JPH04313410A - 帯鋼のプロフィール自動認識制御装置 - Google Patents
帯鋼のプロフィール自動認識制御装置Info
- Publication number
- JPH04313410A JPH04313410A JP3105167A JP10516791A JPH04313410A JP H04313410 A JPH04313410 A JP H04313410A JP 3105167 A JP3105167 A JP 3105167A JP 10516791 A JP10516791 A JP 10516791A JP H04313410 A JPH04313410 A JP H04313410A
- Authority
- JP
- Japan
- Prior art keywords
- profile
- data
- rolled
- rolling
- recognition
- 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.)
- Withdrawn
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 44
- 239000010959 steel Substances 0.000 title claims abstract description 44
- 238000005096 rolling process Methods 0.000 claims abstract description 27
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims abstract description 5
- 230000000903 blocking effect Effects 0.000 claims abstract description 3
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 11
- 239000000463 material Substances 0.000 claims description 7
- 210000004556 brain Anatomy 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 24
- 238000005098 hot rolling Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 8
- 238000013480 data collection Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000005484 gravity Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000006866 deterioration Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010304 firing Methods 0.000 description 2
- 229930091051 Arenine Natural products 0.000 description 1
- 101000582320 Homo sapiens Neurogenic differentiation factor 6 Proteins 0.000 description 1
- 102100030589 Neurogenic differentiation factor 6 Human genes 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
Landscapes
- Length Measuring Devices With Unspecified Measuring Means (AREA)
- Feedback Control In General (AREA)
- Length-Measuring Devices Using Wave Or Particle Radiation (AREA)
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。
め要約のデータは記録されません。
Description
【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）の仕上クラウン精度（プ
ロフィール）を向上させることができる帯鋼のプロフィ
ール自動認識制御装置に関する。
圧延中の帯鋼（ホットコイル）の仕上クラウン精度（プ
ロフィール）を向上させることができる帯鋼のプロフィ
ール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幅方向プロフィール
の制御としては、仕上圧延機で圧延される前に各ベンデ
ィング装置に初期設定を与えるベンダー設定があるが、
これらはかなり複雑を数式モデルで構成されている。ま
たプロフィールの認識としては、専用の高速計算機によ
る数値処理を用いた曲線近似で行われている。
の制御としては、仕上圧延機で圧延される前に各ベンデ
ィング装置に初期設定を与えるベンダー設定があるが、
これらはかなり複雑を数式モデルで構成されている。ま
たプロフィールの認識としては、専用の高速計算機によ
る数値処理を用いた曲線近似で行われている。
【０００３】これまでのクラウン認識制御の動向として
は、実績値を用いたフィードバック制御が用いられてお
り、例えば特開平１−４０１０８号公報に開示された「
熱間圧延ラインにおける板クラウン制御方法」では、出
側温度制御により結果的にクラウン制御を行う方式が示
されている。また特開平１−２２８６０５号「連続熱間
圧延機での板クラウン制御方法」，特開平１−２６６９
０９号「板材のクラウン・形状制御装置」では、厚み計
，形状計からの信号を取込む方式も示されている。
は、実績値を用いたフィードバック制御が用いられてお
り、例えば特開平１−４０１０８号公報に開示された「
熱間圧延ラインにおける板クラウン制御方法」では、出
側温度制御により結果的にクラウン制御を行う方式が示
されている。また特開平１−２２８６０５号「連続熱間
圧延機での板クラウン制御方法」，特開平１−２６６９
０９号「板材のクラウン・形状制御装置」では、厚み計
，形状計からの信号を取込む方式も示されている。
【０００４】しかしながら上記の制御では、プロフィー
ル全体形状を認識する方式ではなく、部分的に数式的な
処理によりクラウン形状の悪化を検出するため、処理計
算機にかかる負担が非常に大きく、高度な能力を持った
計算機が必要であった。またモデル演算部分に関する詳
細な記述もみられない。
ル全体形状を認識する方式ではなく、部分的に数式的な
処理によりクラウン形状の悪化を検出するため、処理計
算機にかかる負担が非常に大きく、高度な能力を持った
計算機が必要であった。またモデル演算部分に関する詳
細な記述もみられない。
【０００５】
【発明が解決しようとする課題】ところがこのような従
来制御の方式では、帯鋼の全体的な幅方向クラウンを認
識することや、非線型モデルと考えられるプロフィール
の予測を、安価なシステムで高速に行うことには限界が
あり、どうしても高価な高速処理計算機が必要であった
。
来制御の方式では、帯鋼の全体的な幅方向クラウンを認
識することや、非線型モデルと考えられるプロフィール
の予測を、安価なシステムで高速に行うことには限界が
あり、どうしても高価な高速処理計算機が必要であった
。
【０００６】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
型性を用いて帯鋼のプロフィールを精度よく認識して、
過去の圧延実績データと次に圧延される圧延材の圧延条
件とともに、ニューラルネットの非線型結合でパターン
化することで、次に圧延される帯鋼のプロフィールを予
測してこれを圧延加工制御の初期設定に反映させ、帯鋼
の仕上クラウン精度を向上させることができる。
るために成されたものであり、ニューラルネットの非線
型性を用いて帯鋼のプロフィールを精度よく認識して、
過去の圧延実績データと次に圧延される圧延材の圧延条
件とともに、ニューラルネットの非線型結合でパターン
化することで、次に圧延される帯鋼のプロフィールを予
測してこれを圧延加工制御の初期設定に反映させ、帯鋼
の仕上クラウン精度を向上させることができる。
【０００７】この時ニューラルネットでの認識手段とし
てネットワークの分割法や、２項分布重み付き移動平均
法，重心を用いたプロフィール波形矯正法（位置補正法
）を採用し、プロフィールの異常波形の認識率を大幅に
向上させた帯鋼のプロフィール自動認識制御装置を提供
することを目的とする。
てネットワークの分割法や、２項分布重み付き移動平均
法，重心を用いたプロフィール波形矯正法（位置補正法
）を採用し、プロフィールの異常波形の認識率を大幅に
向上させた帯鋼のプロフィール自動認識制御装置を提供
することを目的とする。
【０００８】
【課題を解決するための手段】前記目的を達成するため
に本発明は、熱間仕上圧延機の出口に設置され、該圧延
機により圧延された帯鋼のプロフィール形状をＸ線を用
いて測定し、該プロフィール形状をプロフィール信号と
して出力するプロフィール測定手段と、前記測定手段で
得られたプロフィール信号をディジタル数値に変換する
とともに、データのブロック化，フィルタリング・波形
矯正を行うデータ加工手段と、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、全プロフィール信号を入力層で入力する
ことによりそのプロフィールを認識する認識手段と、前
記認識手段が認識した前記プロフィールに応じた教師信
号を用いて誤差逆伝搬法で学習する学習手段と、既に圧
延された帯鋼の圧延実績データ，プロフィール認識結果
と、次に圧延される圧延材の圧延条件を示す圧延条件デ
ータとを記憶する記憶手段と、前記認識手段と記憶手段
のデータに基づいて、次に圧延する帯鋼のプロフィール
を予測する予測手段と、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
設定するプリセット制御手段とを備えたことを特徴とす
る。
に本発明は、熱間仕上圧延機の出口に設置され、該圧延
機により圧延された帯鋼のプロフィール形状をＸ線を用
いて測定し、該プロフィール形状をプロフィール信号と
して出力するプロフィール測定手段と、前記測定手段で
得られたプロフィール信号をディジタル数値に変換する
とともに、データのブロック化，フィルタリング・波形
矯正を行うデータ加工手段と、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、全プロフィール信号を入力層で入力する
ことによりそのプロフィールを認識する認識手段と、前
記認識手段が認識した前記プロフィールに応じた教師信
号を用いて誤差逆伝搬法で学習する学習手段と、既に圧
延された帯鋼の圧延実績データ，プロフィール認識結果
と、次に圧延される圧延材の圧延条件を示す圧延条件デ
ータとを記憶する記憶手段と、前記認識手段と記憶手段
のデータに基づいて、次に圧延する帯鋼のプロフィール
を予測する予測手段と、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
設定するプリセット制御手段とを備えたことを特徴とす
る。
【０００９】
【作用】上記のように構成された本発明の帯鋼プロフィ
ール自動認識制御装置は、以下のように作用する。
ール自動認識制御装置は、以下のように作用する。
【００１０】まずプロフィール測定手段は、熱間仕上圧
延機により圧延された帯鋼のプロフィールをＸ線厚み計
を圧延中の帯鋼の幅方向に走査させて測定し、専用のプ
ロセスコンピュータによりデータ収集する。
延機により圧延された帯鋼のプロフィールをＸ線厚み計
を圧延中の帯鋼の幅方向に走査させて測定し、専用のプ
ロセスコンピュータによりデータ収集する。
【００１１】そのデータを基に、データ加工手段は後述
の認識手段での認識精度をよくすることを目的としてデ
ータの前処理（加工）を行う。具体的には、データのフ
ィルタリング処理，位置補正処理，及び幅方向分割処理
である。
の認識手段での認識精度をよくすることを目的としてデ
ータの前処理（加工）を行う。具体的には、データのフ
ィルタリング処理，位置補正処理，及び幅方向分割処理
である。
【００１２】この結果を、認識手段では加工後のプロフ
ィールデータを入力層に入力することで、プロフィール
測定手段が測定した帯鋼のプロフィールを認識する。具
体的には、認識手段は帯鋼の幅方向におけるプロフィー
ル悪化であるハイスポット（左右），エッジスポット（
左右），エッジドロップ（左右），中凸，中凹みと正常
の９種類である。
ィールデータを入力層に入力することで、プロフィール
測定手段が測定した帯鋼のプロフィールを認識する。具
体的には、認識手段は帯鋼の幅方向におけるプロフィー
ル悪化であるハイスポット（左右），エッジスポット（
左右），エッジドロップ（左右），中凸，中凹みと正常
の９種類である。
【００１３】これらはそれぞれの教師信号を用いて、誤
差逆伝搬法による学習手段によって学習される。そして
認識手段は、認識した帯鋼のプロフィールを予測手段に
出力する。予測精度を向上させるには、悪化状況を程度
により複数に分割する方式も効果的である。
差逆伝搬法による学習手段によって学習される。そして
認識手段は、認識した帯鋼のプロフィールを予測手段に
出力する。予測精度を向上させるには、悪化状況を程度
により複数に分割する方式も効果的である。
【００１４】一方予測手段では、記憶手段に記憶されて
いる過去数本分の圧延実績データ，プロフィール認識結
果，及び圧延条件データと認識手段が認識した結果に基
づいて、次に圧延される帯鋼の形状を予測する。そして
予測手段は、予測した帯鋼のプロフィールをもとにプリ
セット制御手段に設定値を出力する。
いる過去数本分の圧延実績データ，プロフィール認識結
果，及び圧延条件データと認識手段が認識した結果に基
づいて、次に圧延される帯鋼の形状を予測する。そして
予測手段は、予測した帯鋼のプロフィールをもとにプリ
セット制御手段に設定値を出力する。
【００１５】プリセット制御手段は、予測手段が予測し
たプロフィール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。
たプロフィール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。
【００１６】このように帯鋼のプロフィールを高精度に
自動認識し、その形状が悪化した場合にはこれを改善す
る方向に次の圧延材のプリセット制御にフィードバック
する事が可能となる。
自動認識し、その形状が悪化した場合にはこれを改善す
る方向に次の圧延材のプリセット制御にフィードバック
する事が可能となる。
【００１７】
【実施例】以下に本発明の帯鋼プロフィール自動認識制
御装置を、図面に基づいて詳細に説明する。
御装置を、図面に基づいて詳細に説明する。
【００１８】図１は本発明の帯鋼プロフィール自動認識
制御装置のシステム構成図であり、図２は図１に示すニ
ューロ計算機の制御システム図である。また図３（ａ）
〜（ｆ）は圧延された帯鋼の幅方向のプロフィール（ク
ラウン）の説明図であり、図（ａ）が正常なケース、図
（ｂ）〜（ｆ）が異常なケースである。さらに図４〜図
６は、このプロフィールデータをニューラルネットの入
力層へ入力させる前のデータ加工処理概要を説明した図
であり、図４はニューラルネットを３分割してそれぞれ
のネットワーク（左端、中央、右端）の出力を合成し、
最終的なプロフィール認識結果を得る方法を示したネッ
トワーク分割部処理概要図であり、図５は図４の中のデ
ータ処理の部分で行っているフィルター処理を示し、図
６は重心を用いた位置補正処理を示す図面である。
制御装置のシステム構成図であり、図２は図１に示すニ
ューロ計算機の制御システム図である。また図３（ａ）
〜（ｆ）は圧延された帯鋼の幅方向のプロフィール（ク
ラウン）の説明図であり、図（ａ）が正常なケース、図
（ｂ）〜（ｆ）が異常なケースである。さらに図４〜図
６は、このプロフィールデータをニューラルネットの入
力層へ入力させる前のデータ加工処理概要を説明した図
であり、図４はニューラルネットを３分割してそれぞれ
のネットワーク（左端、中央、右端）の出力を合成し、
最終的なプロフィール認識結果を得る方法を示したネッ
トワーク分割部処理概要図であり、図５は図４の中のデ
ータ処理の部分で行っているフィルター処理を示し、図
６は重心を用いた位置補正処理を示す図面である。
【００１９】本発明の帯鋼プロフィール自動認識制御装
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のプロフィールを検
出する前記プロフィール測定手段としてのＸ線厚み計１
、及びプロフィールデータ収集装置２が備えられている
。Ｘ線厚み計１は圧延中の帯鋼を幅方向に走査して、そ
の厚みを測定しアナログ信号でプロフィールデータ収集
装置２に出力する。
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のプロフィールを検
出する前記プロフィール測定手段としてのＸ線厚み計１
、及びプロフィールデータ収集装置２が備えられている
。Ｘ線厚み計１は圧延中の帯鋼を幅方向に走査して、そ
の厚みを測定しアナログ信号でプロフィールデータ収集
装置２に出力する。
【００２０】プロフィールデータ収集装置２は、Ｘ線厚
み計１からのアナログ信号を一定時間周期にスキャン収
集して取込み、ニューロ計算機３に出力するようになっ
ている。つまりプロフィールデータ収集装置２は、Ｘ線
厚み計１からの信号をディジタル化するものである。
み計１からのアナログ信号を一定時間周期にスキャン収
集して取込み、ニューロ計算機３に出力するようになっ
ている。つまりプロフィールデータ収集装置２は、Ｘ線
厚み計１からの信号をディジタル化するものである。
【００２１】ニューロ計算機３はプロフィールデータ収
集装置２からプロフィールデータを受信するもので、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、入力したプロフィールデータに基づいて帯鋼のプ
ロフィールを認識し、いわゆる前記図３のハイスポット
（左右），中凸，中凹み，エッジスポット（左右），エ
ッジドロップ（左右）の発生を判断するようになってい
る。そしてニューロ計算機３は、それら波形の異常が発
生があった場合には、モニター１３にその旨の表示を行
ない、オペレータに帯鋼Ｓが異常であることを認識させ
るガイダンスを行うようになっている。
集装置２からプロフィールデータを受信するもので、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、入力したプロフィールデータに基づいて帯鋼のプ
ロフィールを認識し、いわゆる前記図３のハイスポット
（左右），中凸，中凹み，エッジスポット（左右），エ
ッジドロップ（左右）の発生を判断するようになってい
る。そしてニューロ計算機３は、それら波形の異常が発
生があった場合には、モニター１３にその旨の表示を行
ない、オペレータに帯鋼Ｓが異常であることを認識させ
るガイダンスを行うようになっている。
【００２２】またニューロ計算機３は、認識した帯鋼Ｓ
のプロフィールを出力ニューロンの発火程度を定量化し
て制御用計算機１１に伝送回線１４で送信し、次に圧延
される帯鋼へのフィードバック情報とする。
のプロフィールを出力ニューロンの発火程度を定量化し
て制御用計算機１１に伝送回線１４で送信し、次に圧延
される帯鋼へのフィードバック情報とする。
【００２３】制御用計算機１１は、ニューロ計算機３よ
り受信したプロフィール認識結果に過去数本のプロフィ
ール認識結果を加えてプロフィールの傾向を推測し、さ
らに次に圧延する帯鋼の圧延条件データを加味して次に
圧延される帯鋼のプロフィールを予測し、この異常が発
生しないようにベンダー設定の設定値に補正項として加
え、プリセット制御する。
り受信したプロフィール認識結果に過去数本のプロフィ
ール認識結果を加えてプロフィールの傾向を推測し、さ
らに次に圧延する帯鋼の圧延条件データを加味して次に
圧延される帯鋼のプロフィールを予測し、この異常が発
生しないようにベンダー設定の設定値に補正項として加
え、プリセット制御する。
【００２４】次にこのような制御を行うニューロ計算機
３の内部処理について、図２に基づいて説明する。
３の内部処理について、図２に基づいて説明する。
【００２５】図中で示すように、このニューロ計算機３
内にはプロフィールデータ収集装置２から受信したプロ
フィールデータを入力する特徴計算部４が備えられてい
る。この特徴計算部４は、入力したプロフィールデータ
のフィルタリング処理、位置補正処理を行い、認識精度
を向上させている。具体的には、フィルタリング処理で
は幅・厚み方向の正規化を行った後に、ノイズの多い原
波形に対して、図５に示すような２項分布重み付き移動
平均フィルターをかけて異常波形を崩さないようにノイ
ズの除去を行う。また、位置補正処理では、図６に示す
ようなデータの重心を用いて中心位置を矯正する処理を
行う。この結果はネットワーク分割部５に入力される。
内にはプロフィールデータ収集装置２から受信したプロ
フィールデータを入力する特徴計算部４が備えられてい
る。この特徴計算部４は、入力したプロフィールデータ
のフィルタリング処理、位置補正処理を行い、認識精度
を向上させている。具体的には、フィルタリング処理で
は幅・厚み方向の正規化を行った後に、ノイズの多い原
波形に対して、図５に示すような２項分布重み付き移動
平均フィルターをかけて異常波形を崩さないようにノイ
ズの除去を行う。また、位置補正処理では、図６に示す
ようなデータの重心を用いて中心位置を矯正する処理を
行う。この結果はネットワーク分割部５に入力される。
【００２６】ネットワーク分割部５では、上記特徴量計
算部４で計算されたテータを図４（左側）に示すように
、左端，中央，右端の３部分にデータを分割する。この
時境界部分での波形が不明確になることを防ぐため、境
界部分でのデータはラップさせて分割する。分割された
データは、プロフィール認識手段となる左端ネットワー
ク６，中央ネットワーク７，右端ネットワーク８へ出力
されるようになっている。
算部４で計算されたテータを図４（左側）に示すように
、左端，中央，右端の３部分にデータを分割する。この
時境界部分での波形が不明確になることを防ぐため、境
界部分でのデータはラップさせて分割する。分割された
データは、プロフィール認識手段となる左端ネットワー
ク６，中央ネットワーク７，右端ネットワーク８へ出力
されるようになっている。
【００２７】これら３種類のネットワーク６，７，８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。これに入力さ
れるプロフィールデータとしては、前述の図３（ａ）に
示す正常，（ｂ）に示すハイスポット，（ｃ）に示す中
凹み，（ｄ）に示す中凸，（ｅ）に示すエッジスポット
，（ｆ）に示すエッジドロップの最低６種類である。た
だし（ｂ），（ｅ），（ｆ）では左右における状態があ
る。この３ネットワークの出力は、最終的にプロフィー
ル波形を認識する特徴量合成部９に入力される。
、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。これに入力さ
れるプロフィールデータとしては、前述の図３（ａ）に
示す正常，（ｂ）に示すハイスポット，（ｃ）に示す中
凹み，（ｄ）に示す中凸，（ｅ）に示すエッジスポット
，（ｆ）に示すエッジドロップの最低６種類である。た
だし（ｂ），（ｅ），（ｆ）では左右における状態があ
る。この３ネットワークの出力は、最終的にプロフィー
ル波形を認識する特徴量合成部９に入力される。
【００２８】特徴量合成部９では、前述の３ネットワー
クの結果を入力し、それぞれの特徴を合成し最終的なプ
ロフィール波形の決定を行い、制御用計算機１１に出力
しプリセット制御を行う情報に使用される。
クの結果を入力し、それぞれの特徴を合成し最終的なプ
ロフィール波形の決定を行い、制御用計算機１１に出力
しプリセット制御を行う情報に使用される。
【００２９】以下に、各々のニューラルネット６，７，
８について説明する。
８について説明する。
【００３０】各々のニューラルネット６、７、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。具体的をニューロン
の入出力特性は、次数１で示すシグモイド型である（た
だしΘはしきい値）。
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。具体的をニューロン
の入出力特性は、次数１で示すシグモイド型である（た
だしΘはしきい値）。
【００３１】
【数１】
【００３２】次にこの誤差逆伝搬法のアルゴリズムにつ
いて述べる。
いて述べる。
【００３３】■ 入力層にある信号が入ってくると、
ニューラルネットのダイナミックスに従って入力層から
出力層に向かう信号伝送課程にともなう各ニューロンの
状態変化を順次計算する。
ニューラルネットのダイナミックスに従って入力層から
出力層に向かう信号伝送課程にともなう各ニューロンの
状態変化を順次計算する。
【００３４】■ ■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は
下記数２となる。
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は
下記数２となる。
【００３５】
【数２】
ただしＮｏ：出力層のニューロン数
【００３６】この数２のＥ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。この時学習の方向は、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
。そして教師信号としてはネットワーク単位以下とし、
それぞれに対応するニューロンを発火させることでその
状態であることを示す。
ークの結合係数を修正する。この時学習の方向は、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
。そして教師信号としてはネットワーク単位以下とし、
それぞれに対応するニューロンを発火させることでその
状態であることを示す。
【００３７】左端ネットワーク：ハイスポット（左），
エッジスポット（左），エッジドロップ（左），正常中
央ネットワーク：中凹み，中凸，ハイスポット（左右）
，正常 右端ネットワーク：ハイスポット（右），エッジスポッ
ト（右），エッジドロップ（右），正常
エッジスポット（左），エッジドロップ（左），正常中
央ネットワーク：中凹み，中凸，ハイスポット（左右）
，正常 右端ネットワーク：ハイスポット（右），エッジスポッ
ト（右），エッジドロップ（右），正常
【００３８】な
お当然のことではあるが、各ネットワークの出力層には
上記に対応するニューロンが配置されている。
お当然のことではあるが、各ネットワークの出力層には
上記に対応するニューロンが配置されている。
【００３９】このように前記の３種類のネットワーク６
，７，８によって認識した帯鋼Ｓのプロフィールと、過
去数本のプロフィール認識結果を加えてプロフィールの
傾向を推測し、さらに次に圧延する帯鋼の圧延条件デー
タを加味して、次に圧延される帯鋼のプロフィールの傾
向を予測し、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。
，７，８によって認識した帯鋼Ｓのプロフィールと、過
去数本のプロフィール認識結果を加えてプロフィールの
傾向を推測し、さらに次に圧延する帯鋼の圧延条件デー
タを加味して、次に圧延される帯鋼のプロフィールの傾
向を予測し、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。
【００４０】しかも上記のように誤差逆伝搬法ニューラ
ルネットを採用することで、非線型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。
ルネットを採用することで、非線型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。
【００４１】なおこの発明は、公知の帯鋼形状自動認識
制御装置と併用して用いると、帯鋼の長手方向と幅方向
の両面から高精度な認識制御が可能となる。
制御装置と併用して用いると、帯鋼の長手方向と幅方向
の両面から高精度な認識制御が可能となる。
【００４２】
【発明の効果】本発明のプロフィール自動認識制御装置
にあっては、認識手段が認識した帯鋼のプロフィール結
果と、記憶手段がもつ過去数本のプロフィール認識結果
と、次に圧延される帯鋼の圧延条件データに基づいて、
次に圧延される帯鋼のプロフィールを予測することで圧
延加工制御の初期設定に反映させることが可能となる。
にあっては、認識手段が認識した帯鋼のプロフィール結
果と、記憶手段がもつ過去数本のプロフィール認識結果
と、次に圧延される帯鋼の圧延条件データに基づいて、
次に圧延される帯鋼のプロフィールを予測することで圧
延加工制御の初期設定に反映させることが可能となる。
【００４３】しかもデータ加工手段で行ったネットワー
クの分割や、２項分布重み付き移動平均フィルター，重
心を用いた位置補正法等の有効なデータ加工処理により
、飛躍的な認識率の向上を実現した。
クの分割や、２項分布重み付き移動平均フィルター，重
心を用いた位置補正法等の有効なデータ加工処理により
、飛躍的な認識率の向上を実現した。
【００４４】さらに上記のように誤差逆伝搬法ニューラ
ルネットを採用することで、非線型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。
ルネットを採用することで、非線型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１】本発明の帯鋼プロフィール自動認識制御装置の
システム構成図である。
システム構成図である。
【図２】図１に示すニューロン計算機の制御システム図
である。
である。
【図３】圧延時のプロフィール波形の例を示す図面であ
る。
る。
【図４】ネットワーク分割処理の概要図である。
【図５】２項分布重みを用いたフィルター処理を示す図
面である。
面である。
【図６】重心を用いた位置補正処理を示す図面である。
Ｓ 帯鋼
１ Ｘ線厚み計
２ プロフィールデータ収集装置３ ニュ
ーロ計算機 ４ 特徴量計算部 ５ ネットワーク分割部 ６ 左端ネットワーク ７ 中央ネットワーク ８ 右端ネットワーク ９ 特徴量合成部 １０ 外部インターフェース １１ 制御用計算機 １２ 制御用コントローラ １３ モニター １４ 伝送回線
ーロ計算機 ４ 特徴量計算部 ５ ネットワーク分割部 ６ 左端ネットワーク ７ 中央ネットワーク ８ 右端ネットワーク ９ 特徴量合成部 １０ 外部インターフェース １１ 制御用計算機 １２ 制御用コントローラ １３ モニター １４ 伝送回線
Claims (1)
- 【請求項１】 熱間仕上圧延機の出口に設置され、該
圧延機により圧延された帯鋼のプロフィール形状をＸ線
を用いて測定し、該プロフィール形状をプロフィール信
号として出力するプロフィール測定手段と、前記測定手
段で得られたプロフィール信号をディジタル数値に変換
するとともに、データのブロック化，フィルタリング・
波形矯正を行うデータ加工手段と、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、全プロフィール信号を入力層で入力
することによりそのプロフィールを認識する認識手段と
、前記認識手段が認識した前記プロフィールに応じた教
師信号を用いて誤差逆伝搬法で学習する学習手段と、既
に圧延された帯鋼の圧延実績データ，プロフィール認識
結果と、次に圧延される圧延材の圧延条件を示す圧延条
件データとを記憶する記憶手段と、前記認識手段と記憶
手段のデータに基づいて、次に圧延する帯鋼のプロフィ
ールを予測する予測手段と、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
値を設定するプリセット制御手段とを備えたことを特徴
とする帯鋼のプロフィール自動認識制御装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3105167A JPH04313410A (ja) | 1991-04-11 | 1991-04-11 | 帯鋼のプロフィール自動認識制御装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3105167A JPH04313410A (ja) | 1991-04-11 | 1991-04-11 | 帯鋼のプロフィール自動認識制御装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH04313410A true JPH04313410A (ja) | 1992-11-05 |
Family
ID=14400131
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3105167A Withdrawn JPH04313410A (ja) | 1991-04-11 | 1991-04-11 | 帯鋼のプロフィール自動認識制御装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH04313410A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1995034388A1 (en) * | 1994-06-13 | 1995-12-21 | Davy Mckee (Poole) Limited | Strip profile control |
| CN100425361C (zh) * | 2006-11-22 | 2008-10-15 | 苏州有色金属加工研究院 | X射线凸度测量仪 |
-
1991
- 1991-04-11 JP JP3105167A patent/JPH04313410A/ja not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1995034388A1 (en) * | 1994-06-13 | 1995-12-21 | Davy Mckee (Poole) Limited | Strip profile control |
| CN100425361C (zh) * | 2006-11-22 | 2008-10-15 | 苏州有色金属加工研究院 | X射线凸度测量仪 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR100186903B1 (ko) | 압연기에 있어서의 형상제어방법 | |
| CN113102516B (zh) | 融合轧制机理和深度学习的热连轧带钢头部宽度预测方法 | |
| JP7070796B2 (ja) | 絞り発生予測システム | |
| CN115525033A (zh) | 一种基于ds证据理论的带钢板形调控方法 | |
| CN112115184A (zh) | 时间序列数据的检测方法、装置、计算机设备及存储介质 | |
| JPH04313410A (ja) | 帯鋼のプロフィール自動認識制御装置 | |
| JPH04127908A (ja) | 圧延機における形状制御方法および制御装置 | |
| US6807449B1 (en) | Method for controlling and pre-setting a steelworks or parts of a steelworks | |
| JPH08117827A (ja) | 圧延装置 | |
| JPH0392795A (ja) | 原子力発電プラントの診断方法 | |
| JPH07234988A (ja) | 異常診断装置 | |
| Nikula et al. | Prediction of mechanical stress in roller leveler based on vibration measurements and steel strip properties | |
| CN116662925A (zh) | 一种基于加权稀疏神经网络工业过程软测量方法 | |
| CN116304706A (zh) | 一种基于lstm模型匹配认知训练最适参数的方法 | |
| CN115982555A (zh) | 一种基于模糊信息粒化和动态神经网络的沉降预测方法 | |
| JPH04231106A (ja) | 帯鋼形状自動認識制御装置 | |
| CN110174409B (zh) | 一种基于实时检测结果的中厚板周期性缺陷控制方法 | |
| CN112767380B (zh) | 一种宽厚板端部形状预测方法 | |
| JP3579553B2 (ja) | 設備及び製品プロセス異常状態の診断方法及び診断装置 | |
| JP2646900B2 (ja) | タンデム圧延機のドラフトスケジュールの決定方法 | |
| JPH07246408A (ja) | 圧延機の形状制御初期設定方法 | |
| JP7115459B2 (ja) | 厚鋼板の圧延方法及び圧延装置 | |
| JPH07204718A (ja) | 圧延装置 | |
| JP3331191B2 (ja) | 圧延設備の形状制御装置および方法 | |
| JP3681283B2 (ja) | 圧延機のセットアップ装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 19980711 |