が予測した
形状に基づいて次に圧延する圧延材のベンダ―設定の設
定値を設定する。例えば、予測手段の予測した形状が、
耳伸びや中伸びや片延び等の発生により異常であれば、
この異常が発生しないようにベンダ―設定の設定値を設
定する。このように、帯鋼の形状を自動的に認識し、こ
の形状が悪化した場合にはこれを改善するフィードバッ
ク制御をリアルタイムで行なえ、同時に、圧延実績を学
習することによって次に形成される帯鋼の形状を予測し
、これを圧延加工制御のの初期設定に反映させることが
可能となる。

【０００８】

【実施例】以下に本発明の帯鋼形状自動認識制御装置を
図面に基づいて詳細に説明する。図１は、本発明の帯鋼
形状自動認識制御装置の概略構成図であり、図２は、図
１に示すニュ―ロ計算機の構成の説明図である。又、図
３は、圧延時の異常な帯鋼の形状の説明図であり、図４
は、帯鋼の形状を定量化する参考図である。

【０００９】本発明の帯鋼形状自動認識制御装置には、
図１に示すように、従来と同様に構成された熱間仕上圧
延機Ｍで圧延加工中の帯鋼Ｓの形状を検出する前記形状
測定手段としての形状計１及び形状信号処理装置２が備
えられている。形状計１は、棒状光源とＣＣＤカメラと
により構成されており、圧延中の帯鋼Ｓの形状をアナロ
グ信号で形状信号処理装置２に出力するようになってい
る。

【００１０】この形状信号処理装置２は、形状計１が出
力するアナログ信号を一定時間周期毎にスキャン収集し
て取込み、１６ビットのデジタル信号に変換してこれを
ニュ―ロ計算機３に出力するようになっている。つまり
、形状信号処理装置２は、一定時間周期毎の帯鋼Ｓの形
状を取込み、この形状の時間変化をデジタル化するもの
である。

【００１１】そして、形状信号処理装置２が出力するデ
ジタル信号を入力するニュ―ロ計算機３は、いわゆるパ
ーセプトロン型ニューラルネットで構成されており、入
力したデジタル信号に基づいて帯鋼Ｓの形状を認識し、
いわゆる耳伸び、中伸び、片伸びの発生を判断するよう
になっている。ニュ―ロ計算機３は、それらの発生があ
った場合には、つまり帯鋼Ｓの形状が異常である場合に
は、モニタ１４にその旨の表示を行ない、オペレ―タに
帯鋼Ｓが異常であることを認識させるガイダンスを行な
うようになっている。

【００１２】又、ニュ―ロ計算機３は、認識した帯鋼Ｓ
の認識形状を前記フィ―ドバック制御手段としての制御
用コントローラ１０にプロセスＩ／Ｏ（ＰＩ／Ｏ）を介
してデジタル信号で伝送するようになっており、制御用
コントローラ１０は、この認識形状に基づいて、予め設
定された制御デ―タに基づくアクチュエ―タＡの制御量
を修正し、熱間仕上圧延機Ｍの動作をリアルタイムでい
わゆるフィ―ドバック制御するようになっている。つま
り、熱間仕上圧延機Ｍのレベリング制御をリアルタイム
でフィ―ドバック制御する。

【００１３】さらに、ニュ―ロ計算機３は、前記記憶手
段及びフィ―ドフォワ―ド制御手段としての制御用計算
機９が記憶する後述する圧延実績デ―タと圧延条件デー
タとを伝送回線で入力し、これらのデ―タに基づいて次
に形成される帯鋼Ｓの形状を予測し、この予測形状を制
御用計算機９に伝送回線で返送するようになっている。

【００１４】制御用計算機９は、返送された予測形状に
基づいて次に圧延する圧延材のベンダ―設定の設定値を
設定し、これを制御用コントロ―ラ１０に出力するよう
になっている。例えば、予測形状が、耳伸びや中伸びや
片延び等の発生により異常であれば、この異常が発生し
ないようにベンダ―設定の設定値を設定する。

【００１５】次に、このような制御を行なうニュ―ロ計
算機３を図２に基づいて説明する。図示するように、ニ
ュ―ロ計算機３には、形状信号処理装置２が出力するデ
ジタル信号を入力する特徴量計算部４が備えられている
。この特徴量計算部４は、入力したデジタル信号に基づ
いて少なくとも帯鋼Ｓの断面の左端、左１／４端、中央
、右１／４端、右端の５ケ所の画像信号を形成するよう
になっている。尚、より高精度を必要とするならば、そ
の他の点も含めるようにしても良い。又、この特徴量計
算部４は、入力したデジタル信号について帯鋼Ｓの幅方
向等の正規化処理も同時に行うようになっている。そし
て、特徴量計算部４は、形成した画像信号を前記認識手
段としての認識ニュ―ラルネット５に出力するようにな
っている。

【００１６】この認識ニュ―ラルネット５は、いわゆる
パーセプトロン型ニューラルネットであり、各ニューロ
ンの入出力特性がシグモイド型で、入力層、中間層、出
力層の３層構造となっている。認識ニュ―ラルネット５
に入力する画像信号が示す帯鋼Ｓの形状としては、図３
（ａ１），（ａ２）に示す正常、（ｂ１），（ｂ２）に
示す耳伸び、（ｃ１），（ｃ２）に示す中伸び、（ｄ１
），（ｄ２）に示す片伸び（片伸びは左右２種類）の最
低５種類の状態のいずれかであり、認識ニュ―ラルネッ
ト５は、入力した画像信号が示す帯鋼Ｓの形状が上記の
どの形状になっているか判断すると共にその状態の程度
を認識するようになっている。そして、認識ニュ―ラル
ネット５は、認識した帯鋼Ｓの認識形状を外部Ｉ／Ｆ６
を介して制御用コントロ―ラ１０に出力するようになっ
ている。これにより、制御用コントローラ１０は、前述
したようにこの認識形状に基づいて、熱間仕上圧延機Ｍ
のレベリング制御をリアルタイムでフィ―ドバック制御
するようになっている。

【００１７】又、ニュ―ロ計算機３には、外部との通信
（シリアル通信、パラレル通信）を行なうためのデータ
伝送装置としての外部インターフェース（Ｉ／Ｆ）６が
備えられており、さらに、ニュ―ロ計算機３には、この
外部Ｉ／Ｆ６を介して制御用計算機９に記憶されている
すでに形成された数本の帯鋼Ｓの圧延実績データ（入口
側及び出口側における帯鋼Ｓの幅、厚さ、温度、成分、
圧延順位、板クラウン、仕上圧延機最終スタンドロール
種類、圧延開始からの圧延本数等）と、次に圧延する圧
延材の圧延条件を示す圧延条件デ―タ（入口側及び出口
側における帯鋼Ｓの幅、厚さ、成分、粗圧延機出口温度
等）とを入力する前記予測手段としての予測ニュ―ラル
ネット８が備えられている。

【００１８】この予測ニュ―ラルネット８は、前記認識
ニュ―ラルネット５と同様のパーセプトロン型ニューラ
ルネットであり、入力した圧延実績デ―タ及び圧延条件
デ―タに基づいて認識ニューラルネット５が次に認識す
る帯鋼Ｓの認識形状を予測するようになっている。この
予測は、前記教師信号出力手段としての前処理部７が認
識ニューラルネット５の出力をサンプリング、平均化す
る等して形成した教師信号に従って行なわれるようにな
っている。つまり、予測ニュ―ラルネット８のニュ―ロ
ンは、前処理部７が出力する教師信号に従って学習しつ
つ動作し、認識ニューラルネット５が次に認識する帯鋼
Ｓの認識形状を予測する。そして、予測ニュ―ラルネッ
ト７は、予測した帯鋼Ｓの予測形状を制御用計算機９に
出力するようになっている。これにより、制御用計算機
９は、前述したように、入力した予測形状に基づいて次
に圧延する圧延材のベンダ―設定の設定値を設定し、こ
れを制御用コントロ―ラ１０に出力するようになってい
る。

【００１９】以下に、夫々のニュ―ラルネット５，８に
ついて説明する。夫々のニュ―ラルネット５，８は、教
師信号とネットワーク出力との誤差を最小化するように
各ニューロンの結合係数を修正していく方式である誤差
逆伝搬法（バックプロパゲーションモデル）を採用し、
かつ構成は３層構造としてある。具体的なニューロンの
入出力特性は、次式で示すシグモイド型である（θはし
きい値）。

【００２０】

【数１】

【００２１】次に、この誤差逆伝搬法のアルゴリズムに
ついて述べる。■入力層にある入力信号が入って来ると
、ニューラルネットのダイナミクスに従って入力層から
出力層に向かう信号伝送過程に伴う各ニューロンの状態
変化を順次計算する。■■の計算結果から得られる出力
層ｉ番目のニューロンの出力Ｏｉ　に対応する教師信号
をＴｉ　とすると、学習は出力Ｏｉ　と教師信号との２
乗誤差Ｅ

【００２２】

【数２】

【００２３】を極小化するようにネットワークの結合係
数を修正する。このとき、学習の方向は信号の伝搬とは
逆に出力層から入力層へと向かって進行する。尚、教師
信号としては耳伸び、中伸び、片伸びのケースで各々に
対応するニューロンに対し＋０．５、正常な状態では−
０．５とする。

【００２４】次に、入力層にいれる特徴量について述べ
る。帯鋼Ｓの形状を定量化するための定義は数多くあり
、例えば図４及び数３に示される急崚度ｋを計算するの
もその１手法である。この急崚度ｋは帯鋼Ｓの形状の波
高値の２倍値をＨ、波長をＰとすると、

【００２５】

【数３】

【００２６】で表される。

【００２７】これに対し、認識ニューラルネット５には
、このような定量的な信号を入力とするのではなく、図
３の（ａ１），（ｂ１），（ｃ１），（ｄ１）に示すよ
うな画像信号を入力させる。そして、認識ニュ―ラルネ
ット５の出力層には、耳伸び、中伸び、片伸びのパター
ンによって発火（出力＋０．５）するニューロンを配置
してある。前述したとおり、帯鋼Ｓの形状を示すデジタ
ル信号はスキャン処理により時系列的に採集されるので
、耳伸び、中伸び、片伸びを認識するには、時間的な差
分を取ることが有効であるので、認識ニュ―ラルネット
５には、特徴量計算部４が上述の画像信号ｘ、及びその
差分Δｘを入力するようになっている。

【００２８】

【数４】

【００２９】尚、認識ニュ―ラルネット５の出力層は、
耳伸び、中伸び、片伸び（左右）の４種に対して、夫々
の程度も含めて１６〜２０ニューロンで構成されている
。

【００３０】このように、認識ニュ―ラルネット５が認
識した帯鋼Ｓの認識形状に基づいて制御用コントローラ
１０がアクチュエ―タＡの制御量を修正し、熱間仕上圧
延機Ｍのレベリング制御をリアルタイムでフィ―ドバッ
ク制御する一方、同時に予測ニュ―ラルネット８が予測
した帯鋼Ｓの予測形状に基づいて制御用計算機９が次に
圧延する圧延材のベンダ―設定の設定値を設定し、これ
を制御用コントロ―ラ１０に出力するので、帯鋼Ｓの形
状が悪化した場合にはこれを改善するフィードバック制
御をリアルタイムで行なえ、同時に圧延実績を学習する
ことによって次に形成される帯鋼Ｓの形状を予測し、こ
れを圧延加工制御の初期設定に反映させることが可能と
なる。しかも上記のように誤差逆伝搬法によるニューラ
ルネットを採用することで、非線形な判別関数の実現と
予測誤差の最小化が達成され、高精度な制御が可能とな
るので、帯鋼Ｓ全般にわたり常に良好な形状が得られる
ようになる。

【００３１】

【発明の効果】本発明の帯鋼形状自動認識制御装置にあ
っては、認識手段が認識した帯鋼の形状に基づいてフィ
―ドバック制御手段が、熱間仕上圧延機のレベリング制
御をリアルタイムでフィ―ドバック制御すると共に、予
測手段が予測した次に形成される帯鋼の形状に基づいて
フィ―ドフォワ―ド制御手段が、次に圧延する圧延材の
ベンダ―設定の設定値を設定するので、帯鋼の形状が悪
化した場合にはこれを改善するフィードバック制御をリ
アルタイムで行なえ、同時に圧延実績を学習することに
よって次に形成される帯鋼の形状を予測し、これを圧延
加工制御の初期設定に反映させることが可能となる。し
かも誤差逆伝搬法によるニューラルネットを採用するこ
とで、非線形な判別関数の実現と予測誤差の最小化が達
成され、高精度な制御が可能となるので、帯鋼全般にわ
たり常に良好な形状が得られるようになる。

【図面の簡単な説明】

【図１】本発明の帯鋼形状自動認識制御装置の概略構成
図である。

【図２】図１に示すニュ―ロ計算機の構成の説明図であ
る。

【図３】圧延時の異常な帯鋼の形状の説明図である。

【図４】帯鋼の形状を定量化する参考図である。

【符号の説明】

Ｓ…帯鋼、１…形状計（形状測定手段）、２…形状信号
処理装置（形状測定手段）、３…ニューロ計算機、４…
特徴量計算部、５…認識ニューラルネット（認識手段）
、６…外部インターフェース、７…前処理部（教師信号
出力手段）、８…予測ニューラルネット（予測手段）、
９…制御用計算機（記憶手段、フィ―ドフォワ―ド制御
手段）、１０…制御用コントローラ（フィ―ドバック制
御手段）、１４…モニタ。

Claims (1)

【特許請求の範囲】
1. 【請求項１】　　熱間仕上圧延機の出口に配置され、該
   圧延機により圧延された帯鋼の形状を測定し、該形状を
   示す形状信号を出力する形状測定手段と、人間の脳神経
   回路網の機能を模擬したニューラルネットのうちの、各
   ニューロンの入出力特性がシグモイド型で、入力層、中
   間層、出力層の３層構造からなるパーセプトロン型ニュ
   ーラルネットで構成され、前記形状信号を入力層で入力
   すると共に前記形状を認識する認識手段と、すでに圧延
   された帯鋼の圧延実績デ―タと次に圧延される圧延材の
   圧延条件を示す圧延条件デ―タとを記憶する記憶手段と
   、前記認識手段が認識した前記形状に応じた教師信号を
   誤差逆伝搬法で出力する教師信号出力手段と、前記パー
   セプトロン型ニュ―ラルネットで構成され、前記教師信
   号に従い学習を行ないつつ前記記憶手段に記憶された前
   記圧延実績デ―タ及び圧延データに基づいて、前記認識
   手段が次に認識する帯鋼の形状を予測する予測手段と、
   前記認識手段が認識した前記形状に基づいて前記熱間仕
   上圧延機のレベリング制御をリアルタイムでフィ―ドバ
   ック制御するフィ―ドバック制御手段と、前記予測手段
   が予測した形状に基づいて次に圧延する圧延材のベンダ
   ー設定の設定値を設定するフィードフォワード制御手段
   とを備えたことを特徴とする帯鋼形状自動認識制御装置
   。