JPH08240587A - ニュ−ラルネットワ−クを用いた厚鋼板の材質予測方法 - Google Patents
ニュ−ラルネットワ−クを用いた厚鋼板の材質予測方法Info
- Publication number
- JPH08240587A JPH08240587A JP7044678A JP4467895A JPH08240587A JP H08240587 A JPH08240587 A JP H08240587A JP 7044678 A JP7044678 A JP 7044678A JP 4467895 A JP4467895 A JP 4467895A JP H08240587 A JPH08240587 A JP H08240587A
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- layers
- data
- learning
- condition
- 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- Withdrawn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
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
Abstract
(57)【要約】
【目的】 オンラインで容易に精度良く材質の予測を行
なう手法を提供する。 【構成】 鋼塊を再加熱後熱間圧延し、空冷ないしは加
速冷却を行うプロセスで厚板を製造する際に、鋼塊の成
分，鋼塊の元厚，再加熱条件，圧延条件，冷却条件およ
び熱処理条件を入力信号とし、材質を出力信号とする、
中間層を１層以上５層以下持ち、かつリンク荷重数が２
００以上１０００以下である階層型ニュ−ラルネットワ
−クを組み、材質を予測計算する。ニュ−ラルネットワ
−クに入力する教師デ−タをノ−マライズする際に、必
要に応じて0.0≦Ｉmin≦0.25〜0.75≦Ｉmax≦1.0の範囲
でノ−マライズすることにより、教師デ−タの範囲外ま
で外挿で予測する。ただしＩmin ；教師デ−タの最小
値、Ｉmax ；教師デ−タの最大値。
なう手法を提供する。 【構成】 鋼塊を再加熱後熱間圧延し、空冷ないしは加
速冷却を行うプロセスで厚板を製造する際に、鋼塊の成
分，鋼塊の元厚，再加熱条件，圧延条件，冷却条件およ
び熱処理条件を入力信号とし、材質を出力信号とする、
中間層を１層以上５層以下持ち、かつリンク荷重数が２
００以上１０００以下である階層型ニュ−ラルネットワ
−クを組み、材質を予測計算する。ニュ−ラルネットワ
−クに入力する教師デ−タをノ−マライズする際に、必
要に応じて0.0≦Ｉmin≦0.25〜0.75≦Ｉmax≦1.0の範囲
でノ−マライズすることにより、教師デ−タの範囲外ま
で外挿で予測する。ただしＩmin ；教師デ−タの最小
値、Ｉmax ；教師デ−タの最大値。
Description
【０００１】
【産業上の利用分野】本発明は、厚鋼板の製造および品
質管理に用いる厚鋼板の材質予測方法に関するものであ
る。
質管理に用いる厚鋼板の材質予測方法に関するものであ
る。
【０００２】
【従来技術】厚鋼板の材質をそのプロセスから推定する
ことは、品質管理および新製品開発の上で重要なことで
ある。その試みは、重回帰等で解析した簡単な線形方程
式で材質を推定する方法（例えばPickeringの式等)が一
般的であるが、入力項目が少なく、現状のプロセスを記
述できるものではない。また、精度および適用範囲に問
題があった。
ことは、品質管理および新製品開発の上で重要なことで
ある。その試みは、重回帰等で解析した簡単な線形方程
式で材質を推定する方法（例えばPickeringの式等)が一
般的であるが、入力項目が少なく、現状のプロセスを記
述できるものではない。また、精度および適用範囲に問
題があった。
【０００３】一方、製造過程で生じる冶金現象(再加熱
時のα→γ変態やγ粒成長，圧延時の再結晶や未再結
晶，冷却時の変態や析出等)を各々物理冶金現象に即し
て定式化し、それらを組み合わせて最終組織(フェライ
ト＋パ−ライト，ベイナイト等）の分率および形態を予
測し、さらにその予測された組織から材質を推定するこ
とが現在行われている。
時のα→γ変態やγ粒成長，圧延時の再結晶や未再結
晶，冷却時の変態や析出等)を各々物理冶金現象に即し
て定式化し、それらを組み合わせて最終組織(フェライ
ト＋パ−ライト，ベイナイト等）の分率および形態を予
測し、さらにその予測された組織から材質を推定するこ
とが現在行われている。
【０００４】特開平５−２７９７３７号公報，特開平５
−８７８０２号公報，特開平５−８７８０１号公報，特
開平５−８７８００号公報，特開平５−９３７２０号公
報，特開平５−２８７３４２号公報，特開平４−２９５
７号公報，特開平３−１３０３１８号公報，特開平４−
３６９００３号公報，特開平４−３６１１５８号公報お
よび特開平４−４９１１号公報は、いずれも上記思想の
もとに冶金現象を定式化しそれによって材質を推定する
システムを開示している。
−８７８０２号公報，特開平５−８７８０１号公報，特
開平５−８７８００号公報，特開平５−９３７２０号公
報，特開平５−２８７３４２号公報，特開平４−２９５
７号公報，特開平３−１３０３１８号公報，特開平４−
３６９００３号公報，特開平４−３６１１５８号公報お
よび特開平４−４９１１号公報は、いずれも上記思想の
もとに冶金現象を定式化しそれによって材質を推定する
システムを開示している。
【０００５】しかしこれらのシステムは計算量が膨大で
現状の計算機ではオンラインで材質を推定することは困
難であった。また、計算途中に物理的意味の明確でない
フィッティングパラメ−タがあり、それらを調整するの
に熟練を要するという問題があった。
現状の計算機ではオンラインで材質を推定することは困
難であった。また、計算途中に物理的意味の明確でない
フィッティングパラメ−タがあり、それらを調整するの
に熟練を要するという問題があった。
【０００６】一方、特開昭６２−２２０５７号公報に
は、熱延工程後面の複数位置において変態率を測定する
ことによってフェライト粒径を予測し材質を推定するシ
ステムを提示しているが、成分およびプロセスが多岐に
わたる厚板製造工程では、充分な予測精度を得ることが
困難であった。
は、熱延工程後面の複数位置において変態率を測定する
ことによってフェライト粒径を予測し材質を推定するシ
ステムを提示しているが、成分およびプロセスが多岐に
わたる厚板製造工程では、充分な予測精度を得ることが
困難であった。
【０００７】
【発明が解決しようとする課題】これら従来の予測方法
では、計算に時間がかかる，調整が容易でない，充分な
予測精度が得られない場合がある、等の欠点があった。
本発明は、調整が容易な高精度なオンライン材質予測を
行なうことを目的とする。
では、計算に時間がかかる，調整が容易でない，充分な
予測精度が得られない場合がある、等の欠点があった。
本発明は、調整が容易な高精度なオンライン材質予測を
行なうことを目的とする。
【０００８】
【課題を解決するための手段】本発明は、上記のような
従来法の欠点を排除しうる厚鋼板の材質予測方法を提供
するものであり、その要旨とするところは、(1) 鋼塊を
再加熱後熱間圧延し、空冷ないしは加速冷却を行い製造
した厚板の材質を予測する方法において、鋼塊の成分，
鋼塊の元厚，再加熱条件，圧延条件，冷却条件および熱
処理条件を入力信号（入力層）とし、中間層を１層以上
５層以下持ち、材質特性を出力信号（出力層）とし、か
つリンク荷重数が２００以上１０００以下であることを
特徴とする階層型方ニュ−ラルネットワ−クによる材質
予測方法であり、(2) ニュ−ラルネットワ−クに入力す
る教師デ−タをノ−マライズする際に、必要に応じて更
に、 0.0≦Ｉmin≦0.25〜0.75≦Ｉmax≦1.0 ただし、Ｉmin；教師デ−タの最小値， Ｉmax；教師デ−タの最大値、 の範囲でノ−マライズすることにより、教師デ−タの範
囲外まで外挿で予測する方法である。
従来法の欠点を排除しうる厚鋼板の材質予測方法を提供
するものであり、その要旨とするところは、(1) 鋼塊を
再加熱後熱間圧延し、空冷ないしは加速冷却を行い製造
した厚板の材質を予測する方法において、鋼塊の成分，
鋼塊の元厚，再加熱条件，圧延条件，冷却条件および熱
処理条件を入力信号（入力層）とし、中間層を１層以上
５層以下持ち、材質特性を出力信号（出力層）とし、か
つリンク荷重数が２００以上１０００以下であることを
特徴とする階層型方ニュ−ラルネットワ−クによる材質
予測方法であり、(2) ニュ−ラルネットワ−クに入力す
る教師デ−タをノ−マライズする際に、必要に応じて更
に、 0.0≦Ｉmin≦0.25〜0.75≦Ｉmax≦1.0 ただし、Ｉmin；教師デ−タの最小値， Ｉmax；教師デ−タの最大値、 の範囲でノ−マライズすることにより、教師デ−タの範
囲外まで外挿で予測する方法である。
【０００９】
【作用】以下に本発明について説明する。本発明の特徴
は、ニュ−ラルネットワ−クを用いて材質を予測する点
にある。ＰＤＰ理論（参考文献 J.L.McClelland and D.
E. Rumelhart, Exploration in Parallel Distributed
Processing. Cambridge,MA, MIT Press (1988). 等)に
基づいた階層型のニュ−ラルネットワ−クは、現在様々
な分野で広く活用されており、その原理については省略
する。
は、ニュ−ラルネットワ−クを用いて材質を予測する点
にある。ＰＤＰ理論（参考文献 J.L.McClelland and D.
E. Rumelhart, Exploration in Parallel Distributed
Processing. Cambridge,MA, MIT Press (1988). 等)に
基づいた階層型のニュ−ラルネットワ−クは、現在様々
な分野で広く活用されており、その原理については省略
する。
【００１０】ニュ−ラルネットワ−クの特徴は、一種の
ブラックボックスと見なせることである。ブラックボッ
クスの中身の物理的意味を考慮することは極めて困難で
あるが、どの様な手法よりも簡単に入力と出力の関係を
関係づけることが可能である。
ブラックボックスと見なせることである。ブラックボッ
クスの中身の物理的意味を考慮することは極めて困難で
あるが、どの様な手法よりも簡単に入力と出力の関係を
関係づけることが可能である。
【００１１】ある入力が与えられた時、特定の出力が得
られるように入出力デ−タを関係づけること、即ちニュ
−ラルネットワ−ク内のニュ−ロン間の結合係数（リン
ク荷重）を決定することを学習と呼び、学習を行うため
に予め与えておく入出力の参照デ−タを教師デ−タと呼
ぶ。学習は、教師出力デ−タとネットワ−クの計算出力
デ−タの差の２乗和を最小にすることを目的にしてお
り、リンク荷重を変化させて最適値を探すものである。
その手法としては、ニュ−トンの急降下法を学習規則に
適用したバックプロパゲ−ション法（誤差逆伝播法）
（参考文献 小畑秀文、幹康、ＣＡＩディジタル信号処
理 第７章 ニュ−ラルネット、コロナ社、P165-183(199
1). 等）、カルマンフィルタを学習規則に適用した拡張
カルマンフィルタ法（参考文献 村瀬治比古、小山修
平、拡張カルマンフィルタによる高速ニュ−ロンコンピ
ュ−ティング、大阪科学センタ−、P103-106(1991).
等)等があり、階層型ニュ−ラルネットワ−クの学習法
の研究は今も進められている。
られるように入出力デ−タを関係づけること、即ちニュ
−ラルネットワ−ク内のニュ−ロン間の結合係数（リン
ク荷重）を決定することを学習と呼び、学習を行うため
に予め与えておく入出力の参照デ−タを教師デ−タと呼
ぶ。学習は、教師出力デ−タとネットワ−クの計算出力
デ−タの差の２乗和を最小にすることを目的にしてお
り、リンク荷重を変化させて最適値を探すものである。
その手法としては、ニュ−トンの急降下法を学習規則に
適用したバックプロパゲ−ション法（誤差逆伝播法）
（参考文献 小畑秀文、幹康、ＣＡＩディジタル信号処
理 第７章 ニュ−ラルネット、コロナ社、P165-183(199
1). 等）、カルマンフィルタを学習規則に適用した拡張
カルマンフィルタ法（参考文献 村瀬治比古、小山修
平、拡張カルマンフィルタによる高速ニュ−ロンコンピ
ュ−ティング、大阪科学センタ−、P103-106(1991).
等)等があり、階層型ニュ−ラルネットワ−クの学習法
の研究は今も進められている。
【００１２】いずれの学習法においても、ニュ−ラルネ
ットワ−クのリンク荷重の数，教師デ−タのセット数，
学習回数（ニュ−ラルネットワ−クの計算精度に対応）
に応じて、それなりに時間を要するが、この学習を完了
した後のニュ−ラルネットワ−クにおける計算時間は極
めて短く、オンラインでの計算が可能である。
ットワ−クのリンク荷重の数，教師デ−タのセット数，
学習回数（ニュ−ラルネットワ−クの計算精度に対応）
に応じて、それなりに時間を要するが、この学習を完了
した後のニュ−ラルネットワ−クにおける計算時間は極
めて短く、オンラインでの計算が可能である。
【００１３】また、学習過程においてもマニュアルで調
整するような箇所もなく、欠落のない精度の良い教師デ
−タセットを用意できれば、容易に学習可能である。教
師デ−タに欠落のある場合および教師デ−タセットの精
度が悪い場合は、容易に学習が完了せず、また学習完了
したとしても計算精度が低いので注意を要する。
整するような箇所もなく、欠落のない精度の良い教師デ
−タセットを用意できれば、容易に学習可能である。教
師デ−タに欠落のある場合および教師デ−タセットの精
度が悪い場合は、容易に学習が完了せず、また学習完了
したとしても計算精度が低いので注意を要する。
【００１４】また、階層型ニュ−ラルネットワ−クで問
題を解く場合、最適なリンク荷重数および中間層の層数
は、入出力間の関係の複雑さに依存し、一般解は存在し
ない。 本発明は、鋼塊の成分，鋼塊の元厚，再加熱条
件，圧延条件，冷却条件，熱処理条件等の製造条件から
材質を予測するに最適な、階層型ニュ−ラルネットワ−
クの構造を提供するものである。入力信号を、鋼塊の成
分，鋼塊の元厚，再加熱条件，圧延条件，冷却条件，熱
処理条件とした理由は、これらの条件が材質に影響を及
ぼす因子であるからである。入力信号の具体的な内容と
しては、 鋼塊成分：Ｃ，Ｓi，Ｍn，Ｐ，Ｓ，Ｃu，Ｎi，Ｃr，Ｍ
o，Ｗ，Ｎb，Ｖ，Ｔi，Ａl，Ｚr，Ｎ，Ｂ，Ｒem 等の含
有量、 鋼塊の元厚：再加熱時の鋼塊厚さ（製品に至るまでの加
工度，圧延過程における鋼塊温度の低下率，内部の温度
分布を介して材質に影響を及ぼす）、 再加熱温度：加熱温度，加熱時間（炉が複数のゾ−ンに
分かれているのなら各々の設定温度と在炉時間，炉のエ
ネルギ−消費率〔電力，燃料消費率〕）、 圧延条件：圧延パススケジュ−ル（各パスの圧下率、圧
延温度、パス間時間）および各パスの圧延反力とトル
ク、ないしは簡易型として粗圧延噛込温度，仕上圧延噛
込温度，圧延終了温度，粗圧延圧下率、制御圧延圧下
率、 冷却条件：加速冷却を行う場合には、搬送時間，冷却開
始温度，テ−ブルスピ−ド，上下水量密度（複数ゾ−ン
に分かれている場合は、各ゾ−ンの水量密度），冷却停
止温度、 熱処理条件：クエンチ処理条件(温度)，ノルマ処理条件
(温度，時間)，テンパ−処理（温度，時間）、 等が考えられる。
題を解く場合、最適なリンク荷重数および中間層の層数
は、入出力間の関係の複雑さに依存し、一般解は存在し
ない。 本発明は、鋼塊の成分，鋼塊の元厚，再加熱条
件，圧延条件，冷却条件，熱処理条件等の製造条件から
材質を予測するに最適な、階層型ニュ−ラルネットワ−
クの構造を提供するものである。入力信号を、鋼塊の成
分，鋼塊の元厚，再加熱条件，圧延条件，冷却条件，熱
処理条件とした理由は、これらの条件が材質に影響を及
ぼす因子であるからである。入力信号の具体的な内容と
しては、 鋼塊成分：Ｃ，Ｓi，Ｍn，Ｐ，Ｓ，Ｃu，Ｎi，Ｃr，Ｍ
o，Ｗ，Ｎb，Ｖ，Ｔi，Ａl，Ｚr，Ｎ，Ｂ，Ｒem 等の含
有量、 鋼塊の元厚：再加熱時の鋼塊厚さ（製品に至るまでの加
工度，圧延過程における鋼塊温度の低下率，内部の温度
分布を介して材質に影響を及ぼす）、 再加熱温度：加熱温度，加熱時間（炉が複数のゾ−ンに
分かれているのなら各々の設定温度と在炉時間，炉のエ
ネルギ−消費率〔電力，燃料消費率〕）、 圧延条件：圧延パススケジュ−ル（各パスの圧下率、圧
延温度、パス間時間）および各パスの圧延反力とトル
ク、ないしは簡易型として粗圧延噛込温度，仕上圧延噛
込温度，圧延終了温度，粗圧延圧下率、制御圧延圧下
率、 冷却条件：加速冷却を行う場合には、搬送時間，冷却開
始温度，テ−ブルスピ−ド，上下水量密度（複数ゾ−ン
に分かれている場合は、各ゾ−ンの水量密度），冷却停
止温度、 熱処理条件：クエンチ処理条件(温度)，ノルマ処理条件
(温度，時間)，テンパ−処理（温度，時間）、 等が考えられる。
【００１５】入力因子の数（入力層のニュ−ロン数）は
できるだけ多い方が汎用性および精度の面で良く、２０
の入力因子数が望ましい。しかし学習時に要する時間お
よびメモリ−容量が増大するので、定数となる項目は削
除する（例えば、一定再加熱条件で操業している場合に
は、再加熱の項目を削除）。
できるだけ多い方が汎用性および精度の面で良く、２０
の入力因子数が望ましい。しかし学習時に要する時間お
よびメモリ−容量が増大するので、定数となる項目は削
除する（例えば、一定再加熱条件で操業している場合に
は、再加熱の項目を削除）。
【００１６】出力信号の材質としては、耐力，引張強
度，一様伸び，全伸び，絞り，吸収エネルギ−，破面遷
位温度等が考えられる。
度，一様伸び，全伸び，絞り，吸収エネルギ−，破面遷
位温度等が考えられる。
【００１７】本発明では、上記の鋼塊成分，鋼塊の元
厚，再加熱温度，圧延条件，冷却条件，熱処理条件等の
デ−タを、学習済ニュ−ラルネットワ−クの入力層に入
力することにより、出力層に、耐力，強度，一様伸び，
全伸び，絞り，吸収エネルギ−，破面遷移温度等の推定
値が出力される。
厚，再加熱温度，圧延条件，冷却条件，熱処理条件等の
デ−タを、学習済ニュ−ラルネットワ−クの入力層に入
力することにより、出力層に、耐力，強度，一様伸び，
全伸び，絞り，吸収エネルギ−，破面遷移温度等の推定
値が出力される。
【００１８】ニュ−ラルネットワ−クの型を階層型に限
定したのは、階層型の研究が進んでおり一般的であるか
らである。本発明はこの階層型ニュ−ラルネットワ−ク
を用いた場合のものであるが、相互結合型ニュ−ラルネ
ットワ−クにおいても材質を予測することは可能であ
る。
定したのは、階層型の研究が進んでおり一般的であるか
らである。本発明はこの階層型ニュ−ラルネットワ−ク
を用いた場合のものであるが、相互結合型ニュ−ラルネ
ットワ−クにおいても材質を予測することは可能であ
る。
【００１９】学習の方法は特に限定はしないが、バック
プロパゲ−ション法，カルマンフィルタ法等が考えられ
る。
プロパゲ−ション法，カルマンフィルタ法等が考えられ
る。
【００２０】中間層を１層以上５層以下に限定した理由
は、中間層を持たないニュ−ラルネットでは充分な精度
が得られず、一方、６層以上の階層では学習時に必要と
するメモリ−容量が大きくなって現実的でないからであ
る。また中間層を３層にした場合と４層および５層にし
た場合を比べてみると、計算精度に飽和が見られるた
め、中間層は３層ないしは２層が最適である（図１を参
照）。また、各中間層のニュ−ロンの数は特に限定はし
ないが、前層の１／２以上の数が望ましい。
は、中間層を持たないニュ−ラルネットでは充分な精度
が得られず、一方、６層以上の階層では学習時に必要と
するメモリ−容量が大きくなって現実的でないからであ
る。また中間層を３層にした場合と４層および５層にし
た場合を比べてみると、計算精度に飽和が見られるた
め、中間層は３層ないしは２層が最適である（図１を参
照）。また、各中間層のニュ−ロンの数は特に限定はし
ないが、前層の１／２以上の数が望ましい。
【００２１】リンク荷重数は、入力層のニュ−ロン数×
第１中間層のニュ−ロン数＋第１中間層のニュ−ロン数
×第２中間層のニュ−ロン数＋・・・＋第Ｎ中間層のニ
ュ−ロン数×出力層のニュ−ロン数で定義されるが、２
００未満では充分な精度が得られない。また多ければ多
いほど精度は向上するが、学習時に必要とする時間およ
びメモリ−容量が大きくなって現実的でないので上限を
１０００とする。
第１中間層のニュ−ロン数＋第１中間層のニュ−ロン数
×第２中間層のニュ−ロン数＋・・・＋第Ｎ中間層のニ
ュ−ロン数×出力層のニュ−ロン数で定義されるが、２
００未満では充分な精度が得られない。また多ければ多
いほど精度は向上するが、学習時に必要とする時間およ
びメモリ−容量が大きくなって現実的でないので上限を
１０００とする。
【００２２】ニュ−ラルネットワ−クに入力する教師デ
−タは、一般にノ−マライズした型で与えられる。即
ち、教師デ−タの実値ＴN（例えば炭素濃度等）の最小
値Ｔmin、最大値Ｉmaxを用いて、（１）式により教師デ
−タＩNを 0≦ＩN≦１ の範囲に個々の因子毎に割り当
てている。
−タは、一般にノ−マライズした型で与えられる。即
ち、教師デ−タの実値ＴN（例えば炭素濃度等）の最小
値Ｔmin、最大値Ｉmaxを用いて、（１）式により教師デ
−タＩNを 0≦ＩN≦１ の範囲に個々の因子毎に割り当
てている。
【００２３】 ＩN＝（ＴN−Ｔmin）／（Ｔmax−Ｔmin） ・・・（１） しかしこの場合、教師デ−タの最大値，最小値間にある
内挿の推定は精度よく行えるものの、最大値，最小値を
はずれる外挿で精度が低下する。これを避けるには、必
要に応じて、0.0≦Ｉmin≦0.25〜0.75≦Ｉmax≦1.0の範
囲でノ−マライズすることが有効である（（２）式を参
照）。
内挿の推定は精度よく行えるものの、最大値，最小値を
はずれる外挿で精度が低下する。これを避けるには、必
要に応じて、0.0≦Ｉmin≦0.25〜0.75≦Ｉmax≦1.0の範
囲でノ−マライズすることが有効である（（２）式を参
照）。
【００２４】 ＩN'＝ＩN×（Ｉmax−Ｉmin）＋Ｉmin ・・・（２） ただし、ノ−マライズの範囲（Ｉmax−Ｉmin）を0.5以
下にすると、学習による誤差の収束が悪くなり、全体の
精度が低下するので、Ｉminの最大値を0.25、Ｉmaxの最
小値を0.75とすることが望ましい。
下にすると、学習による誤差の収束が悪くなり、全体の
精度が低下するので、Ｉminの最大値を0.25、Ｉmaxの最
小値を0.75とすることが望ましい。
【００２５】教師デ−タセット数が多ければ多いほど精
度は向上するが、学習に要する時間が長くなる。一方、
少ないと、充分な精度を得ることができない。入力項目
数の１０〜２０倍程度の教師デ−タセット数が適当であ
る。また、教師デ−タの種類に偏りがある場合には、精
度が低下することがあるが、偏りを少なくすることによ
って精度向上が可能である（例えば、Ｃを変化させたデ
−タは多数あるが、Ｓiを変化させたデ−タが少ないよ
うな場合には、Ｓiの影響を正しく見積らないことがあ
る。このような場合にはＳiを変化させたデ−タを追加
し、学習しなおせば精度は向上する）。
度は向上するが、学習に要する時間が長くなる。一方、
少ないと、充分な精度を得ることができない。入力項目
数の１０〜２０倍程度の教師デ−タセット数が適当であ
る。また、教師デ−タの種類に偏りがある場合には、精
度が低下することがあるが、偏りを少なくすることによ
って精度向上が可能である（例えば、Ｃを変化させたデ
−タは多数あるが、Ｓiを変化させたデ−タが少ないよ
うな場合には、Ｓiの影響を正しく見積らないことがあ
る。このような場合にはＳiを変化させたデ−タを追加
し、学習しなおせば精度は向上する）。
【００２６】
【００２７】
【表１】
【００２８】表１は、下記の表２〜表７のデ−タを、上
記表１中に示す配列とすることにより完成するものであ
る。以下の説明で「表１」は、このように表２〜表７の
デ−タを配列して現われる１つの表を意味するものとす
る。
記表１中に示す配列とすることにより完成するものであ
る。以下の説明で「表１」は、このように表２〜表７の
デ−タを配列して現われる１つの表を意味するものとす
る。
【００２９】
【表２】
【００３０】
【表３】
【００３１】
【表４】
【００３２】
【表５】
【００３３】
【表６】
【００３４】
【表７】
【００３５】
【表８】
【００３６】表８は、下記の表９〜表１４のデ−タを、
上記表８中に示す配列とすることにより完成するもので
ある。以下の説明で「表８」は、このように表９〜表１
４のデ−タを配列して現われる１つの表を意味するもの
とする。
上記表８中に示す配列とすることにより完成するもので
ある。以下の説明で「表８」は、このように表９〜表１
４のデ−タを配列して現われる１つの表を意味するもの
とする。
【００３７】
【表９】
【００３８】
【表１０】
【００３９】
【表１１】
【００４０】
【表１２】
【００４１】
【表１３】
【００４２】
【表１４】
【００４３】
【表１５】
【００４４】表１５は、下記の表１６〜表２１のデ−タ
を、上記表１５中に示す配列とすることにより完成する
ものである。以下の説明で「表１５」は、このように表
１６〜表２１のデ−タを配列して現われる１つの表を意
味するものとする。
を、上記表１５中に示す配列とすることにより完成する
ものである。以下の説明で「表１５」は、このように表
１６〜表２１のデ−タを配列して現われる１つの表を意
味するものとする。
【００４５】
【表１６】
【００４６】
【表１７】
【００４７】
【表１８】
【００４８】
【表１９】
【００４９】
【表２０】
【００５０】
【表２１】
【００５１】
【表２２】
【００５２】表２２は、下記の表２３〜表２８のデ−タ
を、上記表２２中に示す配列とすることにより完成する
ものである。以下の説明で「表２２」は、このように表
２３〜表２８のデ−タを配列して現われる１つの表を意
味するものとする。
を、上記表２２中に示す配列とすることにより完成する
ものである。以下の説明で「表２２」は、このように表
２３〜表２８のデ−タを配列して現われる１つの表を意
味するものとする。
【００５３】
【表２３】
【００５４】
【表２４】
【００５５】
【表２５】
【００５６】
【表２６】
【００５７】
【表２７】
【００５８】
【表２８】
【００５９】
【表２９】
【００６０】表２９は、下記の表３０〜表３５のデ−タ
を、上記表２９中に示す配列とすることにより完成する
ものである。以下の説明で「表２９」は、このように表
３０〜表３５のデ−タを配列して現われる１つの表を意
味するものとする。
を、上記表２９中に示す配列とすることにより完成する
ものである。以下の説明で「表２９」は、このように表
３０〜表３５のデ−タを配列して現われる１つの表を意
味するものとする。
【００６１】
【表３０】
【００６２】
【表３１】
【００６３】
【表３２】
【００６４】
【表３３】
【００６５】
【表３４】
【００６６】
【表３５】
【００６７】
【表３６】
【００６８】表３６は、下記の表３７〜表４２のデ−タ
を、上記表３６中に示す配列とすることにより完成する
ものである。以下の説明で「表３６」は、このように表
３７〜表４２のデ−タを配列して現われる１つの表を意
味するものとする。
を、上記表３６中に示す配列とすることにより完成する
ものである。以下の説明で「表３６」は、このように表
３７〜表４２のデ−タを配列して現われる１つの表を意
味するものとする。
【００６９】
【表３７】
【００７０】
【表３８】
【００７１】
【表３９】
【００７２】
【表４０】
【００７３】
【表４１】
【００７４】
【表４２】
【００７５】
【表４３】
【００７６】表４３は、下記の表４４〜表４９のデ−タ
を、上記表４３中に示す配列とすることにより完成する
ものである。以下の説明で「表４３」は、このように表
４４〜表４９のデ−タを配列して現われる１つの表を意
味するものとする。
を、上記表４３中に示す配列とすることにより完成する
ものである。以下の説明で「表４３」は、このように表
４４〜表４９のデ−タを配列して現われる１つの表を意
味するものとする。
【００７７】
【表４４】
【００７８】
【表４５】
【００７９】
【表４６】
【００８０】
【表４７】
【００８１】
【表４８】
【００８２】
【表４９】
【００８３】
【表５０】
【００８４】
【表５１】
【００８５】
【表５２】
【００８６】表５３は、下記の表５３〜表５５のデ−タ
を、上記表５３中に示す配列とすることにより完成する
ものである。以下の説明で「表５３」は、このように表
５３〜表５５のデ−タを配列して現われる１つの表を意
味するものとする。
を、上記表５３中に示す配列とすることにより完成する
ものである。以下の説明で「表５３」は、このように表
５３〜表５５のデ−タを配列して現われる１つの表を意
味するものとする。
【００８７】
【表５３】
【００８８】
【表５４】
【００８９】
【表５５】
【００９０】表１，表８，表１５，表２２，表２９，表
３６および表４３に示す教師デ−タ実値（２６入力、１
出力）を用いて、０から１でノ−マライズを行ない（例
えば炭素濃度の最大値は0.16wt%、最小値は0.05wt%、表
１，表８，表１５，表２２，表３６および表４３の番号
１の炭素濃度0.14wt%は、ノ−マライズ後0.8182にな
る。）、表５０に示した構造のニュ−ラルネットワ−ク
の構造で、５０００回の学習（拡張カルマンフィルタ
法）を行った結果、表５１に示す結果を得た。
３６および表４３に示す教師デ−タ実値（２６入力、１
出力）を用いて、０から１でノ−マライズを行ない（例
えば炭素濃度の最大値は0.16wt%、最小値は0.05wt%、表
１，表８，表１５，表２２，表３６および表４３の番号
１の炭素濃度0.14wt%は、ノ−マライズ後0.8182にな
る。）、表５０に示した構造のニュ−ラルネットワ−ク
の構造で、５０００回の学習（拡張カルマンフィルタ
法）を行った結果、表５１に示す結果を得た。
【００９１】図１は、表５１の学習後の誤差について横
軸に表５０のリンク荷重数、縦軸に５０００回学習後の
平均誤差（教師デ−タと計算結果の差を教師デ−タで割
った値の平均）をとって図示したものであり、中間層数
１以上、リンク荷重数２００以上で誤差１％以下の計算
精度が得られることを示している。また、表５１中の計
算時間を見ても判るとおり、学習には時間がかかるが、
学習後の計算は極短時間で終了し、オンラインでの計算
も可能である。
軸に表５０のリンク荷重数、縦軸に５０００回学習後の
平均誤差（教師デ−タと計算結果の差を教師デ−タで割
った値の平均）をとって図示したものであり、中間層数
１以上、リンク荷重数２００以上で誤差１％以下の計算
精度が得られることを示している。また、表５１中の計
算時間を見ても判るとおり、学習には時間がかかるが、
学習後の計算は極短時間で終了し、オンラインでの計算
も可能である。
【００９２】表５０の符号Ｇの構造の学習済みニュ−ラ
ルネットワ−ク（表１，表８，表１５，表２２，表２
９，表３６および表４３のデ−タを教師デ−タとして５
０００回学習）を用いて、内挿および外挿のデ−タを含
んだデ−タについて計算した結果を、表５２および表５
２を図示した図２，図３および図４に示す。
ルネットワ−ク（表１，表８，表１５，表２２，表２
９，表３６および表４３のデ−タを教師デ−タとして５
０００回学習）を用いて、内挿および外挿のデ−タを含
んだデ−タについて計算した結果を、表５２および表５
２を図示した図２，図３および図４に示す。
【００９３】図２，図３および図４は、共に横軸が実測
デ−タ、縦軸が計算値を表わしている。なお図２は従来
行われてきた０から１で入力デ−タをノ−マライズした
ものであり、図３は本発明の請求項２を適用したもので
あり、図４は本発明請求項２を逸脱した場合（Ｃ，Ｍ
n，Ｃu，Ｍo，Ｎb，Ｖ，Ｔi，Ａl の教師デ−タをノ−
マライズする際に（Ｉmax−Ｉmin＝0.2〜0.4）とした)
の計算結果である。
デ−タ、縦軸が計算値を表わしている。なお図２は従来
行われてきた０から１で入力デ−タをノ−マライズした
ものであり、図３は本発明の請求項２を適用したもので
あり、図４は本発明請求項２を逸脱した場合（Ｃ，Ｍ
n，Ｃu，Ｍo，Ｎb，Ｖ，Ｔi，Ａl の教師デ−タをノ−
マライズする際に（Ｉmax−Ｉmin＝0.2〜0.4）とした)
の計算結果である。
【００９４】図２では内挿デ−タの計算結果は実測値と
良く一致するものの外挿デ−タの計算結果は内挿に比べ
て多少誤差が大きい結果となっている。一方、図３で
は、外挿デ−タの結果も精度も向上している（内挿デ−
タの計算結果は多少精度が落ちるが、全体としては精度
向上の傾向）。しかし、図４では、内挿外挿ともに精度
が低下している。図２，図３いずれの場合も誤差は小さ
く、本発明は有効である。
良く一致するものの外挿デ−タの計算結果は内挿に比べ
て多少誤差が大きい結果となっている。一方、図３で
は、外挿デ−タの結果も精度も向上している（内挿デ−
タの計算結果は多少精度が落ちるが、全体としては精度
向上の傾向）。しかし、図４では、内挿外挿ともに精度
が低下している。図２，図３いずれの場合も誤差は小さ
く、本発明は有効である。
【００９５】
【発明の効果】本発明は従来の材質予測方法の、計算に
時間がかかる，調整が容易でない，充分な予測精度が得
られない場合がある、等の欠点を克服するものであり、
容易にオンラインで材質の予測が可能となる。これによ
って、要求される材質仕様を確実に達成する製造条件を
あらかじめ算出することが可能で、また、従来のように
製品に課せられていた材質試験が不要になる。
時間がかかる，調整が容易でない，充分な予測精度が得
られない場合がある、等の欠点を克服するものであり、
容易にオンラインで材質の予測が可能となる。これによ
って、要求される材質仕様を確実に達成する製造条件を
あらかじめ算出することが可能で、また、従来のように
製品に課せられていた材質試験が不要になる。
【図１】 ニュ−ラルネットワ−クの、リンク荷重数お
よび中間層数と学習後の誤差の関係を示すグラフであ
る。
よび中間層数と学習後の誤差の関係を示すグラフであ
る。
【図２】 本発明の材質予測法（請求項１）の一実施例
により得られる計算値と実測値の関係を示すグラフであ
る。
により得られる計算値と実測値の関係を示すグラフであ
る。
【図３】 本発明の材質予測法（請求項２）を適用した
場合の計算値と実測値の関係を示すグラフである。
場合の計算値と実測値の関係を示すグラフである。
【図４】 本発明の範囲外（Ｉmax−Ｉmin＜0.2〜0.4）
のノ−マライズを行った場合の実測値と計算値の関係を
示すグラフである。
のノ−マライズを行った場合の実測値と計算値の関係を
示すグラフである。
Claims (2)
- 【請求項１】 鋼塊を再加熱後熱間圧延し、空冷ないし
は加速冷却を行い製造した厚板の材質を予測する方法に
おいて、鋼塊の成分，鋼塊の元厚，再加熱条件，圧延条
件，冷却条件および熱処理条件を入力信号とし、中間層
を１層以上５層以下持ち、材質特性を出力信号とし、か
つリンク荷重数が２００以上１０００以下であることを
特徴とする階層型ニュ−ラルネットワ−クを用いた厚鋼
板の材質予測方法。 - 【請求項２】 前記ニュ−ラルネットワ−クに入力する
教師デ−タをノ−マライズする際に、 0.0≦Ｉmin≦0.25〜0.75≦Ｉmax≦1.0 Ｉmin；教師デ−タの最小値、Ｉmax；教師デ−タの最大
値、 の範囲でノ−マライズすることにより、教師デ−タの範
囲外まで外挿で予測する請求項１記載のニュ−ラルネッ
トワ−クを用いた厚鋼板の材質予測方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7044678A JPH08240587A (ja) | 1995-03-03 | 1995-03-03 | ニュ−ラルネットワ−クを用いた厚鋼板の材質予測方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7044678A JPH08240587A (ja) | 1995-03-03 | 1995-03-03 | ニュ−ラルネットワ−クを用いた厚鋼板の材質予測方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH08240587A true JPH08240587A (ja) | 1996-09-17 |
Family
ID=12698103
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP7044678A Withdrawn JPH08240587A (ja) | 1995-03-03 | 1995-03-03 | ニュ−ラルネットワ−クを用いた厚鋼板の材質予測方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH08240587A (ja) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0901016A2 (de) * | 1997-09-05 | 1999-03-10 | Siemens Aktiengesellschaft | Verfahren und Einrichtung zur Bestimmung von Eigenschaften eines Stahls |
| JP2010106314A (ja) * | 2008-10-30 | 2010-05-13 | Jfe Steel Corp | 鋼製品の製造方法 |
| CN102620980A (zh) * | 2012-02-14 | 2012-08-01 | 天津理工大学 | 一种利用神经网络预报板材成形性能的方法 |
| CN103886371A (zh) * | 2014-03-28 | 2014-06-25 | 郑州大学 | 一种预硬化型塑料模具钢成分及热处理工艺过程控制方法 |
| JP2018010521A (ja) * | 2016-07-14 | 2018-01-18 | 新日鐵住金株式会社 | 製品の状態予測装置、製品の状態制御装置、製品の状態予測方法及びプログラム |
| WO2018062398A1 (ja) * | 2016-09-30 | 2018-04-05 | 株式会社Uacj | アルミニウム製品の特性予測装置、アルミニウム製品の特性予測方法、制御プログラム、および記録媒体 |
| JP2019028949A (ja) * | 2017-08-03 | 2019-02-21 | 新日鐵住金株式会社 | 製品の状態予測装置及び方法、製造プロセスの制御システム、並びにプログラム |
| JP2019116881A (ja) * | 2017-12-27 | 2019-07-18 | トヨタ自動車株式会社 | 内燃機関の制御装置 |
| WO2020148917A1 (ja) * | 2019-01-17 | 2020-07-23 | Ｊｆｅスチール株式会社 | 金属材料の製造仕様決定方法、製造方法、および製造仕様決定装置 |
| JP2020185573A (ja) * | 2019-05-10 | 2020-11-19 | オーエム金属工業株式会社 | 自動材料選択装置及び自動材料選択プログラム |
| WO2022018912A1 (ja) * | 2020-07-21 | 2022-01-27 | 株式会社日立製作所 | 予測システム、予測方法、ならびに表示装置 |
| WO2022108227A1 (ko) * | 2020-11-23 | 2022-05-27 | 경상국립대학교산학협력단 | 철강소재의 미세조직 분율을 이용한 선형회귀적 강도 예측방법 |
| JP2022081474A (ja) * | 2019-01-17 | 2022-05-31 | Ｊｆｅスチール株式会社 | 金属材料の製造仕様決定方法、製造方法、および製造仕様決定装置 |
| US12083568B2 (en) | 2019-01-17 | 2024-09-10 | Jfe Steel Corporation | Production specification determination method, production method, and production specification determination apparatus for metal material |
-
1995
- 1995-03-03 JP JP7044678A patent/JPH08240587A/ja not_active Withdrawn
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0901016A3 (de) * | 1997-09-05 | 1999-06-30 | Siemens Aktiengesellschaft | Verfahren und Einrichtung zur Bestimmung von Eigenschaften eines Stahls |
| DE19738943B4 (de) * | 1997-09-05 | 2008-01-03 | Siemens Ag | Verfahren und Einrichtung zur Bestimmung von Eigenschaften eines Stahls |
| EP0901016A2 (de) * | 1997-09-05 | 1999-03-10 | Siemens Aktiengesellschaft | Verfahren und Einrichtung zur Bestimmung von Eigenschaften eines Stahls |
| JP2010106314A (ja) * | 2008-10-30 | 2010-05-13 | Jfe Steel Corp | 鋼製品の製造方法 |
| CN102620980A (zh) * | 2012-02-14 | 2012-08-01 | 天津理工大学 | 一种利用神经网络预报板材成形性能的方法 |
| CN103886371A (zh) * | 2014-03-28 | 2014-06-25 | 郑州大学 | 一种预硬化型塑料模具钢成分及热处理工艺过程控制方法 |
| JP2018010521A (ja) * | 2016-07-14 | 2018-01-18 | 新日鐵住金株式会社 | 製品の状態予測装置、製品の状態制御装置、製品の状態予測方法及びプログラム |
| JPWO2018062398A1 (ja) * | 2016-09-30 | 2019-07-25 | 株式会社Uacj | アルミニウム製品の特性予測装置、アルミニウム製品の特性予測方法、制御プログラム、および記録媒体 |
| WO2018062398A1 (ja) * | 2016-09-30 | 2018-04-05 | 株式会社Uacj | アルミニウム製品の特性予測装置、アルミニウム製品の特性予測方法、制御プログラム、および記録媒体 |
| CN109843460A (zh) * | 2016-09-30 | 2019-06-04 | 株式会社Uacj | 铝制品的特性预测装置、铝制品的特性预测方法、控制程序、以及记录介质 |
| JP2019028949A (ja) * | 2017-08-03 | 2019-02-21 | 新日鐵住金株式会社 | 製品の状態予測装置及び方法、製造プロセスの制御システム、並びにプログラム |
| JP2019116881A (ja) * | 2017-12-27 | 2019-07-18 | トヨタ自動車株式会社 | 内燃機関の制御装置 |
| WO2020148917A1 (ja) * | 2019-01-17 | 2020-07-23 | Ｊｆｅスチール株式会社 | 金属材料の製造仕様決定方法、製造方法、および製造仕様決定装置 |
| JP2020114597A (ja) * | 2019-01-17 | 2020-07-30 | Ｊｆｅスチール株式会社 | 金属材料の製造仕様決定方法、製造方法、および製造仕様決定装置 |
| JP2022081474A (ja) * | 2019-01-17 | 2022-05-31 | Ｊｆｅスチール株式会社 | 金属材料の製造仕様決定方法、製造方法、および製造仕様決定装置 |
| US12083568B2 (en) | 2019-01-17 | 2024-09-10 | Jfe Steel Corporation | Production specification determination method, production method, and production specification determination apparatus for metal material |
| JP2020185573A (ja) * | 2019-05-10 | 2020-11-19 | オーエム金属工業株式会社 | 自動材料選択装置及び自動材料選択プログラム |
| WO2022018912A1 (ja) * | 2020-07-21 | 2022-01-27 | 株式会社日立製作所 | 予測システム、予測方法、ならびに表示装置 |
| JP2022021042A (ja) * | 2020-07-21 | 2022-02-02 | 株式会社日立製作所 | 予測システム、予測方法、ならびに表示装置 |
| WO2022108227A1 (ko) * | 2020-11-23 | 2022-05-27 | 경상국립대학교산학협력단 | 철강소재의 미세조직 분율을 이용한 선형회귀적 강도 예측방법 |
| KR20220070634A (ko) * | 2020-11-23 | 2022-05-31 | 경상국립대학교산학협력단 | 철강소재의 미세조직 분율을 이용한 선형회귀적 강도 예측방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPH08240587A (ja) | ニュ−ラルネットワ−クを用いた厚鋼板の材質予測方法 | |
| US6430461B1 (en) | Process for monitoring and controlling the quality of rolled products from hot-rolling processes | |
| Singh et al. | Neural network analysis of steel plate processing | |
| AU645699B2 (en) | Method of estimating material of steel product | |
| CN110472349B (zh) | 一种基于eemd和深度卷积网络的热轧钢性能预测方法 | |
| Monajati et al. | Analysis of the effects of processing parameters on mechanical properties and formability of cold rolled low carbon steel sheets using neural networks | |
| Capdevila et al. | Neural network analysis of the influence of processing on strength and ductility of automotive low carbon sheet steels | |
| Wang et al. | Strip hardness prediction in continuous annealing using multiobjective sparse nonlinear ensemble learning with evolutionary feature selection | |
| Hore et al. | An adaptive neuro-fuzzy inference system-based modelling to predict mechanical properties of hot-rolled TRIP steel | |
| Kuroda et al. | Texture optimization of rolled aluminum alloy sheets using a genetic algorithm | |
| Pengtao | Based on adam optimization algorithm: Neural network model for auto steel performance prediction | |
| Dong et al. | Just-in-time learning-based soft sensor for mechanical properties of strip steel via multi-block weighted semisupervised models | |
| Datta et al. | Kohonen network modelling for the strength of thermomechanically processed HSLA steel | |
| JPH044911A (ja) | 鋼板材質予測方法 | |
| Haghighi et al. | Applying a fuzzy interval ordered weighted averaging aggregation fusion to nondestructive determination of retained austenite phase in D2 tool steel | |
| Ding et al. | Deep stochastic configuration networks with different distributions for crown prediction of hot-rolled non-oriented silicon steel | |
| Terčelj et al. | Neural network analysis of the influence of chemical composition on surface cracking during hot rolling of AISI D2 tool steel | |
| JP4133914B2 (ja) | 鍛造品の材質分布推定方法 | |
| Wang et al. | Evolutionary modeling approach based on multiobjective genetic programming for strip quality prediction | |
| Fujita et al. | Prediction of hardness distribution in forged steel by neural network model | |
| JPS58100907A (ja) | 熱間圧延機の板厚制御方法 | |
| JP3412833B2 (ja) | 連続焼鈍炉における高張力鋼板急冷開始板温設定方法 | |
| KR102464073B1 (ko) | 철강소재의 미세조직 분율을 이용한 선형회귀적 강도 예측방법 | |
| JPH04361158A (ja) | 鋼板の材質予測制御方法 | |
| Junpradub et al. | Predicting the Product Classification of Hot Rolled Steel Sheets Using Machine Learning Algorithms |
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: 20020507 |