JPH08221379A - プロセス制御パラメ−タの学習方法 - Google Patents

Abstract

(57)【要約】 【目的】 測定器の誤差による設定計算誤差の低減。変
形抵抗学習エラ−の低減。圧延荷重推定精度の向上。圧
延成品精度の向上。 【構成】 実績値（測定値）を使用して学習更新するモ
デル誤差学習パラメ−タの学習ゲインを対象プロセスの
特性変化に追従できる最低限に小さいものとし、該学習
値パラメ−タをモデル誤差学習値格納ファイルに保存。
該学習パラメ−タと数学モデルから操業条件下における
真の測定値を予測計算し、その値と実績値との差を計算
し、その差を測定器の測定誤差として学習計算して測定
誤差学習値格納ファイルに保存。材料加工直前に行なう
設定計算時に、モデル誤差学習値と測定誤差学習値の両
者を使用して設定値を計算。モデル誤差学習値は材料毎
に学習更新し永続的に設定計算に使用。測定誤差学習値
は測定器の校正直後にリセットスタ−ト。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、コンピュ−タを用いる
製造プロセスの設定制御に関し、製造プロセスにおける
数学モデルを用いるプロセス条件の自動設定と該数学モ
デルの学習更新に関する。

【０００２】

【従来の技術】材料特性モデルの学習は、その学習計算
に必要となる実績値には測定誤差は無い事を大前提に、
同モデルでは表現できない複雑な操業条件変化に対する
誤差を吸収する事を目的に、測定器での測定結果を真値
とし、同一条件における材料特性モデルの推定（計算）
値との差を零ならしめる様な学習値を計算し、その学習
値と今までの累積学習値とを指数平滑して新たな累積学
習値として所定の学習テ−ブルに保存しておき、次に加
工される材料の材料特性を推定する時に材料特性モデル
の補正値として使われる。

【０００３】例えば、製鐵所の熱延工場における熱延仕
上スタンドのコンピュ−タによる圧延自動設定システム
においては、圧延スタンドに圧延材が噛み込む以前の設
定計算において圧延荷重を特定（算出）する場合、その
モデル式から計算された値をその学習値で補正して求め
る。

【０００４】この学習値は当該材（目下圧延しようとす
る材料；圧延対象材）の層別条件を判断して、該当する
学習テ−ブルから取り出してくる。

【０００５】これ以降、上記圧延荷重推定値に見合った
ミルストレッチを計算し、ミルストレッチの学習値であ
るゲ−ジメ−タエラ−学習値などから最終的に各仕上ス
タンド圧下位置を決定する。

【０００６】次に、当該圧延材の仕上スタンドでの圧延
後、圧延荷重測定器で測定された圧延荷重実績値を用い
て、この条件下におけるミルストレッチ推定誤差の学習
すなわちゲ−ジメ−タエラ−学習を行ない、続いて圧延
荷重の推定誤差の学習計算を行う。

【０００７】この学習は、圧延荷重測定器で測定された
圧延荷重実績値を同一圧延条件下におけるモデル式から
得られる圧延荷重計算値で除して求め、その値と過去の
圧延で既に学習されている学習値（以降、累積学習値）
とを学習ゲインで指数平滑することにより新たな累積学
習値を得る。

【０００８】そして、層別された学習テ−ブルに格納し
て保存し、次に加工される材料の材料特性を推定する時
に材料特性モデルの補正値として使われる。

【０００９】

【発明が解決しようとする課題】従来の学習計算は、そ
の学習計算に必要となる実績値には測定誤差が無い事を
大前提に、同モデルでは表現できない複雑な操業条件変
化に対する誤差の補正値を計算していた。

【００１０】しかし、測定器には必ず測定誤差が存在す
る。そして測定器によっては、その測定器に現れる誤差
の変動は大きく急峻で、かつ時間とともに不定に変化す
るため、一定期間毎に必ずキャリブレ−ション（零点調
整又は出力特性の修正）が必要となる。

【００１１】従って、このような、測定値に大きな誤差
を含み、かつその誤差が急峻で不定に発生するような場
合の材料特性モデル学習においては、本来の目的である
材料特性モデルそのものの誤差を吸収する材料特性モデ
ル学習機能だけでは、材料特性モデル学習値に測定誤差
の影響が含まれ異常値となってしまう。

【００１２】例えば、熱間圧延における圧延荷重学習を
行う際に使用する圧延荷重の測定器に例えばドリフト
（零点の変動）が発生して、真の圧延荷重に大きく急峻
なバイアスが加わり、かつそのバイアスが時間とともに
変化する様な場合、そのドリフトが圧延荷重実績値に含
まれてしまうため、従来方式の学習では本来のモデル誤
差にそのドリフトによる誤差が加わって学習されてしま
う。

【００１３】この結果、それまで数千本の圧延結果から
学習された信頼できる累積学習値が異常値となってしま
う。

【００１４】なお、測定器のキャリブレ−ションまでの
設定計算における圧延荷重予測では、真の圧延荷重を推
定するのではなく、測定器に現れるであろう荷重すなわ
ち、ドリフトを含んだ誤った圧延荷重を推定（計算）し
てやる必要があるため、上記の累積学習値がドリフト分
を含んだ異常値であってもこの時点では成品厚み精度の
悪化を招く事にはならない。

【００１５】この理由は、成品厚み精度向上のため、従
来から行われているもう一つの学習機能であるゲ−ジメ
−タエラ−学習にて補償されるからである。すなわち、
ゲ−ジメ−タエラ−学習では、異常実績荷重であって
も、それを正として成品厚み誤差補正学習値を計算する
ため、この時点の設定計算時の圧延荷重推定では荷重推
定値をドリフトによるバイアスが加わった荷重実績に合
致させれば、ドリフトによる成品厚み誤差発生をゲ−ジ
メ−タエラ−学習値が補償することになる。

【００１６】しかし、圧延荷重測定器はある周期でキャ
リブレ−ションして使用され、そのキャリブレ−ション
後は再び不定期にかつ上記学習した時点でのドリフト量
とは異なる不定なドリフト量が発生するため、この時点
における設定計算にキャリブレ−ション以前に学習され
た異常な累積学習値を使用して圧延荷重を特定（算出）
すると、実績圧延荷重とは大きく異なる圧延荷重を推定
（計算）してしまい、成品厚み精度を悪化させる結果と
なる。

【００１７】従って、本発明は測定器の大きく急峻な測
定誤差が当該学習値に悪影響を及ぼす問題を解決し、か
つ成品精度を補償するために、時間と共に不定に変化す
る測定器測定誤差の学習方法を提供する事を課題とす
る。

【００１８】

【課題を解決するための手段】製造プロセスのコンピュ
−タ制御システムに、所定の成品目標を狙って製造設備
の設定値を計算するための数学モデルを有し、製造設備
に材料が加工される以前に、該モデルで設定値を算出し
て設定し、加工後の実績値からその数学モデルの学習を
行い、その学習値を操業条件毎に層別した学習テ−ブル
に格納し、以後の材料に対する数学モデルの精度アップ
を図る、学習パラメ−タを用いるプロセス制御方法にお
いて、測定器から得られる実績値を使用して学習される
モデル誤差学習パラメ−タの、測定器の測定誤差に対す
る急峻な追随を押さえるために、モデル誤差学習ゲイン
を対象プロセスの特性変化に追従できる最低限の値にし
て実行させ、所定のモデル誤差学習値格納ファイルに保
存し、そのモデル誤差学習値と数学モデルから操業条件
下における真の測定値を予測計算し、その予測計算値と
測定器の測定誤差を含んでいる実績値との差を計算し、
その差を測定器の測定誤差として学習計算して所定の測
定器測定誤差学習値格納ファイルに保存し、材料が加工
される直前に行われる製造設備の設定計算時に、モデル
誤差学習値と測定器測定誤差学習値の両者を使用して該
設定値を計算し、モデル誤差学習値は、材料毎に上記学
習方式にて更新し、永続的に設定計算に使用し、測定器
測定誤差学習値はその測定器のキャリブレ−ションまで
は継続使用させ、キャリブレ−ション後はリセットスタ
ートさせる、事を特徴とする。

【００１９】

【作用】測定器に大きな誤差を含み、かつその誤差の変
動が急峻で不定に発生するような場合の材料特性モデル
学習においては、本来の目的である材料特性モデルその
ものの誤差を吸収する材料特性モデル学習機能の他に測
定器の測定誤差学習機能を新たに設けて、操業条件変化
に対するモデル誤差に測定器の測定誤差の影響が及ぶの
を最小に抑える。

【００２０】材料特性モデルの学習は、測定器での測定
結果を真値とし、同一条件における材料特性モデルの推
定（計算）値との差を零ならしめる様な学習値を計算
し、その学習値といままでの累積学習値とを指数平滑し
て新たな累積学習値として所定の学習テ−ブルに保存し
ておき、次に加工される材料特性を推定する時に材料特
性モデルの補正値として使う。但し、この時の学習ゲイ
ンは、加工される材料特性の操業条件変化に対する変動
は緩やかであるという原則に従って、測定器の測定誤差
に急峻に追随することのないように、プロセスの特性変
化に追随できる最低限の値、例えば０．０２とする。そ
して、この材料モデル学習値は材料特性モデルが変わる
事の無い限り、永続的に使用する。

【００２１】測定器測定誤差学習機能は、測定器で測定
した実績値と、同一条件において、上記材料特性モデル
の学習計算にて求めた累積学習値を使って材料特性モデ
ルから推定（計算）した値との差を、今回の材料加工に
おける測定器測定誤差学習値とし、その学習値といまま
での累積学習値とを指数平滑して新たな累積測定器測定
誤差学習値として次に加工される材料の材料特性を推定
する時に使える様に、所定の学習テ−ブルに格納してお
く。この時の学習ゲインは、測定器に現れる誤差の変動
は大きく急峻で、かつ時間とともに変化するという原則
に従って、測定器の測定誤差に急峻に追随するように、
例えば０．７程度とする。そして、この測定器測定誤差
学習値はその測定器のキャリブレ−ションまでは継続使
用させ、キャリブレ−ション後はリセットスタ−トさせ
る。すなわち初期値（例えば０）として、それから新た
に学習更新させる。

【００２２】このように、従来からの材料特性モデル学
習機能をそのまま踏襲しつつモデル学習ゲインを対象プ
ロセスの特性変化に追随できる最低限の値にして実行さ
せて測定器の測定誤差に急峻に追随することによる材料
特性モデル学習値の異常学習を防ぎ、一方で、本発明の
最も特徴とする測定器測定誤差学習機能により測定器の
測定誤差を速やかに吸収し、測定器のキャリブレ−ショ
ンまでの設定計算における材料特性予測では、この測定
器測定誤差学習値と材料特性モデル学習値にて、測定器
に現れるであろう値すなわち、誤差を含めた材料特性値
の推定（計算）精度を上げ、測定器のキャリブレ−ショ
ン後は、この測定器測定誤差学習値をリセットすること
により、キャリブレ−ション前の測定器測定誤差の影響
を断つことにより、目的とする材料の成品精度向上を実
現させる。

【００２３】図９に本発明の概念図を示す。図９の
（ａ）は材料の実績デ−タを基に行う材料特性モデル学
習と測定器測定誤差学習の概念を示し、図９の（ｂ）は
次に加工される材料の材料特性値計算の概念を示す。

【００２４】

【実施例】熱間圧延（製造プロセス）の圧延条件（製造
パラメ−タ）の計算と設定に関して、以下に説明する。
図１に圧延機の設定計算が実行される時の、圧延状態図
を示すが、図１の（ａ）に示すように、圧延材（材料）
６の頭部が粗圧延機３を抜けて、出側の温度計４にてそ
の温度が計測されると、統括制御コンピュ−タ１の中
で、圧延材６の仕上圧延機群５に対する圧延設定値を計
算するための設定計算プログラムが実行される。

【００２５】統括制御コンピュ−タ１の機能構成の概要
を図２に示し、設定計算プログラムに従った設定計算の
内容概略は、図３に示す。設定計算プログラムにより計
算された仕上圧延機群５に対する設定値例えば、各スタ
ンド圧下位置や圧延速度は、統括制御コンピュ−タ１か
ら伝送回路７（図１）を経て設定制御装置２に伝送さ
れ、そこから実際の設定が行われる。

【００２６】次に、図３を参照して設定計算を説明す
る。まず、出側の温度計４にて圧延材６の温度が計測さ
れたタイミングで、設定計算が起動され、図３に示すＦ
１１からＦ１７の機能を実行する。まず、Ｆ１１では、
当該材の目標厚みや含有成分などの初期デ−タを読込
み、Ｆ１２で各スタンド出側板厚を計算し、Ｆ１３で各
スタンドを通過する圧延材６（ストリップ）の温度予測
や圧延機速度を計算し、Ｆ１４で各スタンドを通過する
圧延材６の変形抵抗値を計算し、Ｆ１５にて各スタンド
圧延荷重を計算し、Ｆ１６にてスタンドミルストレッチ
（ミルの弾性変形量）を計算し、Ｆ１７で各スタンドＦ
１，Ｆ２，・・・（図１）の圧下位置を計算してその処
理を終える。

【００２７】この実施例では本発明は、上記設定計算の
各処理のうちＦ１５の、各スタンドの圧延荷重計算に実
施される。

【００２８】図５に各スタンドの変形抵抗計算の詳細を
示す。この処理は従来方式と何ら変わるところは無いが
以降の説明の理解を深める一助として付記する。すなわ
ちＦ３０で全仕上スタンドに対する当該圧延材６の変形
抵抗学習値を該当学習ファイルから取り出し、Ｆ３１か
らＦ３４のル−プで各スタンド変形抵抗を計算する。
尚、Ｆ３２で使用している変形抵抗（ＫＦＭｃａｌ）の
モデルは、美坂の変形抵抗式や志田の変形抵抗式を使用
する。

【００２９】図６に、各スタンドの圧延荷重計算の詳細
を示す。まず、Ｆ４０で全仕上スタンドに対する当該圧
延材６の測定誤差学習値を該当学習ファイルから取り出
し、Ｆ４２で各スタンド圧延荷重を計算する。全仕上ス
タンドに対する圧延荷重計算は、Ｆ４１からＦ４４のル
−プで行う。尚、Ｆ４２で使用している圧下力関数（Ｑ
Ｐ）のモデル式はＨＩＬＬなどによる圧下力関数式を使
用する。

【００３０】次に、圧延設定に用いた学習値の学習更新
を説明する。図１の（ｂ）に学習更新が実行される時の
圧延状態図を示すが、この図において、圧延材６の頭部
が仕上圧延機５を抜けて、実績圧延荷重や圧延材の温度
など、学習更新計算に必要なデ−タが計測されると、統
括制御コンピュ−タ１の中で、学習計算が実行される。
学習計算の概略を、図４に示す。学習計算により計算さ
れた学習値例えば、各スタンドにおける変形抵抗学習値
は、図２の補助記憶装置８に格納される。

【００３１】図４を参照して、学習計算の内容を説明す
る。学習更新が起動されると、図４のＦ２１からＦ２７
の機能を実行する。まず、Ｆ２１では、実績値などの妥
当性などをチェックし以降の処理を実施すべきかどうか
の判断を行い、妥当であれば、Ｆ２２で圧延材６の幅学
習を行い、Ｆ２３で各スタンドのゲ−ジメ−タ学習を行
い、Ｆ２４で圧延材６の温度学習を行い、Ｆ２５にて各
スタンド変形抵抗学習を行い、Ｆ２６にて測定器測定誤
差学習計算を行い、Ｆ２７にて各スタンド圧延トルク学
習を行って処理を終える。

【００３２】この実施例では本発明は、上記学習計算の
各処理のうちＦ２５の各スタンド変形抵抗学習計算およ
びＦ２６の各スタンド測定器測定誤差学習計算に実施さ
れる。

【００３３】図７に、変形抵抗学習処理の内容を示す。
まず、Ｆ５０で当該材の累積変形抵抗学習値を該当学習
ファイルから取り出し、Ｆ５１からＦ５６のル−プで当
該材の全仕上スタンドに対する変形抵抗学習計算を実行
する。Ｆ５２では実圧延条件下の変形抵抗を計算する。
Ｆ５３では変形抵抗実績値を計算する。Ｆ５４では当該
材の変形抵抗学習値を計算する。Ｆ５７では、上記学習
された変形抵抗学習値を該当する学習ファイルへ格納す
る。この図７に示す変形抵抗学習計算ロジックは、従来
から行われている方法と同様であるが、Ｆ５４で使用す
る変形抵抗学習ゲインを０．０２と、従来方式より１０
分の１程度に小さくし、圧延荷重実績値に含まれる測定
器の測定誤差による変形抵抗学習値への急峻な影響を少
なくしている点が、従来方式と異なる特徴である。

【００３４】図８に、測定器測定誤差学習処理の内容を
示す。まず、Ｆ６０で当該材の累積測定器測定誤差学習
値を該当学習ファイルから取り出し、Ｆ６１からＦ６６
のル−プで、当該材の全仕上スタンドに対する測定器測
定誤差学習計算を実行する。Ｆ６２では単位幅当たりの
圧延荷重をモデル式から計算する。Ｆ６３では実績圧延
荷重誤差を計算し、Ｆ６４では当該材の測定器測定誤差
学習値を計算する。Ｆ６７では上記学習計算された測定
器測定誤差学習値を該当する学習ファイルへ格納する。
この図８に示す測定器測定誤差学習計算ロジックは、従
来から行われている方法にはなく、本発明の最も特徴と
するところである。

【００３５】本方式により、例えば表１に示すように、
本発明を実施したことにより大幅な変形抵抗値推定精度
悪化を防止する事が可能となる。

【００３６】

【表１】

【００３７】表１は、圧延材頭部の目標成品厚に対する
実績厚みの誤差の±５０μｍ以内的中率とその標準偏差
を示す。これは変形抵抗の学習値が測定器の測定誤差に
悪影響される事なく圧延荷重推定精度が安定したため、
実績厚みの誤差の±５０μｍ以内的中率が向上した結果
である。尚、対象とする鋼種と成品サイズは以下のとお
りである： 鋼種：普通鋼 成品厚み：３．０mm≧成品厚み＜４．０mm 成品幅：成品幅＜１２５０mm。

【００３８】

【発明の効果】材料特性モデル学習値が、測定器の測定
誤差に急峻に追随することによる異常学習が抑制され、
測定器測定誤差学習機能により測定器の測定誤差が速や
かに吸収され、測定器のキャリブレ−ションまでの設定
計算における材料特性予測では、この測定器測定誤差学
習値と材料特性モデル学習値にて測定器に現れるであろ
う値すなわち、誤差を含めた材料特性値の推定（計算）
精度が向上し、測定器のキャリブレ−ション後は、この
測定器測定誤差学習値をリセットするので、キャリブレ
−ション前の測定器測定誤差の影響が遮断され、目的と
する材料の成品精度が向上する。

【図面の簡単な説明】

【図１】 本発明を一態様で実施する圧延プロセスを示
す側面図であり、（ａ）は圧延材６に関して、仕上スタ
ンドＦ１等の設定計算を開始する状態を示し、（ｂ）は
学習値の計算と更新を行なう状態を示す。

【図２】 図１に示す統括制御コンピュ−タ１の内部機
能を示すブロック図である。

【図３】 図１に示す統括制御コンピュ−タ１の設定計
算の概略を示すフロ−チャ−トである。

【図４】 図１に示す統括制御コンピュ−タ１の学習値
算出の概略を示すフロ−チャ−トである。

【図５】 図３に示す変形抵抗計算Ｆ１４の内容を示す
フロ−チャ−トである。

【図６】 図３に示す圧延荷重計算Ｆ１５の内容を示す
フロ−チャ−トである。

【図７】 図４に示す変形抵抗学習計算Ｆ２５の内容を
示すフロ−チャ−トである。

【図８】 図４に示す測定器測定誤差学習計算Ｆ２６の
内容を示すフロ−チャ−トである。

【図９】 本発明の概念を示すブロック図である。

【符号の説明】

１：統括制御コンピュ−タ ２：設定制
御装置 ３：粗圧延機 ４：温度計 ５：仕上圧延機群 ６：圧延材 ７：伝送回路 ８：補助記
憶装置

Claims (1)

【特許請求の範囲】
1. 【請求項１】 製造プロセスのコンピュ−タ制御システ
   ムに、所定の成品目標を狙って製造設備の設定値を計算
   するための数学モデルを有し、製造設備に材料が加工さ
   れる以前に、該モデルで設定値を算出して設定し、加工
   後の実績値からその数学モデルの学習を行い、その学習
   値を操業条件毎に層別した学習テ−ブルに格納し、以後
   の材料に対する数学モデルの精度アップを図る、学習パ
   ラメ−タを用いるプロセス制御方法において、 測定器から得られる実績値を使用して学習されるモデル
   誤差学習パラメ−タの、測定器の測定誤差に対する急峻
   な追随を押えるために、モデル誤差学習ゲインを対象プ
   ロセスの特性変化に追従できる最低限の値にして実行さ
   せ、所定のモデル誤差学習値格納フアイルに保存し、 そのモデル誤差学習値と数学モデルから操業条件下にお
   ける真の測定値を予測計算し、 その予測計算値と測定器の測定誤差を含んでいる実績値
   との差を計算し、その差を測定器の測定誤差として学習
   計算して所定の測定器測定誤差学習値格納フアイルに保
   存し、 材料が加工される直前に行われる製造設備の設定計算時
   に、モデル誤差学習値と測定器測定誤差学習値の両者を
   使用して該設定値を計算し、 モデル誤差学習値は、材料毎に上記学習方式にて更新
   し、永続的に設定計算に使用し、 測定器測定誤差学習値はその測定器のキャリブレ−ショ
   ンまでは継続使用させ、キャリブレ−ション後はリセッ
   トスタ−トさせる、事を特徴とする、プロセス制御パラ
   メ−タの学習方法。