JPH06198319A - 神経回路網モデルによる圧延機の形状制御法 - Google Patents
神経回路網モデルによる圧延機の形状制御法Info
- Publication number
- JPH06198319A JPH06198319A JP5001644A JP164493A JPH06198319A JP H06198319 A JPH06198319 A JP H06198319A JP 5001644 A JP5001644 A JP 5001644A JP 164493 A JP164493 A JP 164493A JP H06198319 A JPH06198319 A JP H06198319A
- Authority
- JP
- Japan
- Prior art keywords
- pattern
- shape
- network model
- basic
- patterns
- 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- Withdrawn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
Landscapes
- Control Of Metal Rolling (AREA)
Abstract
(57)【要約】
【目的】 圧延機で用いられる形状制御法において、あ
る形状パターンに対する最適な操作量との間には何らか
の関係を求めることを目的とする。 【構成】 予め幾つかの形状パターンを基本パターンに
分割し、基本パターン毎にそれら形状パターンに対する
最適な操作量の関係を神経回路網モデルに学習させてお
き、検出された形状パターンを基本パターンに分割し、
分割された基本パターン毎に対応する神経回路網モデル
を用いて、得られた形状パターンに対する操作量を決定
するものである。
る形状パターンに対する最適な操作量との間には何らか
の関係を求めることを目的とする。 【構成】 予め幾つかの形状パターンを基本パターンに
分割し、基本パターン毎にそれら形状パターンに対する
最適な操作量の関係を神経回路網モデルに学習させてお
き、検出された形状パターンを基本パターンに分割し、
分割された基本パターン毎に対応する神経回路網モデル
を用いて、得られた形状パターンに対する操作量を決定
するものである。
Description
【０００１】
【産業上の利用分野】本発明は、圧延機で用いられる形
状制御法に関するものである。
状制御法に関するものである。
【０００２】
【従来の技術】従来の圧延機、例えば、ＣＲ（Cluster
Roll）ミルにおいては、図５に示すように鋼板０１は、
供給側ロール０２から図中矢印で示すように一対のワー
クロール０４、中間ロール０５及びバックアップロール
０６の間を通板して巻取側ロール０３へ搬送される。
Roll）ミルにおいては、図５に示すように鋼板０１は、
供給側ロール０２から図中矢印で示すように一対のワー
クロール０４、中間ロール０５及びバックアップロール
０６の間を通板して巻取側ロール０３へ搬送される。
【０００３】バックアップロール０６は、図６（ａ）
（ｂ）に示すように、板幅方向に複数に分割された複数
のロール０６ａ，０６ｂ，０６ｃ，０６ｄ，０６ｅから
構成され、各ロール０６ａ〜０６ｅは軸に対して偏心し
て取り付けられている。この為、各ロール０６ａ〜０６
ｅのそれぞれ軸に対する回転角θを調整することによ
り、中間ロール０５に対する押し込み量ｙ1，ｙ2，
ｙ3，ｙ4，ｙ5を増減することができる。また、中間ロ
ール０５は、その軸端から板厚方向にベンダ力Ｆを作用
させることができるように構成されている。
（ｂ）に示すように、板幅方向に複数に分割された複数
のロール０６ａ，０６ｂ，０６ｃ，０６ｄ，０６ｅから
構成され、各ロール０６ａ〜０６ｅは軸に対して偏心し
て取り付けられている。この為、各ロール０６ａ〜０６
ｅのそれぞれ軸に対する回転角θを調整することによ
り、中間ロール０５に対する押し込み量ｙ1，ｙ2，
ｙ3，ｙ4，ｙ5を増減することができる。また、中間ロ
ール０５は、その軸端から板厚方向にベンダ力Ｆを作用
させることができるように構成されている。
【０００４】従って、各偏心ロール０６ａ〜０６ｅの回
転角及び中間ロール０５のベンダ力Ｆを操作量として制
御することにより、鋼板０１の形状を、目標形状パター
ンに近づけるようにしている。
転角及び中間ロール０５のベンダ力Ｆを操作量として制
御することにより、鋼板０１の形状を、目標形状パター
ンに近づけるようにしている。
【０００５】
【発明が解決しようとする課題】一般に、圧延機では、
板幅方向の任意の数点（サンプリング点）に形状検出器
を設けて、圧延後の鋼板の急峻度を測定し、板幅方向の
急峻度分布によって鋼板の形状パターンを表している。
板幅方向の任意の数点（サンプリング点）に形状検出器
を設けて、圧延後の鋼板の急峻度を測定し、板幅方向の
急峻度分布によって鋼板の形状パターンを表している。
【０００６】従来、急峻度分布を２，３，４次関数に近
似して、それらに対応した中間ロール０５のベンダ力Ｆ
及び各偏心ロール０６ａ〜０６ｅの回転角を操作量とし
て個別に独立して操作していたが、それらの対応が適切
ではなく、形状パターンによっては、誤った操作を指示
する虞があった。
似して、それらに対応した中間ロール０５のベンダ力Ｆ
及び各偏心ロール０６ａ〜０６ｅの回転角を操作量とし
て個別に独立して操作していたが、それらの対応が適切
ではなく、形状パターンによっては、誤った操作を指示
する虞があった。
【０００７】そこで、形状パターンから最適な操作量を
求める手段が要請されるが、ある形状パターンに対する
最適な操作量との間には何らかの関係があるとしても、
それは一般に複雑で、外乱も含めた正確なモデル式を構
築するのは困難である。仮に構築できたとしても逐次的
に計算を行う必要があるフィードバック制御では、即時
に計算結果として操作量が得られるほどの簡易モデルで
は、その推定制度が問題となる。
求める手段が要請されるが、ある形状パターンに対する
最適な操作量との間には何らかの関係があるとしても、
それは一般に複雑で、外乱も含めた正確なモデル式を構
築するのは困難である。仮に構築できたとしても逐次的
に計算を行う必要があるフィードバック制御では、即時
に計算結果として操作量が得られるほどの簡易モデルで
は、その推定制度が問題となる。
【０００８】本発明は、上記従来技術に鑑みてなされた
ものであり、学習機能を有する神経回路網モデルを利用
することにより、最適な操作量を決定する新たな制御法
を提供することを目的とする。
ものであり、学習機能を有する神経回路網モデルを利用
することにより、最適な操作量を決定する新たな制御法
を提供することを目的とする。
【０００９】
【課題を解決するための手段】上記課題点を解消するた
め、各操作端に対応して得られる形状パターンを基本パ
ターンとして予め幾つか用意しておき、形状パターンが
検出されると、操作端に基づく形状パターンに分割し、
それぞれに対応して最適な操作量を推定する。ここで操
作量推定法として、関数近似能力を有することで知られ
る神経回路網モデルを用いるものである。
め、各操作端に対応して得られる形状パターンを基本パ
ターンとして予め幾つか用意しておき、形状パターンが
検出されると、操作端に基づく形状パターンに分割し、
それぞれに対応して最適な操作量を推定する。ここで操
作量推定法として、関数近似能力を有することで知られ
る神経回路網モデルを用いるものである。
【００１０】
【作用】一般に、学習機能を有する神経回路網モデル
は、その入出力さえ与えれば、自己学習機能によって関
数近似能力を有することが知られているため、これを適
用することによって従来不可能であった形状パターンに
対する操作量の推定モデルを神経回路網モデルによって
構築することが可能となる。また、神経回路網モデルは
の演算時間は、逐次計算にも十分に耐えられるものであ
る。
は、その入出力さえ与えれば、自己学習機能によって関
数近似能力を有することが知られているため、これを適
用することによって従来不可能であった形状パターンに
対する操作量の推定モデルを神経回路網モデルによって
構築することが可能となる。また、神経回路網モデルは
の演算時間は、逐次計算にも十分に耐えられるものであ
る。
【００１１】例えば、神経回路網モデルには、形状パタ
ーンに対する操作量の対を多数与えるが、それら入出力
データの間には、具体的には、「中伸び形状の場合に
は、端部を押し込み、中央部は押し込まない」や「端伸
びの場合には、中央部を押し込み、端部を押し込まな
い」といった法則性が示されるはずである。
ーンに対する操作量の対を多数与えるが、それら入出力
データの間には、具体的には、「中伸び形状の場合に
は、端部を押し込み、中央部は押し込まない」や「端伸
びの場合には、中央部を押し込み、端部を押し込まな
い」といった法則性が示されるはずである。
【００１２】この入出力データを神経回路網モデルに学
習させることによって、学習後の神経回路網モデルにあ
る形状パターンを与えれば、最適な法則性に従た操作量
を出力する。つまり、中伸び形状を与えれば、端部の押
し込み量Δｕ（Δｕは任意）を出力すると共に中央部の
押し込み量０を出力する。従って、神経回路網モデルを
適用することにより、従来困難であった直接操作量を推
定するような、形状パターンに対する操作量推定モデル
を構築することができる。
習させることによって、学習後の神経回路網モデルにあ
る形状パターンを与えれば、最適な法則性に従た操作量
を出力する。つまり、中伸び形状を与えれば、端部の押
し込み量Δｕ（Δｕは任意）を出力すると共に中央部の
押し込み量０を出力する。従って、神経回路網モデルを
適用することにより、従来困難であった直接操作量を推
定するような、形状パターンに対する操作量推定モデル
を構築することができる。
【００１３】
【実施例】以下、本発明について、図面に示す実施例を
参照して詳細に説明する。図１に本発明の一実施例を示
す。先ず、パターン分割部１について説明する。パター
ン分割部１では、予め分割すべき基本パターンを定めて
おき、検出された形状パターンと基本パターンとを比較
することによってその基本パターンに対するマッチング
度を判定するものである。
参照して詳細に説明する。図１に本発明の一実施例を示
す。先ず、パターン分割部１について説明する。パター
ン分割部１では、予め分割すべき基本パターンを定めて
おき、検出された形状パターンと基本パターンとを比較
することによってその基本パターンに対するマッチング
度を判定するものである。
【００１４】ここで、形状パターンは、図３に示すよう
に、目標急峻度分布に対する実測した急峻度分布の偏差
分布として定義する。その理由は、圧延機では、圧延後
の形状を測定するために設けられた形状検出器によっ
て、板幅方向の任意の数点（以下、サンプリング点）の
急峻度が測定されるため、鋼板の形状は板幅方向の急峻
度分布によって表されるのが一般的であるためである。
に、目標急峻度分布に対する実測した急峻度分布の偏差
分布として定義する。その理由は、圧延機では、圧延後
の形状を測定するために設けられた形状検出器によっ
て、板幅方向の任意の数点（以下、サンプリング点）の
急峻度が測定されるため、鋼板の形状は板幅方向の急峻
度分布によって表されるのが一般的であるためである。
【００１５】そこで、このサンプリング数をチャンネル
数Ｃとして、チャンネル番号ｉにおける実測した急峻度
ψiとし、目標急峻度分布を同様にψi’とすると、形状
パターンｆは、次式のように、各チャンネルｃ毎の急峻
度分布偏差εi（＝ψi−ψi’）により求められる。 ｆ＝（ε1，ε2，…，εC） …（１）
数Ｃとして、チャンネル番号ｉにおける実測した急峻度
ψiとし、目標急峻度分布を同様にψi’とすると、形状
パターンｆは、次式のように、各チャンネルｃ毎の急峻
度分布偏差εi（＝ψi−ψi’）により求められる。 ｆ＝（ε1，ε2，…，εC） …（１）
【００１６】従って、形状パターンは、チャンネル数ｃ
に対応する目標急峻度分布からの急峻度偏差からなる特
徴量ベクトルである。一方、圧延機により得られる形状
パターンは、操作するアクチュエータの方向によって分
類することができる。例えば、ｆ1という形状パターン
では、アクチュエータ「ａ」のみを「＋」に動かし、ｆ
2という形状パターンでは、アクチュエータ「ｂ」を
「−」に且つアクチュエータ「ｂ」を「−」に動かすと
いったように分類できる。また、基本パターンは、例え
ば、図４（ａ）に示す端伸び、図４（ｂ）に示す中伸
び、図４（ｃ）に示すクォータ伸びの三つを定めること
ができる。
に対応する目標急峻度分布からの急峻度偏差からなる特
徴量ベクトルである。一方、圧延機により得られる形状
パターンは、操作するアクチュエータの方向によって分
類することができる。例えば、ｆ1という形状パターン
では、アクチュエータ「ａ」のみを「＋」に動かし、ｆ
2という形状パターンでは、アクチュエータ「ｂ」を
「−」に且つアクチュエータ「ｂ」を「−」に動かすと
いったように分類できる。また、基本パターンは、例え
ば、図４（ａ）に示す端伸び、図４（ｂ）に示す中伸
び、図４（ｃ）に示すクォータ伸びの三つを定めること
ができる。
【００１７】そこで、操作するアクチュエータとその方
向が同一な形状パターンで、予め定めた分類したい代表
的な幾つかの形状パターンを基本パターンとして定める
ことができる。即ち、基本パターンｐのサンプルデータ
数をｍpとし、基本パターンｐの特徴量ベクトルをｆpと
して次式を、
向が同一な形状パターンで、予め定めた分類したい代表
的な幾つかの形状パターンを基本パターンとして定める
ことができる。即ち、基本パターンｐのサンプルデータ
数をｍpとし、基本パターンｐの特徴量ベクトルをｆpと
して次式を、
【００１８】
【数１】 計算する。ここで、（ ）tは転置行列、ｆ0 pはｆj P
の平均、ＶPはｆj Pの共分散マトリックスを表す。ＶPを
固有空間分解して、固有値λk p（λk p≧λk+1 P）に対応
する固有ベクトルＶk pを得る（ｋ＝１，２…Ｃ）。各基
本パターン毎にｆ0 p，λk p，Ｖk pをテンプレートとして
保存しておく。
の平均、ＶPはｆj Pの共分散マトリックスを表す。ＶPを
固有空間分解して、固有値λk p（λk p≧λk+1 P）に対応
する固有ベクトルＶk pを得る（ｋ＝１，２…Ｃ）。各基
本パターン毎にｆ0 p，λk p，Ｖk pをテンプレートとして
保存しておく。
【００１９】認識すべき特徴量ベクトルをｆとする。ｆ
と基本パターンｐとの平均ｆ0 pとの差分ベクトルをｄP
＝ｆ−ｆ0 pとし、矯正距離ＤPを
と基本パターンｐとの平均ｆ0 pとの差分ベクトルをｄP
＝ｆ−ｆ0 pとし、矯正距離ＤPを
【数２】 で表す。
【００２０】（４）式は固有ベクトルＶk p方向成分の分
布のばらつき度（λk p）1/2に対して正規化することを
示している。しかし、今、基本パターンをＮ個としてＤ
Pが小さいものほど、基本パターンｐのマッチング度が
高いことになる。このＤPの値によって、そのパターン
である確率を判定することができる。
布のばらつき度（λk p）1/2に対して正規化することを
示している。しかし、今、基本パターンをＮ個としてＤ
Pが小さいものほど、基本パターンｐのマッチング度が
高いことになる。このＤPの値によって、そのパターン
である確率を判定することができる。
【００２１】例えば、図２において、形状パターンｆが
検出されたとする。全基本パターンに対してｆとＤPを
計算した結果、基本パターン“Ａ”，“Ｂ”に対するＤ
Pの値が他より特に小さかったとすると、形状パターン
ｆは基本パターン“Ａ”，“Ｂ”の複合パターンである
と判定することができる。よって、形状パターンｆを基
本パターン“Ａ”，“Ｂ”成分に対応するｆA，ｆBに分
割する。
検出されたとする。全基本パターンに対してｆとＤPを
計算した結果、基本パターン“Ａ”，“Ｂ”に対するＤ
Pの値が他より特に小さかったとすると、形状パターン
ｆは基本パターン“Ａ”，“Ｂ”の複合パターンである
と判定することができる。よって、形状パターンｆを基
本パターン“Ａ”，“Ｂ”成分に対応するｆA，ｆBに分
割する。
【００２２】次に、操作量決定部２について説明する。
神経回路網モデル（ニューラルネットワーク）は、非線
型な関数を近似できることが知られている。この点に着
目して基本パターンに対する操作量の関係を神経回路網
モデルによって求めておくことで、新たな形状パターン
における操作量を推定する。
神経回路網モデル（ニューラルネットワーク）は、非線
型な関数を近似できることが知られている。この点に着
目して基本パターンに対する操作量の関係を神経回路網
モデルによって求めておくことで、新たな形状パターン
における操作量を推定する。
【００２３】神経回路網モデルは、形状パターンを入力
して操作量を推定するものとする。今、形状パターン
は、Ｃ個のチャンネルの急峻度の集合として表されてお
り、同様に操作端の数がＬ個とすると、各基本パターン
毎に入力層Ｃ個、出力層Ｌ個のニューロンを持つ階層形
神経回路網モデルを構築する。但し、中間層のニューロ
ンは任意とする。
して操作量を推定するものとする。今、形状パターン
は、Ｃ個のチャンネルの急峻度の集合として表されてお
り、同様に操作端の数がＬ個とすると、各基本パターン
毎に入力層Ｃ個、出力層Ｌ個のニューロンを持つ階層形
神経回路網モデルを構築する。但し、中間層のニューロ
ンは任意とする。
【００２４】パターン分割部１で基本パターンのテンプ
レートを求める際に用いた形状パターンの各サンプルデ
ータをここでも用いる。基本パターンｐにおける操作量
を近似する神経回路網モデルｇpを構築する。ｐの各サ
ンプルデータに対する操作量の組を基本パターン毎に神
経回路網モデルに学習させてｇpを決定する。学習法
は、バックプロパゲーション( Back Propagation )法を
用いる。
レートを求める際に用いた形状パターンの各サンプルデ
ータをここでも用いる。基本パターンｐにおける操作量
を近似する神経回路網モデルｇpを構築する。ｐの各サ
ンプルデータに対する操作量の組を基本パターン毎に神
経回路網モデルに学習させてｇpを決定する。学習法
は、バックプロパゲーション( Back Propagation )法を
用いる。
【００２５】操作量の決定方法を図２を参照して説明す
る。図２において、パターン分割部１では形状パターン
ｆは基本パターン“Ａ”，“Ｂ”の複合パターンである
と判定されたため、操作量決定部２では、基本パターン
“Ａ”，“Ｂ”に対応する神経回路網モデルＮＮ
A（ｇA），ＮＮB（ｇB）にそれぞれ、ｆA，ｆBを入力す
ると、それぞれの基本パターンにおける操作量ｏA，ｏB
が求められる。よって、全体の操作量ｏは、操作量
ｏA，ｏBを複合することによって決定する。
る。図２において、パターン分割部１では形状パターン
ｆは基本パターン“Ａ”，“Ｂ”の複合パターンである
と判定されたため、操作量決定部２では、基本パターン
“Ａ”，“Ｂ”に対応する神経回路網モデルＮＮ
A（ｇA），ＮＮB（ｇB）にそれぞれ、ｆA，ｆBを入力す
ると、それぞれの基本パターンにおける操作量ｏA，ｏB
が求められる。よって、全体の操作量ｏは、操作量
ｏA，ｏBを複合することによって決定する。
【００２６】
【発明の効果】以上、実施例に基づいて具体的に説明し
たように、本発明は、検出された形状パターンがこれら
の基本パターンの複合した複雑な形状であっても、操作
量推定法として神経回路網モデルを用いるため、最適な
操作量を直接求めることができる。
たように、本発明は、検出された形状パターンがこれら
の基本パターンの複合した複雑な形状であっても、操作
量推定法として神経回路網モデルを用いるため、最適な
操作量を直接求めることができる。
【図１】本発明の一実施例を示す概念図である。
【図２】本発明の一実施例における神経回路網モデルを
示す説明図である。
示す説明図である。
【図３】チャンネル番号に対応する急峻度偏差を示すグ
ラフである。
ラフである。
【図４】図４（ａ）（ｂ）（ｃ）は、基本パターンの一
例を示すグラフである。
例を示すグラフである。
【図５】従来のＣＲミルの全体構成図である。
【図６】図６（ａ）（ｂ）は、従来のＣＲミルの断面
図、正面図である。
図、正面図である。
１ パターン分割部 ２ 操作量決定部 ０１ 鋼板 ０２ 供給側リール ０３ 巻取側リール ０４ ワークロール ０５ 中間ロール ０６ バックアップロール ０６ａ，ｂ，ｃ，ｄ，ｅ 分割バックアップロール
Claims (1)
- 【請求項１】 鋼板を圧延する方法において、予め幾つ
かの形状パターンを基本パターンに分割し、基本パター
ン毎にそれら形状パターンに対する最適な操作量の関係
を神経回路網モデルに学習させておき、検出された形状
パターンを基本パターンに分割し、分割された基本パタ
ーン毎に対応する神経回路網モデルを用いて、得られた
形状パターンに対する操作量を決定することを特徴とす
る圧延機の形状制御法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5001644A JPH06198319A (ja) | 1993-01-08 | 1993-01-08 | 神経回路網モデルによる圧延機の形状制御法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5001644A JPH06198319A (ja) | 1993-01-08 | 1993-01-08 | 神経回路網モデルによる圧延機の形状制御法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH06198319A true JPH06198319A (ja) | 1994-07-19 |
Family
ID=11507234
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP5001644A Withdrawn JPH06198319A (ja) | 1993-01-08 | 1993-01-08 | 神経回路網モデルによる圧延機の形状制御法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH06198319A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5680784A (en) * | 1994-03-11 | 1997-10-28 | Kawasaki Steel Corporation | Method of controlling form of strip in rolling mill |
| CN111983983A (zh) * | 2020-08-07 | 2020-11-24 | 东北大学 | 一种热轧钢板热处理板形智能控制方法及系统 |
-
1993
- 1993-01-08 JP JP5001644A patent/JPH06198319A/ja not_active Withdrawn
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5680784A (en) * | 1994-03-11 | 1997-10-28 | Kawasaki Steel Corporation | Method of controlling form of strip in rolling mill |
| CN111983983A (zh) * | 2020-08-07 | 2020-11-24 | 东北大学 | 一种热轧钢板热处理板形智能控制方法及系统 |
| CN111983983B (zh) * | 2020-08-07 | 2023-10-10 | 东北大学 | 一种热轧钢板热处理板形智能控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5673368A (en) | Method and device for conducting a process in a controlled system with at least one precomputed process parameter determined using a mathematical model having variable model parameters adjusted based on a network response of a neural network | |
| JPH05197401A (ja) | 制御方法及びその装置 | |
| KR100186903B1 (ko) | 압연기에 있어서의 형상제어방법 | |
| CN110516312B (zh) | 一种无弯辊中厚板末阶段板形锁定规程分配方法 | |
| CA2006491C (en) | Method of controlling plate flatness and device therefor | |
| JPH07191711A (ja) | 調節されるシステム内のプロセスに指令を与えるための方法および装置 | |
| JPH06198319A (ja) | 神経回路網モデルによる圧延機の形状制御法 | |
| EP1110635B1 (en) | Method and device for controlling flatness | |
| JPH09174128A (ja) | 圧延材の形状制御方法 | |
| Lendasse et al. | Vector quantization: a weighted version for time-series forecasting | |
| JPH038843B2 (ja) | ||
| JP2677964B2 (ja) | 圧延機の形状制御初期設定方法 | |
| JP2000263110A (ja) | 圧延制御モデル学習装置 | |
| Inzirillo et al. | An attention free long short-term memory for time series forecasting | |
| JPH06154829A (ja) | 板圧延における板厚・張力制御方法 | |
| Nishino et al. | An adaptive approach to improve the accuracy of a rolling load prediction model for a plate rolling process | |
| JPH06122009A (ja) | 圧延材の形状制御方法 | |
| JPH035010A (ja) | 圧延機の圧下スケジュール設定方法 | |
| JP2502239B2 (ja) | 圧延機の圧延工程スケジュ―ル設定方法 | |
| JPH0671316A (ja) | ストリップ圧延における形状制御方法 | |
| JP2685678B2 (ja) | 圧延スケジュールの決定方法 | |
| JPH0688059B2 (ja) | クラウン学習制御方法 | |
| US3600919A (en) | Process for automatic control of the hot rolling of metal flats | |
| Shigemori et al. | Plan view pattern control for steel plates using locally-weighted regression | |
| JP2000237811A (ja) | 熱間圧延機の板幅制御装置 |
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: 20000404 |