JPH11707A - Method for controlling rolling mill and controller for rolling mill - Google Patents
Method for controlling rolling mill and controller for rolling millInfo
- Publication number
- JPH11707A JPH11707A JP9235481A JP23548197A JPH11707A JP H11707 A JPH11707 A JP H11707A JP 9235481 A JP9235481 A JP 9235481A JP 23548197 A JP23548197 A JP 23548197A JP H11707 A JPH11707 A JP H11707A
- Authority
- JP
- Japan
- Prior art keywords
- rolling
- learning
- processing unit
- long
- model
- 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.)
- Granted
Links
Landscapes
- Control Of Metal Rolling (AREA)
- Feedback Control In General (AREA)
Abstract
Description
【0001】[0001]
【発明の属する技術分野】この発明は広くは種々の圧延
機の制御方法及び制御装置に関し、特に圧延モデルを有
する設定計算において、モデル誤差を学習制御により精
度良く修正し、正確な制御を行う圧延機の制御方法及び
制御装置に関するものである。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates generally to a control method and a control apparatus for various rolling mills, and more particularly to a rolling method for accurately correcting model errors by learning control in a setting calculation having a rolling model and performing accurate control. The present invention relates to a machine control method and a control device.
【0002】[0002]
【従来の技術】圧延機の設定計算を行う場合、例えば圧
延機の板厚制御に関しては、特に非定常部である鋼板先
端部の板厚精度は、設定計算におけるロールギャップの
計算精度に大きく依存している。一般にロールギャップ
の設定方法は、材料塑性特性を記述する圧延荷重式
(1)と圧延機弾性特性を記述するケージメータ式
(2)の解で与えられるため、圧延荷重式とゲージメー
タ式には高いモデル精度が要求される。ゲージメータ式
と圧延荷重式の一例を以下に示す。2. Description of the Related Art When calculating the setting of a rolling mill, for example, regarding the control of the thickness of the rolling mill, the thickness accuracy of the steel sheet tip portion, which is an unsteady portion, depends greatly on the calculation accuracy of the roll gap in the setting calculation. doing. Generally, the method of setting the roll gap is given by the solution of the rolling load equation (1) describing the plastic properties of the material and the cage meter equation (2) describing the elastic properties of the rolling mill. High model accuracy is required. Examples of the gauge meter type and the rolling load type are shown below.
【0003】[0003]
【数1】 P = K(h−S) (2) ここに、Pは圧延荷重、bは板幅、R’は偏平ロール半
径、Hはスタンド入側板厚、hはスタンド出側板厚、k
P は平均変形抵抗、QP は圧延荷重係数、αは張力配分
係数、tf は前方ユニット張力、tb は後方ユニット張
力、Kはミル縦剛性定数、Sはロールギャップである。(Equation 1) P = K (h−S) (2) where P is a rolling load, b is a plate width, R ′ is a flat roll radius, H is a stand-in side plate thickness, h is a stand-out side plate thickness, k
P is the average deformation resistance, Q P is the rolling load coefficient, α is the tension distribution coefficient, t f is the front unit tension, t b is the rear unit tension, K is the mill longitudinal rigidity constant, and S is the roll gap.
【0004】しかし、モデル精度向上のために重要とな
る同定には、モデルを構成する圧延変数に基づき、その
係数を精度良く回帰する必要があるが、圧延変数は実測
不可能な場合が多く、誤差を生じる。そこで、設定計算
においてはモデルにより生ずる誤差を、事前に把握しモ
デルを修正することにより、次回以降の圧延精度を高め
る学習修正が一般に行われる。この学習修正には、短期
学習修正と呼ばれる方法と長期学習修正の2つの方法が
ある。前者は同一材質・同一ロッド内の材料を連続して
圧延する場合に、至近の圧延実績から計算したモデルの
誤差をセットアップ計算値に反映することにより、例え
ば圧延機の温度変化やロール摩耗などに伴う圧延状態の
変化により生ずるモデル誤差を吸収するものである。[0004] However, for identification which is important for improving the model accuracy, it is necessary to regress the coefficients with high accuracy based on the rolling variables constituting the model. However, in many cases, the rolling variables cannot be measured. An error occurs. Therefore, in the setting calculation, learning correction to increase the rolling accuracy in the next and subsequent times is generally performed by grasping the error caused by the model in advance and correcting the model. The learning correction includes two methods, a short-term learning correction and a long-term learning correction. For the former, when the same material and the material in the same rod are continuously rolled, the error of the model calculated from the most recent rolling results is reflected in the set-up calculation value, for example, to change the temperature of the rolling mill, roll wear, etc. This is to absorb a model error caused by the accompanying change in the rolling state.
【0005】後者は圧延材の仕様が変化した場合に、過
去に同一材質・同一ロッド内の材料を圧延した際に記憶
したモデルの誤差を、設定計算値に反映するものであ
る。[0005] In the latter case, when the specification of the rolled material changes, the error of the model stored in the past when the same material and the material in the same rod are rolled is reflected in the set calculation value.
【0006】以下においては、その学習方法について圧
延荷重式を例に挙げて具体的に説明する。In the following, the learning method will be specifically described by taking a rolling load equation as an example.
【0007】荷重モデル誤差比Zkは板厚や温度等の実
測値を用いて、荷重を再計算した実績計算荷重PAと荷
重測定値Pの比(3)式で記述される。The load model error ratio Z k is described by the ratio (3) between the actual calculated load P A obtained by recalculating the load and the measured load value P using actual measured values such as plate thickness and temperature.
【0008】Zk =P/PA …(3) さらに圧延材の圧延順番号をiとすると、i番目の材料
の短期学習係数Ziを、前材の短期学習係数とモデル誤
差比の指数平滑処理により決定する方法が一般的であ
り、平滑定数をaとすると(4)式により求められる。Z k = P / P A (3) Further, assuming that the rolling order number of the rolled material is i, the short-term learning coefficient Zi of the i-th material is calculated as an exponential smoothing between the short-term learning coefficient of the preceding material and the model error ratio. A method of determining by processing is general, and assuming that the smoothing constant is a, it is obtained by equation (4).
【0009】 Zi = (1−a)Zi-1 +aZk …(4) モデル誤差のうち変形抵抗や圧延荷重係数に関わる部分
は、鋼種や成分、サイズにより一義的に定まるため、前
材と仕様が同一の場合は、短期学習修正により十分にそ
の誤差を吸収することができる。Z i = (1−a) Z i−1 + aZ k (4) Since the portion related to the deformation resistance and the rolling load coefficient among the model errors is uniquely determined by the steel type, composition and size, the front material When the specifications are the same, the error can be sufficiently absorbed by the short-term learning correction.
【0010】一方、仕様が変わり、モデル誤差も大きく
変化した場合には、短期学習修正では、そのモデル誤差
を吸収しきれないため、長期学習修正が必要となる。長
期学習修正では、過去の同一材質・同一ロッド内の圧延
材の、式(3)で示したモデル誤差Zkを用いて、モデ
ル誤差を吸収する方法である。それには、まず同一仕様
材の範疇を定めるために、鋼種やサイズなどの材料特性
をパラメータとして層別を行い、過去のモデル誤差比を
記憶しておく必要がある。On the other hand, if the specification changes and the model error changes significantly, the model error cannot be absorbed by the short-term learning correction, so that the long-term learning correction is required. Long-term learning modification, of the rolled material in the past of the same material and the same in the rod, using the model error Z k shown in equation (3), a method of absorbing the model error. For that purpose, first, in order to determine the category of materials having the same specification, it is necessary to perform stratification by using material properties such as steel type and size as parameters, and to store past model error ratios.
【0011】[0011]
【発明が解決しようとする課題】しかし、モデル誤差を
精度良く予測するためには、区分を材料特性のパラメー
タにより詳細に分類する必要があり、膨大なテーブルを
作成しなくてはならない。また、ただ細分化しただけで
は、テーブルに蓄積されるデータ数が少なくなり、学習
精度向上の妨げとなる。However, in order to accurately predict the model error, it is necessary to classify the sections in detail according to the parameters of the material properties, and an enormous table must be created. Further, mere segmentation reduces the number of data stored in the table, which hinders improvement in learning accuracy.
【0012】ちなみに、この長期学習における修正係数
の決定に関しては、例えば“特開昭61−202711
号公報「圧延機学習制御方法および装置」”による方法
が提案されている。この方法は、過去の同一材質・同一
ロッド内の圧延材のモデル誤差に基づいて、長期学習補
正係数を決定する際に、過去の圧延本数を考慮して学習
のゲインを決定するものであり、テーブルを細分化し蓄
積されるデータが少なくなった場合に有効と考えられ
る。Incidentally, the determination of the correction coefficient in the long-term learning is described, for example, in Japanese Patent Application Laid-Open No. 61-202711.
The method disclosed in Japanese Unexamined Patent Application Publication No. 2005-189686, "Rolling Mill Learning Control Method and Apparatus", is used to determine a long-term learning correction coefficient based on a past model error of a rolled material in the same material and same rod. In addition, the learning gain is determined in consideration of the past number of rolls, and it is considered effective when the table is subdivided and the accumulated data is reduced.
【0013】しかし、テーブルの層別における細分化や
学習のゲインの調整には多大な調整作業が伴い、効率的
かつ高精度な学習が期待できないという問題点がある。However, there is a problem in that subdivision and adjustment of the learning gain in each layer of the table require a large amount of adjustment work, so that efficient and highly accurate learning cannot be expected.
【0014】以上のように、材料特有のモデル誤差を学
習制御する場合、その修正係数を、モデル誤差を発生さ
せる影響度の高い圧延変数に関し細分化したテーブル上
に記憶する方法が一つの有効な手段ではあるが、膨大な
テーブルが必要となり、多大な調整による労力が必要と
なるばかりでなく、蓄積される実績が希少となるため十
分な学習効果が期待できない問題があった。As described above, when learning control of a model error peculiar to a material is performed, one effective method is to store a correction coefficient of the correction factor in a table subdivided into rolling variables having a high degree of influence that causes a model error. Although it is a means, a huge table is required, not only a great deal of adjustment labor is required, but also the accumulated results are rare, so that there is a problem that a sufficient learning effect cannot be expected.
【0015】そこで本発明は、第一に多くのテーブルを
用いずに、より多くのモデル誤差発生因子となる圧延変
数を考慮してモデル誤差を推定可能とすることと、第二
に調整に多大な労力を必要とせずに精度良くモデル誤差
を推定可能とすることを目的とする。Therefore, the present invention firstly makes it possible to estimate a model error in consideration of a rolling variable which becomes a more model error generating factor without using many tables, and secondly, makes a great deal of adjustment. It is an object of the present invention to be able to accurately estimate a model error without requiring great effort.
【0016】[0016]
【課題を解決するための手段】前記課題は、圧延機の特
性を数式モデル化した数式モデルに従って、圧延機の各
設定値を決定し、圧延結果をフィードバックして数式モ
デルの誤差を修正しながら圧延を行う圧延機の制御方法
であって、過去の同一仕様の圧延材または同種仕様の圧
延材のモデル誤差の実績から、前記同一仕様の圧延材ま
たは同種仕様の圧延材に特有のモデルの誤差を推定し、
数式モデル計算値に修正を加える長期学習制御と、圧延
機の温度変化や摩耗などの短期的変化に伴う圧延状態の
変化により生ずるモデル誤差を、至近の圧延材のモデル
誤差の実績から推定し、モデル計算値に修正を加える短
期学習制御とを、圧延モデルに反映させる圧延機制御方
法において、前記長期学習制御をニューラルネットワー
クを用いて行うことを特徴とする圧延機の制御方法(請
求項1)により解決される。SUMMARY OF THE INVENTION The object of the present invention is to determine each set value of a rolling mill in accordance with a mathematical model in which the characteristics of a rolling mill are mathematically modeled, and to feed back a rolling result to correct errors in the mathematical model. A method of controlling a rolling mill that performs rolling, wherein a model error of a rolled material of the same specification or a rolled material of the same type is obtained based on past model error results of a rolled material of the same specification or a rolled material of the same type. And estimate
Long-term learning control that corrects the mathematical model calculation value, and model errors caused by changes in rolling conditions due to short-term changes such as temperature changes and wear of the rolling mill, are estimated from the actual model error of the nearest rolling material, A method for controlling a rolling mill, wherein the long-term learning control is performed using a neural network, wherein the short-term learning control for correcting the model calculation value is reflected in a rolling model. Is solved by
【0017】ニューラルネットワークを用いることで、
長期学習制御に使用される各パラメータの変化が、数式
モデルの誤差にどのように影響するのかが、学習が進む
につれて正確に把握されるようになる。よって、長期学
習制御が正確になり、精度の良い圧延機の制御が可能と
なる。By using a neural network,
How the change of each parameter used for the long-term learning control affects the error of the mathematical model can be accurately grasped as the learning progresses. Therefore, the long-term learning control becomes accurate, and the control of the rolling mill with high accuracy becomes possible.
【0018】また、ニューラルネットワークを用いるこ
とにより、圧延材の層別を細かくする必要がなくなり、
多数のテーブルを必要とすることがなくなる。更に、誤
差要因を予め正確に推定しておく必要がなくなるため、
予め正確な数式モデルの骨格を定める必要がない。Further, by using the neural network, it is not necessary to finely classify the rolled material.
The need for a large number of tables is eliminated. Furthermore, since it is not necessary to accurately estimate the error factors in advance,
There is no need to determine the exact mathematical model skeleton in advance.
【0019】ニューラルネットワークの算出は、極めて
多くの量の計算を必要とするので、これを制御用の計算
機に行わせると、制御の応答後れ等の問題を引き起こす
恐れがある。よって、長期学習制御をオフラインにおい
てニューラルネットワークを用いて行うこと、圧延実績
一部を圧延実績収集装置に蓄積し、圧延実績収集装置に
蓄えられた圧延実績を教師信号として前記長期学習制御
をオフラインにおいてニューラルネットワークを用いて
行い、ニューラルネットワークによって得られた結果を
オンラインの制御装置で用いること(請求項2)によっ
て、これらの問題を解決することができる。Since the calculation of the neural network requires an extremely large amount of calculation, if the calculation is performed by a control computer, there is a possibility that a problem such as a delayed response of the control may be caused. Therefore, performing the long-term learning control using a neural network offline, accumulating a part of the rolling results in a rolling results collection device, and performing the long-term learning control offline using the rolling results stored in the rolling results collection device as a teacher signal. These problems can be solved by using a neural network and using the result obtained by the neural network in an online controller (claim 2).
【0020】同一仕様の圧延材または同種仕様の圧延材
に特有のモデルの誤差の原因となる主な要因は、鋼種又
は成分値である。よって、これらの少なくとも一方を、
同一仕様の圧延材または同種仕様の圧延材に特有のモデ
ルの誤差を推定するためのパラメータとすることにより
(請求項3)、精度の良い長期学習ができるようにな
る。A major factor that causes a model error specific to a rolled material of the same specification or a rolled material of the same type is a steel type or a component value. Therefore, at least one of these
By using a parameter for estimating an error of a model peculiar to a rolled material of the same specification or a rolled material of the same type (claim 3), accurate long-term learning can be performed.
【0021】また、これらのパラメータに加えて、板
厚、板幅、圧下率を含むようにすれば(請求項4)さら
に精度の良い長期学習ができるようになる。Further, if the sheet thickness, the sheet width, and the rolling reduction are included in addition to these parameters (claim 4), more accurate long-term learning can be performed.
【0022】長期学習制御と短期学習制御の組み合わせ
方として、長期学習制御により修正を加えた数式モデル
計算値に、更に短期学習制御により修正を加えるように
すれば(請求項5)、たとえ、長期学習制御が誤差を含
んでいる場合であっても、短期学習制御により迅速にこ
の誤差の補償を行うことができる。As a method of combining the long-term learning control and the short-term learning control, if the formula value calculated by the long-term learning control is further corrected by the short-term learning control (claim 5). Even if the learning control includes an error, the error can be quickly compensated for by the short-term learning control.
【0023】また、前記課題は、圧延仕様を入力する圧
延仕様入力部と、圧延仕様入力部からのデータに基づい
て圧延荷重を計算する圧延荷重計算処理部と、圧延荷重
計算処理部の計算結果に基づいて圧延機のロールギャッ
プを決定するロールギャップ計算処理部と、圧延実績を
収集する圧延実績収集処理部と、圧延実績に基づいて、
圧延機の温度変化や摩耗などの短期的な変化を学習して
圧延荷重計算処理部の計算結果を修正する短期学習処理
部と、圧延材の実データを収集する長期学習入力値記憶
装置と、長期学習入力記憶装置に記憶されたデータを教
師信号として、前記圧延荷重計算処理部の誤差を修正す
るパラメータをニューラルネットワークを使用して算出
するニューラルネットワーク学習処理装置と、長期学習
入力記憶装置に入力される実データに対応する、圧延材
の標準値データを入力する長期学習入力部と、ニューラ
ルネットワーク学習処理装置によって算出されたパラメ
ータを転記して有し、長期学習入力部からのデータに基
づいて前記圧延荷重計算処理部の誤差を修正する長期学
習処理部と、短期学習処理部と長期学習処理部の出力結
果に基づいて圧延荷重の学習修正を行う圧延荷重学習修
正処理部とを有してなる圧延機の制御装置(請求項6)
により解決される。Further, the above-mentioned problems are caused by a rolling specification input section for inputting a rolling specification, a rolling load calculation processing section for calculating a rolling load based on data from the rolling specification input section, and a calculation result of the rolling load calculation processing section. Based on the roll gap calculation processing unit that determines the roll gap of the rolling mill based on the rolling results collection processing unit that collects the rolling results, based on the rolling results,
A short-term learning processing unit that learns short-term changes such as temperature changes and wear of the rolling mill to correct the calculation result of the rolling load calculation processing unit, and a long-term learning input value storage device that collects actual data of the rolled material, A neural network learning processing device that calculates, using a neural network, a parameter for correcting an error in the rolling load calculation processing unit, using the data stored in the long-term learning input storage device as a teacher signal, and inputs the data to the long-term learning input storage device. The long-term learning input unit for inputting the standard value data of the rolled material corresponding to the actual data to be transferred, and having the parameters calculated by the neural network learning processing device transcribed therein, based on the data from the long-term learning input unit. A long-term learning processing unit that corrects the error of the rolling load calculation processing unit; Control apparatus comprising and a rolling load learning correction processing unit that performs heavy learning corrected rolling mill (claim 6)
Is solved by
【0024】圧延仕様入力部は、鋼種、板厚、板幅、ス
ラブ寸法、仕上げ温度等の圧延に関する仕様を入力す
る。圧延荷重計算処理部は、これらの入力データに基づ
いて、圧延荷重式により圧延荷重を計算する。入力され
た圧延仕様の内、鋼種や成分値等の長期学習の対象とな
るものは、長期学習入力部を介して長期学習処理部に入
力される。The rolling specification input unit inputs rolling specifications such as steel type, plate thickness, plate width, slab dimensions, and finishing temperature. The rolling load calculation processing unit calculates a rolling load by a rolling load formula based on these input data. Of the input rolling specifications, those to be subjected to long-term learning, such as steel type and component values, are input to a long-term learning processing unit via a long-term learning input unit.
【0025】一方、過去の圧延材料に関するデータは、
圧延実績収集処理部で収集され、短期学習処理部を介し
て圧延荷重学習修正処理部に入力され、圧延荷重計算処
理部の短期的な誤差が修正される。On the other hand, past data on rolled materials
The data is collected by the rolling result collection processing unit, input to the rolling load learning correction processing unit via the short-term learning processing unit, and the short-term error of the rolling load calculation processing unit is corrected.
【0026】また、収集されたデータの一部は、長期学
習入力値記憶装置に記憶され、ニューラルネットワーク
学習処理装置に入力されてニューラルネットワークによ
る処理がなされて、鋼種、成分値等の変動が圧延荷重計
算処理部に与える誤差の程度が計算される。そして、計
算されたパラメータは、長期学習処理部に転記され、長
期学習処理部の出力は圧延荷重学習修正処理部に入力さ
れて圧延荷重計算処理部の誤差を補正するのに使用され
る。A part of the collected data is stored in the long-term learning input value storage device, input to the neural network learning processing device and processed by the neural network, and the variation of steel type, component value, etc. is rolled. The degree of error given to the load calculation processing unit is calculated. Then, the calculated parameters are transcribed to the long-term learning processing unit, and the output of the long-term learning processing unit is input to the rolling load learning correction processing unit and used to correct an error of the rolling load calculation processing unit.
【0027】前記制御装置の構成の内、長期学習入力値
記憶装置と、ニューラルネットワーク学習処理装置を、
制御装置の他の部分と独立の制御装置から構成すること
により、(請求項7)、制御装置のデータ量を膨大にす
ることもなく、かつ、オンラインでの計算を妨げること
無く、ニューラルネットワークの算出に必要とされる膨
大な量の計算を行うことができる。In the configuration of the control device, a long-term learning input value storage device and a neural network learning processing device are
By configuring the control device independent of the other parts of the control device (claim 7), the amount of data of the control device is not increased and the calculation of the neural network is not hindered. An enormous amount of calculation required for the calculation can be performed.
【0028】また、圧延荷重学習修正処理部に、長期学
習処理部の出力結果に基づいて圧延荷重の学習修正を行
った後、更にその結果に対して、短期学習処理部の出力
結果に基づいて圧延荷重の学習修正を行うような機能を
持たせることにより(請求項8)、たとえ、長期学習制
御が誤差を含んでいる場合であっても、短期学習制御に
より迅速にこの誤差の補償を行うことができる。After the rolling load learning correction processing unit performs learning correction of the rolling load based on the output result of the long-term learning processing unit, the result is further corrected based on the output result of the short-term learning processing unit. By providing a function to perform learning correction of the rolling load (claim 8), even if the long-term learning control includes an error, the error is quickly compensated by the short-term learning control. be able to.
【0029】[0029]
【発明の実施の形態】以下、本発明の実施の形態の例を
図面を参照して詳細に説明する。Embodiments of the present invention will be described below in detail with reference to the drawings.
【0030】図1は、本発明による連続圧延機の板厚制
御装置の例を示したブロック図である。FIG. 1 is a block diagram showing an example of a thickness control device for a continuous rolling mill according to the present invention.
【0031】図1において、1は板厚制御装置、2は圧
延荷重計算処理部、3は圧延荷重学習修正処理部、4は
ロールギャップ計算処理部、5は短期学習処理部、6は
長期学習処理部、7は圧延仕様入力部、8は長期学習入
力部、9は圧延実績収集処理部、10は圧延機、11は
長期学習入力値記憶装置、12はニューラルネットワー
ク学習処理装置である。この実施の形態においては、長
期学習入力記憶装置11とニューラルネットワーク学習
処理装置12は、板厚制御装置1とは独立した構成とさ
れている。In FIG. 1, 1 is a thickness control device, 2 is a rolling load calculation processing unit, 3 is a rolling load learning correction processing unit, 4 is a roll gap calculation processing unit, 5 is a short-term learning processing unit, and 6 is a long-term learning process. A processing unit, 7 is a rolling specification input unit, 8 is a long-term learning input unit, 9 is a rolling performance collection processing unit, 10 is a rolling mill, 11 is a long-term learning input value storage device, and 12 is a neural network learning processing device. In this embodiment, the long-term learning input storage device 11 and the neural network learning processing device 12 are configured independently of the thickness control device 1.
【0032】圧延仕様入力部7は、鋼種、板厚、板幅、
スラブ寸法、仕上げ温度等の圧延に関する仕様を入力す
る。圧延荷重計算処理部2は、これらの入力データに基
づいて、圧延荷重式により圧延荷重を計算する。入力さ
れた圧延仕様の内、長期学習の対象となるものは、長期
学習入力部8を介して長期学習処理部6に入力される。The rolling specification input section 7 includes a steel type, a sheet thickness, a sheet width,
Enter specifications related to rolling, such as slab dimensions and finishing temperature. The rolling load calculation processing unit 2 calculates a rolling load by a rolling load formula based on these input data. Of the input rolling specifications, those to be subjected to long-term learning are input to the long-term learning processing unit 6 via the long-term learning input unit 8.
【0033】長期学習入力部8には、基本的には荷重モ
デル計算結果に影響度の高い板厚、板幅、圧下率等の圧
延変数および荷重モデルに含まれる変形抵抗式に支配的
要素である温度や成分などを選択して記憶している。The long-term learning input section 8 basically includes rolling variables such as sheet thickness, sheet width, rolling reduction and the like which have a high influence on the load model calculation results, and elements dominant in the deformation resistance formula included in the load model. A certain temperature or component is selected and stored.
【0034】一方、過去の圧延材料に関するデータは、
圧延実績収集処理部9で収集され、短期学習処理部5を
介して圧延荷重学習修正処理部3に入力され、圧延荷重
計算処理部2の短期的な誤差が修正される。On the other hand, past data on rolled materials
The data is collected by the rolling result collection processing unit 9 and is input to the rolling load learning correction processing unit 3 via the short-term learning processing unit 5 to correct a short-term error of the rolling load calculation processing unit 2.
【0035】また、収集されたデータの一部は、長期学
習入力値記憶装置11に記憶され、ニューラルネットワ
ーク学習制御装置12に入力されてニューラルネットワ
ークによる処理がなされて、鋼種、成分値等の変動が圧
延荷重計算処理部に与える誤差の程度が計算される。そ
して、計算されたパラメータは、長期学習処理部6に転
記される。長期学習処理部6の出力は圧延荷重学習修正
処理部3に入力されて圧延荷重計算処理部2の誤差を補
正するのに使用される。A part of the collected data is stored in the long-term learning input value storage device 11, is input to the neural network learning control device 12, and is processed by the neural network. Is given to the rolling load calculation processing unit. Then, the calculated parameters are transferred to the long-term learning processing unit 6. The output of the long-term learning processing unit 6 is input to the rolling load learning correction processing unit 3 and is used to correct an error of the rolling load calculation processing unit 2.
【0036】この実施の形態においては、長期学習入力
値記憶部11と、ニューラルネットワーク学習処理部1
2は、制御装置の他の部分と独立の制御装置から構成さ
れているので、板厚制御装置のデータ量を膨大にするこ
ともなく、かつ、オンラインでの計算を妨げること無
く、ニューラルネットワークの算出に必要とされる膨大
な量の計算を行うことができる。In this embodiment, the long-term learning input value storage unit 11 and the neural network learning processing unit 1
2 is composed of a control device independent of the other parts of the control device, so that the data amount of the thickness control device is not enormous, and the calculation of the neural network is not hindered. An enormous amount of calculation required for the calculation can be performed.
【0037】しかし、オンライン制御装置が十分な速度
と容量を持っている場合は、必ずしも、長期学習入力値
記憶部11と、ニューラルネットワーク学習処理部12
を別の制御装置とする必要はない。この場合には、長期
学習処理部6におけるニューラルネットワークとニュー
ラルネットワーク学習処理部12によるニューラルネッ
トワークを同じ物とすることができる。However, if the on-line controller has sufficient speed and capacity, the long-term learning input value storage unit 11 and the neural network learning processing unit 12
Need not be a separate controller. In this case, the neural network in the long-term learning processing unit 6 and the neural network in the neural network learning processing unit 12 can be the same.
【0038】圧延仕様入力部7の情報を基に、圧延荷重
計算処理部2で演算された荷重計算値PC は、長期学習
処理部6と短期学習処理部5で求められた各学習修正量
ZN、Zi により、圧延荷重学習修正処理部3で修正を
加えらる。ロールギャップ計算処理部4は、修正された
荷重PSにより、圧延機10のロールギャップ設定を行
う。また、圧延実績収集処理部9では荷重モデルPA と
荷重実績との比を演算することによりモデル誤差ZK を
求め、次材以降の短期学習処理に反映させ、さらに長期
学習入力項目と共に、新規にオフラインニューラルネッ
トワークの学習計算を行うために長期学習入力記憶装置
11に蓄積する。なお短期学習処理部5での圧延状態の
学習処理は、(4)式により求めている。[0038] Based on the information of the rolling specifications input unit 7, the load calculated value P C calculated by the rolling load calculation processing unit 2, the learning correction amount obtained by the long-term learning processing unit 6 and the short-term learning processing unit 5 According to Z N and Z i , the rolling load learning correction processing unit 3 makes correction. Roll gap calculation processing section 4, the modified load P S, performing roll gap setting of the rolling mill 10. Also, determine the model error Z K by calculating the ratio of the load model in rolling result collection processing unit 9 P A and the load actual, is reflected in the short-term learning process in the subsequent material, together with further long learning input items, a new Is stored in the long-term learning input storage device 11 in order to perform the learning calculation of the offline neural network. In addition, the learning process of the rolling state in the short-term learning processing unit 5 is obtained by Expression (4).
【0039】図2は、長期学習処理部6およびニューラ
ルネットワーク学習処理装置12を詳細に説明するブロ
ック図である。なお、以下の図においては、前出の図に
示された物と同じ物には、同じ符号を付し、その説明を
省略する。長期学習処理部6は、全圧延仕様材を鋼種な
どの同種の材料で分類し、各々の材料集団の特性毎に構
築された複数の長期学習ニューラルネットワーク処理部
6−bと、入出力値の正規化数値処理を行う入力値変換
部6−aおよび出力値変換部6−cで構成され、最終出
力値として長期学習修正係数6−dを得る。なお、ニュ
ーラルネットワークは入力層、中間層、出力層により構
成される3階層型を採用したが、他にも多階層型や非階
層型でも同様のことができる。FIG. 2 is a block diagram for explaining the long-term learning processing section 6 and the neural network learning processing device 12 in detail. In the following drawings, the same components as those shown in the preceding drawings are denoted by the same reference numerals, and description thereof will be omitted. The long-term learning processing unit 6 classifies all the rolling specification materials into the same type of material such as a steel type, and includes a plurality of long-term learning neural network processing units 6-b constructed for each characteristic of each material group. It is composed of an input value conversion unit 6-a and an output value conversion unit 6-c that perform normalized numerical processing, and obtains a long-term learning correction coefficient 6-d as a final output value. Note that the neural network employs a three-layer structure including an input layer, a middle layer, and an output layer. However, the same can be applied to a multi-layer or non-hierarchical type.
【0040】本実施の形態の特徴は、長期学習ニューラ
ルネットワーク処理部6−bが、それ自体では、シナプ
ス結合重み係数やシグモイド関数しきい値などのニュー
ラルネットワークパラメータを更新する機能を有せず、
ニューラルネットワーク学習処理装置12から与えられ
たこれらのパラメータを使用して、入力からニューラル
ネットワークを介した出力を得ていることである。The feature of this embodiment is that the long-term learning neural network processing unit 6-b does not have a function of updating neural network parameters such as a synaptic connection weight coefficient and a sigmoid function threshold value by itself.
The output from the input through the neural network is obtained using these parameters provided from the neural network learning processing device 12.
【0041】ニューラルネットワーク学習処理装置12
は、前記長期学習処理部6同様の材料集団毎に構成され
た複数のニューラルネットワーク学習処理部12−bと
入力値の正規化数値処理を行う入力値変換部12−aに
より構成される。前記長期学習ニューラルネット処理部
6−bで使用する、シナプス結合重み係数やシグモイド
関数しきい値などのニューラルネットワークパラメータ
を更新するモデル誤差ZKを教師信号12−cとし、ニ
ューラルネットパラメータ調整処理部12−dでバック
プロパゲーション法による、パラメータの学習を行う。
なお、バックプロパゲーション法はニューラルネットワ
ークの学習方法としては一般的なものであるため、説明
は割愛する。学習により求められた学習済みニューラル
ネットワークパラメータ12−eは、新規の学習対象材
が発生した場合に柔軟に対応できるように、任意に長期
学習処理部6の長期学習ニューラルネット処理部6−b
に伝送され、伝送されたシナプス結合重み係数やシグモ
イド関数しきい値などのニューラルネットワークパラメ
ータに対応するニューラルネット計算が実行される。Neural network learning processor 12
Is composed of a plurality of neural network learning processing units 12-b configured for each material group similar to the long-term learning processing unit 6, and an input value conversion unit 12-a that performs normalized numerical processing of input values. Used by the long-term learning neural network processing unit 6-b, a model error Z K updating the neural network parameters, such as synaptic weight coefficient and sigmoid function threshold and a teacher signal 12-c, the neural network parameter adjustment processor At 12-d, parameter learning is performed by the back propagation method.
Note that the back propagation method is a general method for learning a neural network, and a description thereof will be omitted. The learned neural network parameter 12-e obtained by the learning is arbitrarily set to the long-term learning neural network processing unit 6-b of the long-term learning processing unit 6 so that a new learning target material can be flexibly handled.
And the neural network calculation corresponding to the transmitted neural network parameters such as the synaptic connection weighting coefficient and the sigmoid function threshold is executed.
【0042】表1は、長期学習ニューラルネット処理部
6−bとニューラルネット学習処理部12−bの区分の
例を示したものである。Table 1 shows an example of division between the long-term learning neural network processing unit 6-b and the neural network learning processing unit 12-b.
【0043】[0043]
【表1】 [Table 1]
【0044】NNナンバーは、ニューラルネット番号を
示し、長期学習ニューラルネット処理部6−bとニュー
ラルネット学習処理部12−bは、8個独立に存在し、
対応する鋼種に応じて選択されて使用される。The NN number indicates a neural network number, and eight long-term learning neural network processing units 6-b and eight neural network learning processing units 12-b are independently provided.
It is selected and used according to the corresponding steel type.
【0045】図3に、ニューラルネット学習処理部6−
bとニューラルネットワーク学習処理部12−bの内容
を簡略化して示す。入力としては、板厚、板幅、圧下
率、C、Mn、Si量が入力層(i)に入力され、所定
の重みでもって中間層(j)に結合される。なお、図3
においては、入力層(i)と中間層(j)の一部の結合
は省略している。中間層(j)の出力は、規定の重みで
もって出力層に結合され、Z項として出力される。Z項
とは、図1においてZN と記載されているものである。
圧延荷重計算処理部2で計算された圧延荷重予測値にZ
N を掛けたものが、修正圧延荷重として、圧延荷重学習
修正処理部3に与えられ、圧延荷重の修正に使用され
る。FIG. 3 shows a neural network learning processing unit 6
b and the contents of the neural network learning processing unit 12-b are shown in a simplified manner. As the input, the sheet thickness, the sheet width, the rolling reduction, the amounts of C, Mn, and Si are input to the input layer (i), and are combined with the intermediate layer (j) with a predetermined weight. Note that FIG.
In FIG. 7, some connections between the input layer (i) and the intermediate layer (j) are omitted. The output of the middle layer (j) is coupled to the output layer with a specified weight and output as the Z term. The Z term is described as Z N in FIG.
The predicted rolling load calculated by the rolling load calculation processing unit 2 is Z
The value obtained by multiplying N is given to the rolling load learning correction processing unit 3 as a corrected rolling load, and is used for correcting the rolling load.
【0046】本実施の形態においては、ニューラルネッ
ト学習処理部6−bにおいては、入力層に入力されたパ
ラメータに基づいてZ項が計算されて出力されるのみで
あり、ニューラルネットワーク自体のパラメータの修
正、すなわち、シナプス結合重み係数やシグモイド関数
しきい値等の学習修正は行われない。In the present embodiment, the neural network learning processor 6-b only calculates and outputs the Z term based on the parameters input to the input layer, and outputs the parameters of the neural network itself. No correction, that is, learning correction such as a synaptic connection weight coefficient or a sigmoid function threshold is performed.
【0047】これに対し、ニューラルネットワーク学習
処理部12−bでは、このZ項が、図2における入力変
換部12−aを介して得られた実際Zk に一致させるよ
うに、すなわち、教師信号12−Cとしてシナプス結合
重み係数やシグモイド関数しきい値等の学習修正が行わ
れる。これらの計算には、多大のメモリと計算時間を要
するが、ニューラルネットワーク学習処理装置12はオ
フラインの装置となっているので、オンライン制御をデ
ィスターブすることはない。On the other hand, in the neural network learning processing unit 12-b, the Z term is made to match the actual Z k obtained through the input conversion unit 12-a in FIG. Learning correction such as a synaptic connection weight coefficient and a sigmoid function threshold is performed as 12-C. These calculations require a large amount of memory and calculation time. However, since the neural network learning processing device 12 is an off-line device, it does not disturb online control.
【0048】以上の説明においては、長期学習制御を、
鋼種や板厚区分等の圧延条件が大きく変更される場合に
使用し、短期学習制御を鋼種や板厚区分等が大きく変化
しない範囲で使用することにしていたが、長期学習制御
と短期学習制御を同時に使用すると、長期学習制御のモ
デルに誤差がある場合でも、短期学習制御により迅速に
それらの誤差が修正されるという長所が生まれる。In the above description, the long-term learning control is
The short-term learning control was used when the rolling conditions such as steel type and sheet thickness category were significantly changed, and the short-term learning control was used within the range where the steel type and sheet thickness category etc. did not change significantly. Is advantageous in that even if there are errors in the model of the long-term learning control, those errors are quickly corrected by the short-term learning control.
【0049】すなわち、圧延荷重計算処理部2が計算し
た荷重モデルの計算荷重をPCとし、長期学習処理部6
が計算した学習修正量をZNとすると、長期学習制御に
より修正された計算荷重は、ZN×PCであるが、これを
更に短期学習処理部5が計算した学習修正量Ziにより
修正し、修正された計算荷重PSを PS=Zi×ZN×PC … (5) として求め、この修正された計算荷重PSにより、ロー
ルギャップ計算処理部4が圧延機10のロールギャップ
設定を行う。この修正された計算荷重PSの計算は、圧
延荷重学習修正処理部3により行われる。That is, the rolling load calculation processing unit 2 calculates
The calculated load of the load modelCAnd the long-term learning processing unit 6
The learning correction amount calculated byNThen, for long-term learning control
The more modified calculated load is ZN× PCBut this is
Further, the learning correction amount Z calculated by the short-term learning processing unit 5iBy
Corrected and modified calculated load PSTo PS= Zi× ZN× PC … (5) And the corrected calculated load PSBy low
The gap calculation processing unit 4 determines the roll gap of the rolling mill 10.
Make settings. This modified calculated load PSThe calculation of the pressure
This is performed by the extension load learning correction processing unit 3.
【0050】この場合、短期学習処理を、(4)式に基
づいて行うと、長期学習処理関係のデータが含まれたも
のについて短期学習処理を行ってしまうことになる。よ
って、短期学習処理から長期学習処理の影響を除くため
に、(4)式に代わり、次の(6)式で指数平滑処理を
行う。 Zi=(1−a)Zi-1+a(Zk/ZN) … (6) すなわち、(3)式で計算される荷重モデル誤差比Zk
をZNで割ることにより、長期学習処理の影響をキャン
セルし、短期学習に関連する学習係数に直した形のもの
を指数平滑する。 In this case, if the short-term learning process is performed based on the equation (4), the short-term learning process will be performed on data containing data related to the long-term learning process. Therefore, in order to remove the influence of the long-term learning process from the short-term learning process, the exponential smoothing process is performed by the following formula (6) instead of the formula (4). Z i = (1−a) Z i−1 + a (Z k / Z N ) (6) That is, the load model error ratio Z k calculated by the equation (3)
Is divided by Z N to cancel the effect of the long-term learning process and exponentially smooth the one converted to the learning coefficient related to the short-term learning.
【0051】図4に、本発明の1実施形態を使用した荷
重モデル誤差予測結果のグラフを示す。図4は、7連の
熱間薄板連続圧延機において、最終スタンドであるF7
スタンドの荷重モデル誤差予測と、荷重モデル誤差の実
績値を、ハイテン材の薄物(板厚3.5 mm以下)について
示したものである。図4において、横軸は、板厚毎に層
別して示した圧延材を示すもので、数字はコイル番号で
ある。縦軸はモデル誤差を示し、黒丸は、静的モデルに
よって計算された荷重値に対して、実績の荷重値がどの
程度異なっていたかを示す(P/PC )。白丸は数式モ
デルによって示された荷重の誤差の予測、すなわち静的
モデルによって計算された荷重値に対してどの程度の修
正値が必要かを本発明のモデルにより計算した値(P/
PC )の予測値を示す。△印は、残差を示し、黒丸と白
丸の値の差を示したものである。FIG. 4 shows a graph of a load model error prediction result using one embodiment of the present invention. FIG. 4 shows the final stand F7 in a continuous hot strip rolling mill of seven continuous machines.
The figure shows the prediction of the load model error of the stand and the actual value of the load model error for a thin high-tensile material (thickness of 3.5 mm or less). In FIG. 4, the horizontal axis represents the rolled material layered for each sheet thickness, and the numerals are the coil numbers. The vertical axis shows the model error, and the black circles show how much the actual load value differs from the load value calculated by the static model (P / P C ). The white circles indicate the prediction of the load error indicated by the mathematical model, that is, the value calculated by the model of the present invention (P /
It shows the predicted value of P C). The Δ marks indicate the residuals, and indicate the differences between the values of the black circles and the white circles.
【0052】図4において、A、B、C、D、E、Fの
矢印で示された部分は、それぞれ、表2において示され
た符号の板幅、板厚に対応する部分である。たとえば、
矢印Dの部分は、板厚が2.65mmで、板幅が1121mmの材料
に対応する。In FIG. 4, the portions indicated by arrows A, B, C, D, E, and F correspond to the plate widths and plate thicknesses indicated by the reference symbols in Table 2, respectively. For example,
The portion indicated by arrow D corresponds to a material having a board thickness of 2.65 mm and a board width of 1121 mm.
【0053】[0053]
【表2】 [Table 2]
【0054】これらのデータの内、図4のデータを採取
する前に多くのデータが採取されて学習が進んでいる
C、D、Eの材料においては、圧延荷重が10%以内の
精度で予測できている。A、B、Fの部分で圧延荷重の
予測精度が悪いのは、これらの板厚、板幅のデータが蓄
積されておらず、学習が進んでいないためと考えられ
る。Of these data, for the materials C, D, and E, for which a large amount of data is collected before learning the data of FIG. 4 and learning is advanced, the rolling load is predicted with an accuracy within 10%. is made of. It is considered that the reason why the prediction accuracy of the rolling load is poor in the portions A, B, and F is that the data of the sheet thickness and the sheet width is not accumulated, and the learning is not advanced.
【0055】表3に図4の結果を集計したものを示す。
その結果は、荷重モデル誤差実績を基準とした荷重モデ
ル誤差予測の差は、平均値で荷重モデル誤差実績の-0.8
%であり、標準偏差は9.3 %であった。これより、本発
明装置によりモデル誤差を10%以内で精度良く推定でき
ることがわかる。Table 3 shows the results of FIG.
As a result, the difference of the load model error prediction based on the actual load model error is -0.8
% And the standard deviation was 9.3%. From this, it is understood that the model error can be accurately estimated within 10% by the device of the present invention.
【0056】[0056]
【表3】 [Table 3]
【0057】[0057]
【発明の効果】以上述べたように、本発明によれば圧延
機の設定計算における学習制御において、材料特有のモ
デル誤差を、ニューラルネットで求めることにより、膨
大なテーブルと多大な調整による労力を必要とせずに、
精度良く予測することができる。特に、ニューラルネッ
トの計算をオフラインにおいて行うことにより、オンラ
インにおける制御をディスターブすること無く、精度の
良い制御を行うことができる。As described above, according to the present invention, in learning control in setting calculation of a rolling mill, a model error peculiar to a material is obtained by a neural network, so that an enormous table and a large amount of adjustment labor are required. Without needing,
Prediction can be made with high accuracy. In particular, by performing the calculation of the neural network off-line, accurate control can be performed without disturbing the on-line control.
【図1】本発明の1実施形態である圧延機制御装置を示
すブロック図である。FIG. 1 is a block diagram showing a rolling mill control device according to one embodiment of the present invention.
【図2】本発明1実施形態であるニューラルネット処理
部の概要を示すブロック図である。FIG. 2 is a block diagram illustrating an outline of a neural network processing unit according to the first embodiment of the present invention.
【図3】ニューラルネット学習処理部とニューラルネッ
トワーク学習処理部の内容を簡略化して示した図であ
る。FIG. 3 is a diagram showing simplified contents of a neural network learning processing unit and a neural network learning processing unit;
【図4】荷重モデル誤差予測と、荷重モデル誤差の実績
値を、ハイテン材の薄物(について示した図である。FIG. 4 is a diagram showing the load model error prediction and the actual value of the load model error for a thin material of a high-tensile material.
1 板厚制御装置 2 圧延荷重計算処理部 3 圧延荷重学習修正処理部 4 ロールギャップ計算処理部 5 短期学習処理部 6 長期学習処理部 7 圧延仕様入力部 8 長期学習入力部 9 圧延実績収集処理部 10 圧延機 11 長期学習入力値記憶装置 12 ニューラルネットワーク学習処理装置 1 Sheet thickness control device 2 Rolling load calculation processing unit 3 Rolling load learning correction processing unit 4 Roll gap calculation processing unit 5 Short term learning processing unit 6 Long term learning processing unit 7 Rolling specification input unit 8 Long term learning input unit 9 Rolling result collection processing unit Reference Signs List 10 rolling mill 11 long-term learning input value storage device 12 neural network learning processing device
Claims (8)
デルに従って、圧延機の各設定値を決定し、圧延結果を
フィードバックして数式モデルの誤差を修正しながら圧
延を行う圧延機の制御方法であって、過去の同一仕様の
圧延材または同種仕様の圧延材のモデル誤差の実績か
ら、前記同一仕様の圧延材または同種仕様の圧延材に特
有のモデルの誤差を推定し、数式モデル計算値に修正を
加える長期学習制御と、圧延機の温度変化や摩耗などの
短期的変化に伴う圧延状態の変化により生ずるモデル誤
差を至近の圧延材のモデル誤差の実績から推定し、モデ
ル計算値に修正を加える短期学習制御とを、圧延モデル
に反映させる圧延機制御方法において、 前記長期学習制御をニューラルネットワークを用いて行
うことを特徴とする圧延機の制御方法。A control method for a rolling mill that determines each set value of a rolling mill according to a mathematical model in which the characteristics of the rolling mill are mathematically modeled, feeds back a rolling result, and corrects an error in the mathematical model to perform rolling. From the past results of the model error of the rolled material of the same specification or the same type of specification, the error of the model specific to the rolled material of the same specification or the same type of specification is estimated, and the mathematical model calculation value Model errors caused by changes in rolling conditions due to short-term changes such as temperature changes and wear of rolling mills are estimated from the model errors of the closest rolled material, and corrected to model calculation values. A rolling mill control method for reflecting the short-term learning control to the rolling model, wherein the long-term learning control is performed using a neural network. .
デルに従って、圧延機の各設定値を決定し、圧延結果を
フィードバックして数式モデルの誤差を修正しながら圧
延を行う圧延機の制御方法であって、過去の同一仕様の
圧延材または同種仕様の圧延材のモデル誤差の実績か
ら、前記同一仕様の圧延材または同種仕様の圧延材に特
有のモデルの誤差を推定し、モデル計算値に修正を加え
る長期学習制御と、圧延機の温度変化や摩耗などの短期
的な変化に伴う圧延状態の変化により生ずるモデル誤差
を至近の圧延材のモデル誤差の実績から推定し、モデル
計算値に修正を加える短期学習制御とを、圧延モデルに
反映させる圧延機学習制御方法において、圧延実績の一
部を圧延実績収集装置に蓄積し、圧延実績収集装置に蓄
えられた圧延実績を教師信号として前記長期学習制御を
オフラインにおいてニューラルネットワークを用いて行
い、ニューラルネットワークによって得られた結果をオ
ンラインの制御装置で用いることを特徴とする圧延機の
制御方法。2. A control method for a rolling mill that determines each set value of a rolling mill in accordance with a mathematical model in which characteristics of the rolling mill are mathematically modeled, feeds back a rolling result, and corrects an error in the mathematical model to perform rolling. In the past, from the results of the model error of the rolled material of the same specification or rolled material of the same specification in the past, the error of the model specific to the rolled material of the same specification or the rolled material of the same specification is estimated, and the model calculation value is calculated. Estimate model errors caused by changes in rolling conditions due to short-term changes such as temperature changes and wear of rolling mills from long-term learning control to add corrections, and estimate the model errors from the model errors of the closest rolled material to model calculation values. In the rolling mill learning control method that reflects the short-term learning control to the rolling model, a part of the rolling results is stored in the rolling results collection device, and the rolling results stored in the rolling results collection device are taught. A method for controlling a rolling mill, wherein the long-term learning control is performed offline using a neural network as a teacher signal, and the result obtained by the neural network is used in an online control device.
材に特有のモデルの誤差を推定するためのパラメータ
が、材料の鋼種又は成分値の少なくとも一方を含むこと
を特徴とする請求項1又は請求項2に記載の圧延機の制
御方法。3. A parameter for estimating an error of a model peculiar to a rolled material of the same specification or a rolled material of the same type includes at least one of a steel type and a component value of the material. A method for controlling a rolling mill according to claim 2.
材に特有のモデルの誤差を推定するためのパラメータ
が、板厚、板幅、圧下率を含むと共に、材料の鋼種又は
成分値の少なくとも一方を含むことを特徴とする請求項
1又は請求項2に記載の圧延機の制御方法。4. Parameters for estimating an error of a model specific to a rolled material of the same specification or a rolled material of the same type include sheet thickness, sheet width, reduction ratio, and at least the steel type or component value of the material. The method for controlling a rolling mill according to claim 1, wherein the control method includes one of them.
デル計算値に、更に短期学習制御により修正を加えるこ
とを特徴とする請求項1から請求項4のうちいずれか1
項に記載の圧延機の制御方法。5. The method according to claim 1, wherein the numerical model calculation value corrected by the long-term learning control is further corrected by the short-term learning control.
The control method of a rolling mill according to the paragraph.
圧延仕様入力部からのデータに基づいて圧延荷重を計算
する圧延荷重計算処理部と、圧延荷重計算処理部の計算
結果に基づいて圧延機のロールギャップを決定するロー
ルギャップ計算処理部と、圧延実績を収集する圧延実績
収集処理部と、圧延実績に基づいて、圧延機の温度変化
や摩耗などの短期的な変化を学習して圧延荷重計算処理
部の計算結果を修正する短期学習処理部と、圧延材の実
データを収集する長期学習入力値記憶装置と、長期学習
入力記憶装置に記憶されたデータを教師信号として、前
記圧延荷重計算処理部の誤差を修正するパラメータをニ
ューラルネットワークを使用して算出するニューラルネ
ットワーク学習処理装置と、長期学習入力記憶装置に入
力される実データに対応する、圧延材の標準値データを
入力する長期学習入力部と、ニューラルネットワーク学
習処理装置によって算出されたパラメータを転記して有
し、長期学習入力部からのデータに基づいて前記圧延荷
重計算処理部の誤差を修正する長期学習処理部と、短期
学習処理部と長期学習処理部の出力結果に基づいて圧延
荷重の学習修正を行う圧延荷重学習修正処理部とを有し
てなる圧延機の制御装置。6. A rolling specification input unit for inputting a rolling specification,
A rolling load calculation processing unit that calculates a rolling load based on data from a rolling specification input unit; a roll gap calculation processing unit that determines a roll gap of a rolling mill based on a calculation result of the rolling load calculation processing unit; And a short-term learning processing unit that learns short-term changes such as temperature changes and wear of the rolling mill and corrects the calculation result of the rolling load calculation processing unit based on the rolling results. A long-term learning input value storage device that collects actual data of the rolled material, and using the data stored in the long-term learning input storage device as a teacher signal, using a neural network to correct the error of the rolling load calculation processing unit. Neural network learning processing device to calculate and long-term learning to input standard value data of rolled material corresponding to actual data input to long-term learning input storage device A force section, a long-term learning processing section that transcribes parameters calculated by the neural network learning processing device, corrects an error of the rolling load calculation processing section based on data from the long-term learning input section, A control device for a rolling mill, comprising: a processing unit; and a rolling load learning correction processing unit that performs learning correction of a rolling load based on an output result of the long-term learning processing unit.
ットワーク学習処理装置が、制御装置の他の部分と独立
の制御装置からなることを特徴とする請求項6に記載の
圧延機の制御装置。7. The control device for a rolling mill according to claim 6, wherein the long-term learning input value storage unit and the neural network learning processing device comprise a control device independent of other portions of the control device.
理部の出力結果に基づいて圧延荷重の学習修正を行った
後、更にその結果に対して、短期学習処理部の出力結果
に基づいて圧延荷重の学習修正を行うものであることを
特徴とする請求項6または請求項7に記載の圧延機の制
御装置。8. The rolling load learning correction processing unit performs learning correction of the rolling load based on the output result of the long-term learning processing unit, and further, based on the result, based on the output result of the short-term learning processing unit. The control device for a rolling mill according to claim 6 or 7, wherein learning control of the rolling load is performed.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP23548197A JP3223856B2 (en) | 1997-04-17 | 1997-08-18 | Rolling mill control method and rolling mill control device |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP11416297 | 1997-04-17 | ||
JP9-114162 | 1997-04-17 | ||
JP23548197A JP3223856B2 (en) | 1997-04-17 | 1997-08-18 | Rolling mill control method and rolling mill control device |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH11707A true JPH11707A (en) | 1999-01-06 |
JP3223856B2 JP3223856B2 (en) | 2001-10-29 |
Family
ID=26452987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP23548197A Ceased JP3223856B2 (en) | 1997-04-17 | 1997-08-18 | Rolling mill control method and rolling mill control device |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3223856B2 (en) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000263110A (en) * | 1999-03-10 | 2000-09-26 | Toshiba Corp | Learning apparatus for rolling control model |
US6722173B2 (en) * | 1999-03-23 | 2004-04-20 | Siemens Aktiengesellschaft | Method and device for determining the rolling force in a roll stand |
KR20040043911A (en) * | 2002-11-20 | 2004-05-27 | 주식회사 포스코 | Apparatus and method for prediction rolling force using neural network |
JP2004517736A (en) * | 2001-02-13 | 2004-06-17 | シーメンス アクチエンゲゼルシヤフト | Method and apparatus for presetting a process amount of a rolling path for rolling a metal strip |
JP2010247223A (en) * | 2009-03-27 | 2010-11-04 | Nippon Steel Corp | Device, method and program for control of rolling |
JP2012208538A (en) * | 2011-03-29 | 2012-10-25 | Jfe Steel Corp | Manipulated variable preset method of process control |
JP2018180799A (en) * | 2017-04-10 | 2018-11-15 | 株式会社日立製作所 | Plant control device, control method therefor, rolling machine control device, control method therefor, and program |
JP2019028824A (en) * | 2017-08-01 | 2019-02-21 | 株式会社日立製作所 | Plant control device and method of controlling the same, rolling machine control apparatus and control method and program therefor |
JP2019087152A (en) * | 2017-11-09 | 2019-06-06 | 新日鐵住金株式会社 | Manufacturing process state prediction device, method, and program, and manufacturing process control system |
JP2019087072A (en) * | 2017-11-08 | 2019-06-06 | 株式会社アクセル | Processor, inference device, learning device, processing system, processing method, and processing program |
KR20200032821A (en) * | 2018-09-19 | 2020-03-27 | 주식회사 포스코 | Rolling apparatus and method using predictive model |
JP2020049509A (en) * | 2018-09-26 | 2020-04-02 | 株式会社ダイヘン | Welding current waveform adjustment amount calculation device and learning method |
WO2020171096A1 (en) | 2019-02-21 | 2020-08-27 | Jfeスチール株式会社 | Rolling load predicting method, rolling load predicting device, and rolling control method |
JP2021030264A (en) * | 2019-08-23 | 2021-03-01 | Jfeスチール株式会社 | Learning model generation method, database construction method, mill setup setting method, manufacturing method of rolled material, manufacturing method of processing object, and learning model generation device |
JP2021133415A (en) * | 2020-02-28 | 2021-09-13 | Jfeスチール株式会社 | Model learning method, flying plate thickness changing method, steel plate manufacturing method, model learning device, flying plate thickness changing device and steel plate manufacturing device |
JP2021181095A (en) * | 2020-05-18 | 2021-11-25 | Jfeスチール株式会社 | Rolling load prediction method, rolling method, hot-rolled steel sheet manufacturing method, and rolling load prediction model generation method |
JP2021194701A (en) * | 2020-06-10 | 2021-12-27 | Jfeスチール株式会社 | Forming method for model for estimating amount of change in cross-sectional dimension of shaped steel, forming device for model for estimating amount of change in cross-sectional dimension of shaped model, estimating method for cross-sectional dimension of shaped steel, control method for cross-sectional dimension of shaped steel, and manufacturing method for shaped steel |
JP2022151648A (en) * | 2021-03-23 | 2022-10-07 | Jfeスチール株式会社 | Rolling control device and rolling control method |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5604945B2 (en) * | 2010-04-06 | 2014-10-15 | 新日鐵住金株式会社 | Quality prediction apparatus, quality prediction method, computer program, and computer-readable recording medium |
JP6705519B1 (en) * | 2019-02-12 | 2020-06-03 | Jfeスチール株式会社 | Manufacturing equipment setting condition determining method, rolling mill mill setup setting value determining method, rolling mill mill setup setting value determining device, product manufacturing method, and rolled material manufacturing method |
-
1997
- 1997-08-18 JP JP23548197A patent/JP3223856B2/en not_active Ceased
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000263110A (en) * | 1999-03-10 | 2000-09-26 | Toshiba Corp | Learning apparatus for rolling control model |
US6722173B2 (en) * | 1999-03-23 | 2004-04-20 | Siemens Aktiengesellschaft | Method and device for determining the rolling force in a roll stand |
JP2004517736A (en) * | 2001-02-13 | 2004-06-17 | シーメンス アクチエンゲゼルシヤフト | Method and apparatus for presetting a process amount of a rolling path for rolling a metal strip |
KR20040043911A (en) * | 2002-11-20 | 2004-05-27 | 주식회사 포스코 | Apparatus and method for prediction rolling force using neural network |
JP2010247223A (en) * | 2009-03-27 | 2010-11-04 | Nippon Steel Corp | Device, method and program for control of rolling |
JP2012208538A (en) * | 2011-03-29 | 2012-10-25 | Jfe Steel Corp | Manipulated variable preset method of process control |
JP2018180799A (en) * | 2017-04-10 | 2018-11-15 | 株式会社日立製作所 | Plant control device, control method therefor, rolling machine control device, control method therefor, and program |
JP2019028824A (en) * | 2017-08-01 | 2019-02-21 | 株式会社日立製作所 | Plant control device and method of controlling the same, rolling machine control apparatus and control method and program therefor |
US11423297B2 (en) | 2017-11-08 | 2022-08-23 | Axell Corporation | Processing apparatus, processing method, and nonvolatile recording medium |
JP2019087072A (en) * | 2017-11-08 | 2019-06-06 | 株式会社アクセル | Processor, inference device, learning device, processing system, processing method, and processing program |
JP2019087152A (en) * | 2017-11-09 | 2019-06-06 | 新日鐵住金株式会社 | Manufacturing process state prediction device, method, and program, and manufacturing process control system |
KR20200032821A (en) * | 2018-09-19 | 2020-03-27 | 주식회사 포스코 | Rolling apparatus and method using predictive model |
JP2020049509A (en) * | 2018-09-26 | 2020-04-02 | 株式会社ダイヘン | Welding current waveform adjustment amount calculation device and learning method |
WO2020171096A1 (en) | 2019-02-21 | 2020-08-27 | Jfeスチール株式会社 | Rolling load predicting method, rolling load predicting device, and rolling control method |
JP2020131248A (en) * | 2019-02-21 | 2020-08-31 | Jfeスチール株式会社 | Rolling load prediction method, rolling load prediction device, and rolling control method |
JP2021030264A (en) * | 2019-08-23 | 2021-03-01 | Jfeスチール株式会社 | Learning model generation method, database construction method, mill setup setting method, manufacturing method of rolled material, manufacturing method of processing object, and learning model generation device |
JP2021133415A (en) * | 2020-02-28 | 2021-09-13 | Jfeスチール株式会社 | Model learning method, flying plate thickness changing method, steel plate manufacturing method, model learning device, flying plate thickness changing device and steel plate manufacturing device |
JP2021181095A (en) * | 2020-05-18 | 2021-11-25 | Jfeスチール株式会社 | Rolling load prediction method, rolling method, hot-rolled steel sheet manufacturing method, and rolling load prediction model generation method |
JP2021194701A (en) * | 2020-06-10 | 2021-12-27 | Jfeスチール株式会社 | Forming method for model for estimating amount of change in cross-sectional dimension of shaped steel, forming device for model for estimating amount of change in cross-sectional dimension of shaped model, estimating method for cross-sectional dimension of shaped steel, control method for cross-sectional dimension of shaped steel, and manufacturing method for shaped steel |
JP2022151648A (en) * | 2021-03-23 | 2022-10-07 | Jfeスチール株式会社 | Rolling control device and rolling control method |
Also Published As
Publication number | Publication date |
---|---|
JP3223856B2 (en) | 2001-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3223856B2 (en) | Rolling mill control method and rolling mill control device | |
JP6922675B2 (en) | Manufacturing process state predictors, methods and programs, and manufacturing process control systems | |
JP4452323B2 (en) | Learning method of rolling load prediction in hot strip rolling. | |
CN101168173B (en) | Device and method for controlling winding temperature | |
CN101758084A (en) | Model self-adapting sheet shape prediction and control method | |
KR20180003998A (en) | Plant control device, rolling control device, plant control method, and plant control program | |
Larkiola et al. | Prediction of rolling force in cold rolling by using physical models and neural computing | |
KR100186903B1 (en) | Method of controlling form of strip in rolling mill | |
CN106030424A (en) | Rolling process learning control device | |
KR101749018B1 (en) | Flatness control device | |
JPH07191711A (en) | Method and apparatus for giving of instruction to process at inside of system to be adjusted | |
JP2007245204A (en) | Learning method for rolling-load model and device therefor | |
JPH07246411A (en) | Device for correcting roll gap of rolling mill | |
JP2020157327A (en) | Control method for outlet side temperature of finished steel sheet, control device therefor and production method for steel sheet | |
JPH08117827A (en) | Rolling device | |
JP2001025807A (en) | Learning control device of reverse rolling mill | |
JP2013226596A (en) | Learning control device and method for rolling load, and method for manufacturing metal plate using the same | |
JPS59101212A (en) | Controlling method of rolling mill | |
JP3467677B2 (en) | Learning control method of rolling load in rolling mill | |
JPH09174128A (en) | Method for controlling shape of rolled stock | |
JP2000117315A (en) | Device for controlling opening degree of edger | |
KR20200032821A (en) | Rolling apparatus and method using predictive model | |
CN108971237A (en) | Bearing float compensation for metal rolling applications | |
JP3681283B2 (en) | Rolling mill setup equipment | |
JP3114424B2 (en) | Initial setting method of rolling position and roll peripheral speed of rolling mill |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RVOP | Cancellation by post-grant opposition |