JPWO2021048984A1 - 絞り発生予測システム - Google Patents

Abstract

絞り発生予測システムは、対象圧延パスにおける絞りの発生の有無及び発生個所を示す第１データと、圧延材が対象圧延パスよりも圧延順序で先行する先行圧延パスで圧延された際の先行圧延パスに関する情報と同圧延材に関する属性とを含む第２データとを適応モデル構築用データとして採取し保存する。絞り発生予測システムは、保存した適応モデル構築データを用いて適応モデルを構築し、構築が完了した適応完了モデルを保存する。絞り発生予測システムは、予測対象の圧延材が対象圧延パスよりも圧延順序で先行する先行圧延パスで圧延された際の同先行圧延パスに関する情報と同圧延材に関する属性とを含む予測用データを採取する。そして、絞り発生予測システムは、予測用データを適応完了モデルに入力することによって、予測対象の圧延材が対象圧延パスに到達するよりも前に、対象圧延パスにおける絞りの発生の有無及び発生個所の全部又は一部を予測する。

Description

本発明は、板状の金属材料を高温に熱し複数の圧延パスで圧延する熱間圧延において、圧延材に絞りが発生することを事前に予測するシステムに関する。

圧延機は、鉄鋼材料や、アルミ・銅などの非鉄材料の塊を圧延して薄くすることで、それらを自動車や電機製品へ加工し易くする。圧延機には、板材を圧延する熱間薄板圧延機、厚板圧延機、冷間圧延機、棒線材を圧延する圧延機など、様々なタイプのものがある。この中で、絞りが発生しやすいのは、圧延材を１本ずつバッチ的に高速で圧延する、熱間薄板圧延機である。

図１２は、従来の熱間薄板圧延プロセスにおける圧延機の構成の一例を示す図である。図１２に示す圧延機２０は、加熱炉２１、粗圧延機２２、バーヒータ２４、仕上圧延機２５、ランアウトテーブル２６、巻き取り機２７などの各種の装置からなる。加熱炉２１で熱せられた圧延材１００は、粗圧延機２２により圧延される。粗圧延機２２で圧延された圧延材１００は、バーヒータ２４を経て、仕上圧延機２５へ搬送される。仕上圧延機２５で圧延された圧延材１００は、ランアウトテーブル２６で冷却された後、巻き取り機２７によってコイル状に巻き取られる。圧延材１００を薄く圧延してできたコイル状の薄板が最終的な製品である。

図１２に示す粗圧延機２２は、上下ワークロールをそれぞれ１つずつ有する圧延スタンドＲ１と、上下ワークロールとそれより径が大きな上下バックアップロールの計４本のロールを有する圧延スタンドＲ２とを有する。図１２に示す仕上圧延機２５は、直列に並べられた７台の圧延スタンドＦ１〜Ｆ７を有する。仕上圧延機２５の各圧延スタンドＦ１〜Ｆ７は、図１２に示す例では上下４本のロールで構成されているが、ワークロールとバックアップロールの間に入る中間ロールを含む上下６本のロールで構成される場合もある。なお、上下の圧延ロールを駆動するための大容量電動機、ロールと電動機を結ぶシャフトなど、細かい仕様は異なるものの、装置の構成は似ていることが多い。

粗圧延機２２と仕上圧延機２５の各圧延スタンドの入側には、図示していないサイドガイドが設置される。粗圧延機２２では、材料の圧延前に圧延材を止め、サイドガイドの開度を狭めて圧延材をはさみ、センタリングしてから圧延することが多い。仕上圧延機２５では、高速で圧延材が圧延スタンドに進入することが多いため、あらかじめ圧延材の幅に余裕を加えた幅でサイドガイドの開度を設定しておくことが多い。

圧延材の絞りは、圧延材が圧延スタンド直下で蛇行、つまり、ロール幅方向に移動したり、或いは幅方向に折れ曲がったりすることにより圧延材の先端または尾端に発生する現象である。絞りには、圧延材の先端に発生する先端絞りと、圧延材の尾端に発生する尾端絞りとがある。先端絞りは、圧延材の蛇行や圧延材の先端の曲がりによって、圧延材が圧延スタンドに進入する前にその先端が入側サイドガイドにつっかけ、先端を折れ曲げながら圧延スタンドに進入することで発生する。尾端絞りは、圧延材の尾端が圧延スタンドを抜ける前に蛇行することにより尾端が入側サイドガイドに衝突したり、尾端が２枚に折れ込まれながら圧延されることで、その折れ込まれた部分に荷重が集中し、その部分が引きちぎられるなどしたりすることで発生する。

絞りが発生するとロール表面に疵がつくことがある。その疵が次の圧延材の表面に転写されるのを防ぐため、一旦操業を止め、ロールを抜き出して点検することがある。また、ちぎれた材料の切れ端が圧延機内に残ることがある。その切れ端が次に圧延する材料の通板性を阻害することがあるため、この場合にも点検が必要となる。これらの作業は生産性を低下させ、ひいてはロール原単位を低下させる。

なお、粗圧延機２２では順方向、逆方向の圧延を繰り返すいわゆるリバース圧延が５、６パス行われ、仕上圧延機２５では６、７台の圧延スタンドＦ１〜Ｆ７で一気通貫に圧延される。圧延スタンド下を圧延材が１度通過することを１パスと呼ぶ。粗圧延機２２では１台の圧延スタンドで複数パスの圧延が行われ、仕上圧延機２５では１台の圧延スタンドで１パスのみの圧延が行われる。以下では、絞りの発生頻度が特に高い仕上圧延機２５における尾端絞りに関して説明する。ここで、１パスの圧延と１スタンドでの圧延とは同じ意味とする。

従来の熱間薄板圧延プロセスでは、絞りに対して一般に以下のような対策が行われている。
対策Ａ：絞りが発生しやすい圧延材に対し、オペレータが事前に対処する。
対策Ｂ：絞りが発生することに反応して、オペレータが即座に対応する。
対策Ｃ：尾端の蛇行を抑える自動蛇行制御を適用する。

絞りが発生しやすい圧延材には、製品厚が薄いもの、板クラウンが小さいもの、特定の鋼種などがある。特に板厚が薄く圧延速度が速くなる仕上圧延機の後段で、絞りが発生しやすい。対策Ａによれば、そのような圧延材および状況に対し、オペレータは上流側の圧延材の蛇行の様子を見ながら処置をすることになる。しかし、オペレータは、圧下、速度など種々の状況に対応しなければならず、またオペレータごとに熟練度合いが異なるため、必ずしも的確に対応できるとは限らない。対策Ｂでは、オペレータは蛇行が始まればそれを矯正しようとする。しかし、蛇行は急激に進行する現象であるため、オペレータが的確に対応できるとは限らない。

対策Ｃは蛇行を抑えるのに有効ではあるが、蛇行が始まった後で制御するもので、事前に蛇行の発生を予測するものではない。また、例えば特許文献１や特許文献２に開示されているように、蛇行制御は以前から取り組まれている。特許文献１、２に開示されている従来技術は、その具体的な方法は異なるものの、圧延材の蛇行量を計算し、それを用いて制御することで蛇行量を抑え、絞りを防ごうとするものである。しかし、蛇行制御の対象は不安定なシステムであり、制御が難しく、有効な制御手段がないことも事実である。

日本特開２０１８−４３２５５号公報 日本特開平４−１１８１０８号公報

オペレータの眼前で圧延している圧延材において、絞りが発生するか否か、また、絞りがどこで発生するかは、オペレータの経験と勘に頼る割合が大きく、正確にそれらを予測することはできていない。絞りの原因である板の蛇行を物理モデルで構築する試みも行われて来ているが、現実には十分な精度を持ったモデルの構築はいまだに困難である。また、モデルを用いた蛇行制御も十分な性能を得ているとは言い難い。

本発明はこのような課題に鑑みてなされたものであり、絞り発生の有無と発生個所を予測することができる絞り発生予測システムを提供することを目的とする。

本発明に係る絞り発生予測システムは、板状の金属材料を高温に熱し複数の圧延パスで圧延する熱間圧延において、圧延材が蛇行或いは幅方向に折れ曲がることにより圧延材の先端または尾端に発生する現象である絞りの発生を予測するシステムであって、１又は複数のコンピュータを備える。１又は複数のコンピュータは、絞りの発生を予測するための適応モデルの構築に用いる適応モデル構築用データを採取し保存する処理と、適応モデル構築用データを用いて適応モデルを構築する処理と、構築が完了した適応モデルである適応完了モデルを保存する処理と、絞りの発生の予測に用いる予測用データを採取する処理と、予測用データを適応完了モデルに入力することによって絞りの発生を予測する処理とを実行するようにプログラムされている。

詳しくは、絞り発生予測システムが備える１又は複数のコンピュータは、適応モデル構築用データを採取し保存する処理では、適応モデル構築用データとして、絞り発生予測の対象となる対象圧延パスにおける絞りの発生の有無及び発生個所を示す第１データと、第１データに紐づけられた圧延材が対象圧延パスよりも圧延順序で先行する先行圧延パスで圧延された際の同先行圧延パスに関する情報と同圧延材に関する属性とを含む第２データと、を複数セット採取する。予測用データを採取する処理では、予測用データとして、予測対象の圧延材が前記対象圧延パスよりも圧延順序で先行する先行圧延パスで圧延された際の同先行圧延パスに関する情報と同圧延材に関する属性とを含むデータを採取する。絞りの発生を予測する処理では、予測対象の圧延材が対象圧延パスに到達するよりも前に、対象圧延パスにおける絞りの発生の有無及び発生個所の全部又は一部を予測する。

絞り発生予測システムが備える１又は複数のコンピュータは、絞りの発生の予測結果を表示装置に表示する処理を実行するようにプログラムされてもよい。

絞り発生予測システムが備える１又は複数のコンピュータは、対象圧延パスにおいて絞りが発生すると予測された場合、対象圧延パスの入側サイドガイドを操作する処理を実行するようにプログラムされてもよい。入側サイドガイドを操作する処理では、予測対象の圧延材の先端と尾端のどちらの端部で絞りが発生するのか特定し、絞りが発生する方の端部の通過に合わせて入側サイドガイドを開いてもよい。また、対象圧延パスの運転室側と電動機側のどちらの側で絞りが発生するのか特定し、絞りが発生する側の入側サイドガイドを開いてもよい。対象圧延パスの運転室側と電動機側のどちらの側で絞りが発生するのか特定できない場合、運転室側と電動機側の両側の入側サイドガイドを開いてもよい。

適応モデルを構築する処理では、人工知能の範疇に入る機械学習又は統計的手法により適応モデルを構築し、適応モデル構築用データが新たに一定数得られるたびに適応モデルを更新してもよい。

適応モデル構築用データを採取し保存する処理では、対象圧延パスを通過した圧延材の画像データの解析により対象圧延パスにおける絞りの発生の有無及び発生個所を判定してもよい。または、対象圧延パスの入側サイドガイドにかかる荷重に基づき前記対象圧延パスにおける絞りの発生の有無及び発生個所を判定してもよい。さらに、オペレータがＨＭＩを介して入力した対象圧延パスにおける絞りの発生の有無及び発生個所を受け付けてもよい。

本発明に係る絞り発生予測システムによれば、圧延材の絞り発生予測の有無の情報を含むデータが採取され、機械学習や統計的手法により適応モデルが構成され、予測対象の圧延パスより上流側のデータを適応完了モデルに入力することにより、次に圧延される材料における絞りの発生の有無及び発生個所が事前に予測される。これにより、圧延材が対象圧延パスを通過する前に絞りの原因である板の蛇行を防いだり、小さくしたりする等の準備をする時間余裕を持つことができるので、絞り発生の低減とそれによる安定操業の実現、ひいてはロール原単位の向上につなげることができる。また実機データに基づいて予測を行うため、実機の状況の変化に追従できる利点もある。

本発明の第１の実施の形態の絞り発生予測システムの構成を示すブロック図である。 オペレータが絞り発生の有無及び発生個所を入力するためのＨＭＩの一例を示す図である。 本発明の第１の実施の形態の絞り発生予測システムの適応モデル構築部で行われる処理を概念的に示す図である。 本発明の第１の実施の形態の絞り発生予測システムの予測部で行われる処理を概念的に示す図である。 本実施の形態の絞り発生予測システムによる処理フローを詳細に示すフローチャートである。 ＳＯＭの構成例とそれ用いた予測方法の概要とを説明する図である。 ＡＣＣの動作概要について具体的に説明する図である。 ＡＣＣの動作概要について具体的に説明する図である。 ＡＣＣの動作概要について具体的に説明する図である。 本実施の形態の絞り発生予測システムによる処理フローの変形例を示すフローチャートである。 本発明の第２の実施の形態の絞り発生予測システムに係る絞り予測結果を利用した入側サイドガイドの制御の例を示す図である。 従来の熱間薄板圧延プロセスにおける圧延機の構成の一例を示す図である。

図面を参照して、本発明の実施の形態を説明する。ただし、以下に示す実施の形態は、本発明の技術的思想を具体化するための装置や方法を例示するものであって、特に明示する場合を除き、構成部品の構造や配置、処理の順序などを下記のものに限定する意図はない。本発明は以下に示す実施の形態に限定されるものではなく、本発明の趣旨を逸脱しない範囲で種々変形して実施することができる。

＜第１の実施の形態＞
１．絞り発生予測システムの構成
図１は、本発明の第１の実施の形態の絞り発生予測システムの構成を示すブロック図である。本実施の形態の絞り発生予測システムは図１２に示す構成を有する熱間薄板圧延プロセスに適用されている。絞り発生予測システムは、予測に係るデータの採取及び保存とそのデータを用いた演算とを行う予測装置１０を備える。予測装置１０は、単一のコンピュータで構成されてもよいし、ネットワークに接続された複数のコンピュータから構成されてもよい。

予測装置１０は、適応モデル構築データ採取保存部１、適応モデル構築部２、予測用データ採取部３、予測部４、及び結果表示部５を備える。これらの要素のうち、適応モデル構築データ採取保存部１、適応モデル構築部２、予測用データ採取部３、及び予測部４は、コンピュータのメモリから読みだされたプログラムがプロセッサで実行されることによって、プロセッサによりソフトウェア的に実現される。メモリには、絞り発生予測に用いる各種のプログラムや各種のデータが記憶されている。なお、ここでいうメモリには、主記憶装置と補助記憶装置の両方が含まれる。結果表示部５はコンピュータに結合された表示装置である。

適応モデル構築データ採取保存部１は、後述する適応モデルを構築するための適応モデル構築用データを採取して保存する。適応モデル構築用データには、第１データと第２データとが含まれる。第１データは、絞りの発生を予測する対象となる圧延スタンド（圧延パス）における絞りの発生の有無及び発生個所を示すデータである。絞りの発生個所は、圧延材の流れ方向（長さ方向）において先端と尾端とに分類され、圧延材の幅方向において運転室側（Work Side：以下、ＷＳと表記する）と電動機側（Drive Side：以下、ＤＳと表記する）とに分類される。第１データには、対象圧延スタンドで圧延された圧延材の識別番号（ＩＤ）と、板厚や板幅等の製品情報とが関連付けられ、第１データとともに保存される。

第２データは、圧延材が対象圧延スタンドよりも圧延順序で先行する先行圧延スタンドで圧延された際のその先行圧延スタンドに関する情報と、同圧延材に関する属性とを含むプロセスデータである。先行圧延スタンドに関する情報には、例えば、ロールギャップ、ロールシフト量、圧延荷重、ゲージメータ厚等のデータ項目についての情報が含まれ、それらはセンサによって取得することができる。全部でｎスタンドの圧延スタンドを持つ仕上圧延機では、絞りの発生を予測する対象圧延パスつまり対象圧延スタンドは、例えば、第ｍスタンドから最終第ｎスタンド(ｍ≦ｎ)までのスタンドとすることができる。ただし、予測段階においてどの圧延スタンドが対象圧延スタンドに指定されるか不明のため、仕上圧延機の全スタンドのデータを採取して保存する。また、圧延材に関する属性とは、先行圧延スタンドで圧延された圧延材の属性であり、その圧延材の識別番号、鋼種、目標板厚、目標板幅、目標板クラウン、目標平坦度、目標温度などをいう。第１データと第２データとは、圧延材の識別番号を介して紐付けされている。

適応モデル構築データ採取保存部１は、図示しないＨＭＩ（Human-Machine Interface）に結合されている。適応モデル構築用データの第１データには、絞り発生の有無及び発生個所が含まれている。これらはオペレータがＨＭＩを介して入力することができる。絞りの発生個所は、一般には先端または尾端におけるＷＳまたはＤＳである。しかし、ＷＳかＤＳかを目測で判断することはオペレータにとって必ずしも容易ではない。このため、目測のあいまいさを吸収するために、ＷＳとＤＳとに加えて、板幅中央付近（Center of width：以下、ＣＷと表記する）という発生個所を設けてもよい。なお、発生個所を細かく分類し特定するためには、適応モデルに入力するデータが非常に数多く必要になり、このとき適応モデルの構築に多くの時間がかかる。このため、例えば、先端と尾端の分類のみを行うなど、発生個所をおおまかに分けることを許容するものとする。

図２は、オペレータが絞り発生の有無及び発生個所を入力するためのＨＭＩの一例を示す図である。図に示すＷＳ及びＤＳはボタンであり、７つの圧延スタンドＦ１−Ｆ７のそれぞれについて、また、先端側（Head）と尾端側（Tail）のそれぞれについて設けられている。例えば、第３圧延スタンドＦ３で尾端におけるＷＳで絞りが発生したことを目視した場合、オペレータは、Ｆ３列Tail行のＷＳボタンを押下する。また、図２に示すＨＭＩにおいて、目測のあいまいさを吸収するためのＣＷボタンを追加してもよい。或いは、ＣＷボタンを追加する代わりに、絞りはあったがＷＳとＤＳのどちらか不明な場合にはＷＳボタンとＤＳボタンの両方を押すことで、ＣＷボタンを押すのと同一の判断が行われるようにしてもよい。

適応モデル構築用の第１データを採取する方法としては、絞り発生の有無と発生個所をオペレータが入力する以外に、画像データにより判定する方法を用いることができる。一般に圧延機にはテレビカメラが多く設置されている。仕上圧延機の圧延スタンド間に設置されたテレビカメラにより圧延スタンドを通過した圧延材を撮像し、得られた画像データを解析することにより、圧延材の先端または尾端に絞りが生じているかどうか、容易に判定できる。絞りが生じていると圧延材が引きちぎれ、材料内部の高温の部分が筋状に見える。圧延材の表面温度は内部より低く黒みがかっているため、ちぎれた部分は内部の高温部分がオレンジ色としてはっきり見える。また、画像データによれば、サイドガイドに衝突した個所がＷＳまたはＤＳであるかの判定も容易である。

適応モデル構築用の第１データを採取するその他の方法として、圧延スタンドのサイドガイドにかかる荷重により判定する方法を用いることもできる。サイドガイドは位置制御または力制御を行うことが可能であり、センサによってサイドガイドにかかる力を検知することができる。絞りは圧延材の蛇行により発生することが多く、サイドガイドに印加された力がある閾値以上であれば絞りが発生したと判定することができる。また、サイドガイドにかかる力は左右で独立して検知できるので、絞りがＷＳとＤＳのいずれで発生したのかも判定することができる。

再び図１に戻り、絞り発生予測システムの構成についての説明を続ける。適応モデル構築データ採取保存部１で一定数のデータが採取されると、適応モデル構築データ採取保存部１は採取し保存しておいたデータを適応モデル構築部２に入力する。適応モデル構築部２は、入力されたデータを用いて適応モデル２ａを構築する。適応モデルとは、データが入力されると内部の構成要素間の関係度が変化し出力が変化するものをいう。

絞り発生の予測に適した適応モデルの例としては、機械学習の範疇に入るニューラルネットワーク（Neural Network：以下、ＮＮと表記する)や自己組織化マップ（Self Organizing Map：以下、ＳＯＭと表記する)など、また統計的手法を用いる適応管理図（Adaptive Control Charts：以下、ＡＣＣと表記する）などを挙げることができる。機械学習に分類される手法の学習方法には、教師あり学習と教師なし学習の２種類がある。一般にＮＮは教師あり学習、ＳＯＭは教師なし学習を行う。これらは、絞りの有無のような２つの値に分類する問題にも適用できる。ＮＮ、ＳＯＭ、ＡＣＣという方法は、広く一般に知られている方法である。それらの手法の概要については追って説明する。

図３は、適応モデル構築部２で行われる処理を概念的に示す図である。適応モデル構築部２は、適応モデル構築用の第２データ３０１を適応モデル３０２（図１に示す適応モデル２ａ）に入力する。これにより、内部の構成要素間の関係度が変化して適応モデル３０２の構築が進む。また、適応モデル構築部２は、適応モデル構築用の第１データ３０３を教師データまたは検証用データとして適応モデル３０２に入力する。第１データ３０３が教師データとして用いられる場合、第２データから得られた適応モデル３０２の出力と第１データ３０３との差はバックプロパゲーションとして適応モデル３０２に返される。

再び図１に戻り、絞り発生予測システムの構成についての説明を続ける。適応モデル構築部２は、適応モデル２ａの構築が完了すると、構築が完了した適応モデル２ａを適応完了モデル４ａとして適応モデル２ａとは別に保存する。保存された適応完了モデル４ａは予測部４において絞りの発生の予測に利用される。適応完了モデル４ａを適応モデル２ａとは別に保存するのは、絞りの発生を予測している間に適応完了モデルの内部状態が変化してはいけないためである。

適応完了モデル４ａを利用した絞りの発生の予測には、予測用データ採取部３で採取された予測用データが用いられる。予測用データ採取部３は、予測用データとして、適応モデル構築用の第２データと同じ種類のデータを採取する。つまり、予測用データ採取部３は、予測対象の圧延スタンドを第ｍスタンドから最終第ｎスタンドへ順に変更しつつ、予測対象の圧延材が予測対象の圧延スタンドよりも圧延順序で先行する先行圧延スタンドで圧延された際のその先行圧延スタンドに関する情報と、予測対象の圧延材に関する属性とを含むデータを採取する。予測用データ採取部３は、採取した予測用データを適応完了モデル４ａに入力する。

図４は、予測部４で行われる処理を概念的に示す図である。予測部４は、予測用データ３１１を適応完了モデル３１２（図１に示す適応完了モデル４ａ）に入力し、絞りの有無の予測結果を適応完了モデル４ａの出力３１３として得る。また、絞りがある場合には、その発生個所の予測結果も適応完了モデル４ａの出力３１３として得る。予測結果として得られる絞りの発生個所は、必ずしも全部の発生個所でなくてもよく、一部の発生個所でもよい。なお、適応完了モデル３１２を用いた予測は、予測対象の圧延材が対象圧延スタンドに到達するよりも前に予測結果が得られるように行われる。

再び図１に戻り、絞り発生予測システムの構成についての説明を続ける。予測部４は、適応完了モデル３１２で得られた予測結果を結果表示部５に出力する。結果表示部５は、予測結果をオペレータにわかりやすく表示する。オペレータは、結果表示部５に表示されている予測結果を参照することにより、絞りの発生を抑えるための介入操作を予測対象の圧延スタンドに対して実施することができる。

２．絞り発生予測の処理フロー
図５は、本実施の形態の絞り発生予測システムによる処理フローを詳細に示すフローチャートである。図５において、左右に並んだ二つのフローチャートのうち左側のフローチャートは適応モデルの構築段階の処理フローを示し、右側のフローチャートは予測段階の処理フローを示す。

まず、左側のフローチャートに沿って適応モデルの構築段階の処理フローについて説明する。適応モデルの構築段階では、最初にステップ１０１が実行される。ステップ１０１では、適応モデル構築用の第１データおよび第２データが採取されて保存される。

ここで、第２データの採取方法について詳しく説明する。例えば、仕上圧延機の第６スタンドＦ６での絞り発生を予測するためにデータを集めるとすると、スタンドＦ６より上流側のスタンドＦ１、Ｆ２、Ｆ３のそれぞれについて、尾端近くのデータが採取される。採取されるデータのデータ項目は、ロールギャップ、ロールシフト量、圧延荷重、ゲージメータ厚などである。ただし、ロールギャップについてはＷＳ、ＤＳ、及び中央部のデータが採取され、圧延荷重についてはＷＳ及びＤＳのデータが採取される。

尾端近くのデータを採取するというのは、予測処理を行い、オペレータに知らせるまでに十分な時間を取ることができるような時間、例えば圧延材の最尾端から先端に向かって３０秒遡り、そこから上流に向かって１０秒間のデータを採取することを意味する。言い換えれば、尾端に近い４０秒間のデータのうち、最初の１０秒間のデータが採取される。この場合、採取した１０秒間のデータを用いて適応モデルが構築される。３０秒という時間は、予測処理とオペレータへの通知・オペレータの絞り回避の準備のための時間の和にほぼ等しい時間の例示である。このような時間を確保しておくことにより、予測対象の圧延材が予測対象の圧延スタンドに到達するよりも前に、予測対象の圧延スタンドにおける絞りの発生の有無及び発生個所の全部又は一部を予測し、オペレータに通知し、オペレータに絞り回避の準備を促すことができる。

なお、後述する機械学習の方法や統計的手法によっては、採取した第２データの全ての項目や、採取した全ての時間のデータを使用しない場合に、より良い精度が得られることがある。このため、本実施の形態の絞り発生予測システムは、第２データとして採取したデータの中から、必要なデータを適切に選択的に使用できる仕組みに構成されている。

ステップ１０２では、第１所定数以上のデータが貯まったか、または第２所定数以上のデータが追加されたかを判定する。ここで、第１所定数は、機械学習や統計的手法を適用するのに十分なデータの絶対数である。機械学習の場合、その方法によっても異なるが、一般には３，０００から１０，０００個以上のデータが必要である。第２所定数は、圧延が進むにつれてデータが増加していくので、新しく追加されたデータにより、適応モデルを更新していくための判断に必要である。これは任意に選ぶことができ、数を少なく設定すれば頻繁に更新されるが計算負荷も増える。多く設定すれば更新頻度は少なくなるが、圧延の新しい状況に追従できなくなる恐れがある。

ステップ１０２の条件が満たされるまで、ステップ１０１で適応モデル構築用の第１データおよび第２データの採取と保存が続けられる。そして、ステップ１０２の条件が満たされれば、フローはステップ１０３に進む。ステップ１０３は、適応モデルの構築のための主処理である。ＮＮ、ＳＯＭ、ＡＣＣといった方法で実現された適応モデルは、その内部状態を入力データにより更新され、より正確な予測ができるようになる。

ステップ１０４では、構築が完了した適応モデルが適応完了モデルとして保存される。古いデータを用いて構築された既存の適応完了モデルが存在する場合には、今回構築された適応モデルによって既存の適応完了モデルは更新され、更新された適応完了モデルが保存される。

次に、右側のフローチャートに沿って予測段階の処理フローについて説明する。予測段階では、最初にステップ２０１が実行される。ステップ２０１では、絞り予測対象スタンドのスタンド番号（ｋ）がセットされる。絞りは仕上圧延機の後段のスタンドで起こりやすいため、スタンド番号（ｋ）は、４、５、６、７だけとしてもよい。ステップ２０２では、実行されるたびにスタンド番号（ｋ）は１つずつ更新されて再セットされる。

ステップ２０３では、ステップ１０１で説明した適応モデル構築用の第２データと同様の採取方法で予測用データが採取される。予測データを取得する先行圧延スタンドは、予測処理にかかる時間と、表示装置の表示を介してオペレータへ通知するのにかかる時間と、オペレータが絞り回避操作の準備を行う時間とを考慮して決定する必要がある。以下の表は、予測対象の圧延スタンド（表には、予測対象スタンドと記載している）と、予測データを採取する先行圧延スタンド（表には、予測データ採取スタンドと記載している）との対応関係の一例を示している。

ステップ２０４では、ステップ１０４で保存されていた適応完了モデルが読み込まれ、適応完了モデルに予測データが入力される。適応完了モデルからは、各予測対象スタンドについて、絞り発生の有無の予測結果と、絞りが発生する場合にはその発生個所の予測結果とが出力される。

ステップ２０５では、全ての予測対象スタンドで予測が実施されたかが確認される。全ての予測対象スタンドでの予測が完了するまで、ステップ２０２からステップ２０４までの処理が繰り返される。そして、全ての予測対象スタンドでの予測が完了したら、ステップ２０６に進み、予測結果のオペレータへの通知が行われる。このとき、運転室内にいるオペレータはガラス張りの向こうにある実際の圧延状態を見ているか、運転室内に設置されたテレビモニターを見ているかのいずれかであることが多い。このため、予測結果の通知もその２カ所の見やすい所に表示することが望ましい。なお、ここでは全ての対象スタンドを予測した後に予測結果のオペレータへの通知が行われているが、絞りが発生すると予測されるたびにオペレータへの通知が行われてもよい。つまり、第ｍスタンドから予測を始めたとき、第ｍスタンドで絞りが発生すると予測されれば、即その旨を通知し、次に第ｍ+1スタンドについて予測を行うようにしてもよい。

３．絞り発生の予測に適した適応モデル
３−１．ＮＮ
ＮＮは最も単純な構成では、入力層、中間層、出力層という３層構造であり、中間層を増やしていくこともできる。中間層が多数の層で構成される場合は、深層学習をすることもできる。各層は１つまたは複数のニューロンから構成され、各層のニューロンが重みをもった線で結合されている。１つのニューロンは入力値のレベルにより出力状態が変わる。教師あり学習の場合は、ＮＮの出力と教師信号を比較し、逆方向に結合線の重みを更新していく、バックプロパゲーションという方法が一般的に用いられる。

３−２．ＳＯＭ
ＳＯＭは教師データが不要であり、正常データ、つまり、絞りが発生しなかったときに採取されたデータのみが用いられる。ＳＯＭの区分を５×５、１０×１０、２５×２５などと定義すると、各区分が１つのニューロンとなる。各ニューロンには使用する変数の数だけの平面が用意される。図６は、ＳＯＭの構成例とそれ用いた予測方法の概要とを説明する図である。図６に示すＳＯＭの構成例では、ＳＯＭは１０×１０のニューロンから構成されている。

各ニューロンには、変数個数分の平面が用意される。ここでは、第２データが有するロールギャップや圧延荷重等のデータ項目の数を２０個とする。各ニューロンには変数２０個分の平面、詳しくは、変数の値の軸と時間の軸とを有する平面が用意される。２０個の変数のそれぞれは、図５に示す処理フローのステップ１０１で説明したとおり、圧延材の尾端近くに相当する１０秒間分のデータを持っている。

適応モデルの構築段階、すなわち、学習段階では、各ニューロン内の初期平面における１０秒間分の曲線がランダムに与えられる。もちろん、各ニューロンで重複させないなどの制約は与えられる。また、１０秒間、２０変数の正常データが１セットとして保存される。データは１セットずつ取り出され、その１セットのデータ全体としてどのニューロンの曲線に最も近いかが判定される。そして、最も近いと判定されたニューロンに属するものとされる。全ての正常データのセットに対して同様の処理が行われ、最後に各ニューロン内の各変数で重心となる曲線が決定される。これで適応モデルの構築、すなわち、学習が完了する。

予測段階、すなわち、正常異常の判定段階では、判定対象データである予測用データの各変数値と１００個のニューロン内の各変数値の重心値が比べられる。そして、判定対象データが全体としてどのニューロンに近いかが計算され、最も近いと判定されたニューロンが選ばれる。次に、選択されたニューロン内の各変数の重心の曲線と、判定対象データの各変数値との距離が計算され、その距離が他とは大きく外れる変数があれば（上の例では、図６における変数１）、それを含むデータは異常であるとみなされる。すなわち、絞りが発生していると判定される。

以下の表は、ＳＯＭにより正常データを用いて適応モデルを構築し、適応完了モデルを用いて異常データの検出を行った場合の学習効果の検証例が示されている。この検証例では、同一鋼種の全７６５０本のデータの中に１３６本の尾端絞りを有する異常データが含まれていたが、それら異常データを１００％検出することができた。この適応完了モデルを用いれば、１００％に近い精度で絞りの発生の有無を予測することができる。

３−３．ＡＣＣ
ＡＣＣは基本的には周知の管理図（Control Charts）を応用した手法である。管理図は上方管理限界（Upper Control Limit：以下、ＵＣＬと表記する)と、下方管理限界（Lower Control Limit：以下、ＬＣＬと表記する)とを固定するが、ＡＣＣはデータの推移に合わせてそれらを変更する。ある時系列データがあり、その期間が１０秒間推移を示すとすると、例えば０．１秒ごとに照準をずらし、そこから１秒間を１区間として、それぞれの区間における標準偏差からそれぞれの区間におけるＵＣＬ及びＬＣＬを決めていく。このときデータに歪度があれば、それによるＵＣＬ及びＬＣＬの補正も行う。その補正の方法については、「Betul Kan, and Berna Yazici” The Individuals Control Chart in Case of Non-Normality”, Journal of Modern Applied Statistical Methods, Vol.5, Issues 2, Article 28, Digital Commons @WayneState (2005)」に記載されている。

以下、図７乃至図９を用いてＡＣＣの動作概要について、尾端絞りの検知を例にとってより具体的に説明する。適応モデルの構築段階では、ＳＯＭと同様に、選択した変数２０個の尾端近くの１０秒間の正常データが適応モデル構築用のデータとして用いられる。尾端近くの１０秒間とは、尾端に近い３０秒間を除き、そこから先端に近い１０秒間を意味する。言い換えれば、尾端に近い４０秒間のうちの最初の１０秒間を意味する。

図７に示す表のようにデータが採れていたとする。表の列はコイル番号であり、行はデータ番号である。コイルの本数はＰ本である。１本のコイルのデータのうち、Ｊは１０秒間のデータの先頭の番号、Ｊ＋Ｉは１０秒間のデータの最後の番号である。よって、１０秒間のデータはＩ個のデータを含む。データは０．１秒ごとに記録されているとして、その場合はＩ＝１０÷０．１＝１００個となる。

表においてコイル番号ｐの行に複数の枠が描かれているが、各枠は標準偏差を計算するウインドウを示している。標準偏差を計算するウインドウを１秒間の区間として、０．１秒ごとにウインドウをずらしながらデータの標準偏差が計算される。このような計算がＰ本の正常コイルの２０個の変数全てに対して行われる。そうすると、０−１秒間、０．１−１．１秒間などの各時間帯における標準偏差がＰ個でき、標準偏差の分布ができる。例えば、時間帯１における標準偏差は、Ｓ［１，１]、Ｓ［２，１]、・・・、Ｓ［Ｐ，１]として得られる。同一時間帯ｉにおける標準偏差Ｓ［１〜Ｐ，ｉ］の標準偏差σ［ｉ］を計算することで、ＵＣＬをσ［ｉ］の＋側の例えば３倍或いは４倍に取り、ＬＣＬをσ［ｉ］の−側の例えば３倍或いは４倍に取ることができる。これにより、図８に示すようなＵＣＬ及びＬＣＬが得られる。ただし、図８は変数１つ分のＵＣＬ及びＬＣＬであり、各変数についてＵＣＬ及びＬＣＬが計算される。ＡＣＣでは、このようにＵＣＬ及びＬＣＬを決定することが適応モデルの構築に該当する。

予測段階では、図９に示すように、判定対象のデータと適応モデルの構築段階で決められたＵＣＬ及びＬＣＬとが比較される。そして、ＵＣＬ又はＬＣＬを超えるデータの点数や、ＵＣＬ又はＬＣＬからの距離の和を評価値として、判定対象のデータがＵＣＬやＬＣＬからどれだけ離れているかが評価され、正常か異常かが判定される。

ＮＮでは、絞り発生が有る異常データと絞り発生が無い正常データの両方を入力してＮＮによるモデルの構築が行われる。これに対して、ＳＯＭ及びＡＣＣでは、絞り発生が無い正常データのみを入力してモデルが構築され、そのモデルから大きく外れる場合に絞りの発生が有ると判断される。一般に、絞りが発生する圧延材の数は、絞りが発生しない圧延材の数よりはるかに少ない。また設備の稼働においても、異常である状態の時間よりも正常に稼働している時間の方がはるかに長い。そのため、異常を示すデータは正常を示すデータより非常に少ないことが普通である。このような状況では、ＳＯＭやＡＣＣによって正常状態のデータでモデルを構築し、正常状態以外を異常と判定する仕組みの方が有利であることが多い。

３−４．各適応モデルの特徴
適応モデルとは、データが入力されると内部の構成要素間の関係度が変化し出力が変化するものと定義される。その例が、ＮＮ、ＳＯＭ及びＡＣＣの各手法により構築される適応モデルである。より詳しくは、絞り発生の予測に適した適合モデルには、以下の定義Ａ、定義Ｂ、及び定義Ｃで定義される適合モデルが含まれる。
（Ａ）データが入力されると内部の構成要素間の関係度が変化し出力が変化するものであって、複数の入力および出力のセットにより学習した後、対象入力を評価して評価値を出力するもの
（Ｂ）データが入力されると内部の構成要素間の関係度が変化し出力が変化するものであって、複数の入力のセットにより学習した後、対象入力を評価して評価値を出力するもの
（Ｃ）データが入力されると内部の構成要素間の関係度が変化し出力が変化するものであって、複数の入力のセットにより統計的指標を決定した後、入力のセットを評価して評価値を出力するもの

ＮＮは定義Ａで定義される適応モデルの一例である。ＳＯＭは定義Ｂで定義される適応モデルの一例である。ＡＣＣは定義Ｃで定義される適応モデルの一例である。以下の表には、ＮＮ、ＳＯＭ及びＡＣＣのそれぞれについて、適応モデルの定義との関係が示されている。

４．絞り発生予測の処理フローの変形例
図１０は、本実施の形態の絞り発生予測システムによる処理フローの変形例を示すフローチャートである。図５に示す処理フローと図１０に示す処理フローとの違いは、適応モデルの構築段階の処理フローにある。詳しくは、図５に示す処理フローにおけるステップ１０４の処理が、図１０示す処理フローではステップ１０４ａの処理に置き換えられている。ステップ１０４ａは、適応モデル構築段階で適応モデルが更新されるが、更新した結果による予想精度が確保できているか確認するためのステップである。新たに構築された適応モデルの精度が十分であれば、適応完了モデルが更新されて保存されるが、そうでなければ保存されない。

構築した適応モデルを検証するための方法は、上述した３つの手法で若干異なる。ＮＮにおいては、学習用データと検証用データとが分けられる。例えば１０，０００個のデータがあったとし、この中から検証用データとして無作為に５００個または１，０００個のデータが選ばれ、残りは学習用データとされる。学習用データで学習されたＮＮによるモデルに検証用データが入力され、絞りの発生有無が精度よく予測できているかどうかが検証される。ＳＯＭ又はＡＣＣでは、絞り発生のない正常データでモデルを構築するため、検証のためには異常データのみが使用される。ＳＯＭ又はＡＣＣにより構築されたモデルに異常データが入力され、絞り発生有ありと判定できれば、高精度のモデルであると判断できる。

＜第２の実施の形態＞
次に、本発明の第２の実施の形態の絞り発生予測システムについて説明する。本実施の形態では、絞りの発生の有無を予測した後、その予測結果をオペレータに通知するのみならず、入側サイドガイドの制御にも利用する。本実施の形態の絞り発生予測システムは、予測装置により予測対象の圧延スタンドにおいて絞りが発生すると予測された場合、予測対象の圧延スタンドの入側サイドガイドを操作する制御装置を備えている。制御装置として機能するコンピュータは、予測装置として機能するコンピュータとは別のコンピュータでもよい。また、一つのコンピュータを、ソフトフェアにより予測装置として機能させるとともに、制御装置として機能させてもよい。

図１１は、絞り予測結果を利用した入側サイドガイド３１，３２の制御の例を示す図である。ここでは、第ｋスタンドで尾端絞りが発生し、その場所はＤＳであると予測された場合の制御例について説明する。図１１の上段に示す状態では、圧延材１００は第ｋ−１スタンドで圧延されている。このときはまだ蛇行は発生していない。それから時間が経過して下段に示す状態となり、第ｋ−１スタンドを尾端が抜けた後で圧延材１００が蛇行すると想定する。尾端絞りが発生すると予測される一つの例は圧延材１００がこのような状態のときである。このとき、図示しない制御装置は、尾端が入側サイドガイドに当たってちぎれるのを防ぐために、尾端の通過に合わせてＤＳの入側サイドガイド３１を開く操作を行う。なお、ＷＳとＤＳのどちらの側で絞りが発生するのか特定できないときは、図示しない制御装置は、尾端の通過に合わせてＷＳとＤＳの両側の入側サイドガイド３１，３２を開く操作を行う。

図１１に示す例では尾端絞りが発生するケースを想定したが、先端絞りが発生するケースでも同様の制御を行うことができる。つまり、図示しない制御装置は、先端絞りが発生すると予測された場合には、先端の通過に合わせて入側サイドガイドを開く操作を行う。開操作を行う入側サイドガイドは絞りが発生する側のそれであるが、絞りの発生個所がＷＳなのかＤＳなのか特定できないときは、ＷＳとＤＳの両側のサイドガイドを開く操作を行う。

以上のような制御が予測対象の圧延スタンドの入側サイドガイドに対して行われることにより、オペレータを補助し、安定な操業を実現することができる。

＜その他の実施の形態＞
上述の実施の形態では、仕上圧延機を対象として説明したが、本発明は粗圧延機にも適用可能である。粗圧延機では順方向、逆方向の圧延を繰り返すいわゆるリバース圧延が複数回行われる。本発明を粗圧延機に適用した場合、圧延パスとは各回の圧延を意味し、圧延順序で先行する先行圧延パスとは前回以前に行われた圧延を意味する。

また、上述の実施の形態では尾端絞りを中心に説明したが、本発明は尾端絞りのみならず先端絞りにも適用可能である。

また、適応モデル構築の手法として、ＮＮ、ＳＯＭ、及びＡＣＣを例に挙げて説明したが、本発明に適用することができる適応モデル構築の手法はこれらに限定されるものではない。例えば、探索木の考えを応用したRandom Forest（ＲＦ）、ＲＦの発展形であるExtra Trees、xgboostなども適用可能である。

１：適応モデル構築データ採取保存部
２：適応モデル構築部
２ａ，３０２：適応モデル
３：予測用データ採取部
４：予測部
４ａ，３１２：適応完了モデル
５：結果表示部
１０：予測装置
３１，３２：入側サイドガイド
１００：圧延材

Claims (10)

1. 板状の金属材料を高温に熱し複数の圧延パスで圧延する熱間圧延において、圧延材が蛇行或いは幅方向に折れ曲がることにより前記圧延材の先端または尾端に発生する現象である絞りの発生を予測するシステムであって、
   前記システムは、１又は複数のコンピュータを備え、
   前記１又は複数のコンピュータは、
   絞りの発生を予測するための適応モデルの構築に用いる適応モデル構築用データを採取し保存する処理と、
   前記適応モデル構築用データを用いて前記適応モデルを構築する処理と、
   構築が完了した前記適応モデルである適応完了モデルを保存する処理と、
   絞りの発生の予測に用いる予測用データを採取する処理と、
   前記予測用データを前記適応完了モデルに入力することによって絞りの発生を予測する処理と、を実行し、
   前記適応モデル構築用データを採取し保存する処理では、前記適応モデル構築用データとして、絞り発生予測の対象となる対象圧延パスにおける絞りの発生の有無及び発生個所を示す第１データと、前記第１データに紐づけられた圧延材が前記対象圧延パスよりも圧延順序で先行する先行圧延パスで圧延された際の同先行圧延パスに関する情報と同圧延材に関する属性とを含む第２データと、を複数セット採取し、
   前記予測用データを採取する処理では、前記予測用データとして、予測対象の圧延材が前記対象圧延パスよりも圧延順序で先行する先行圧延パスで圧延された際の同先行圧延パスに関する情報と同圧延材に関する属性とを含むデータを採取し、
   前記絞りの発生を予測する処理では、前記予測対象の圧延材が前記対象圧延パスに到達するよりも前に、前記対象圧延パスにおける絞りの発生の有無及び発生個所の全部又は一部を予測する、
   ことを特徴とする絞り発生予測システム。
2. 前記システムは、表示装置を備え、
   前記１又は複数のコンピュータは、
   絞りの発生の予測結果を前記表示装置に表示する処理を実行する
   ことを特徴とする請求項１に記載の絞り発生予測システム。
3. 前記１又は複数のコンピュータは、
   前記対象圧延パスにおいて絞りが発生すると予測された場合、前記対象圧延パスの入側サイドガイドを操作する処理を実行する
   ことを特徴とする請求項１又は２に記載の絞り発生予測システム。
4. 前記１又は複数のコンピュータは、
   前記入側サイドガイドを操作する処理では、前記予測対象の圧延材の先端と尾端のどちらの端部で絞りが発生するのか特定し、絞りが発生する方の端部の通過に合わせて前記入側サイドガイドを開く
   ことを特徴とする請求項３に記載の絞り発生予測システム。
5. 前記１又は複数のコンピュータは、
   前記入側サイドガイドを操作する処理では、前記対象圧延パスの運転室側と電動機側のどちらの側で絞りが発生するのか特定し、絞りが発生する側の前記入側サイドガイドを開く
   ことを特徴とする請求項３又は４に記載の絞り発生予測システム。
6. 前記１又は複数のコンピュータは、
   前記入側サイドガイドを操作する処理では、前記対象圧延パスの運転室側と電動機側のどちらの側で絞りが発生するのか特定できない場合、前記運転室側と前記電動機側の両側の前記入側サイドガイドを開く
   ことを特徴とする請求項３乃至５の何れか１項に記載の絞り発生予測システム。
7. 前記１又は複数のコンピュータは、
   前記適応モデルを構築する処理では、人工知能の範疇に入る機械学習又は統計的手法により前記適応モデルを構築し、前記適応モデル構築用データが新たに一定数得られるたびに前記適応モデルを更新する
   ことを特徴とする請求項１乃至６の何れか１項に記載の絞り発生予測システム。
8. 前記１又は複数のコンピュータは、
   前記適応モデル構築用データを採取し保存する処理では、前記対象圧延パスを通過した圧延材の画像データの解析により前記対象圧延パスにおける絞りの発生の有無及び発生個所を判定する
   ことを特徴とする請求項１乃至７の何れか１項に記載の絞り発生予測システム。
9. 前記１又は複数のコンピュータは、
   前記適応モデル構築用データを採取し保存する処理では、前記対象圧延パスの入側サイドガイドにかかる荷重に基づき前記対象圧延パスにおける絞りの発生の有無及び発生個所を判定する
   ことを特徴とする請求項１乃至７の何れか１項に記載の絞り発生予測システム。
10. 前記１又は複数のコンピュータは、
    前記適応モデル構築用データを採取し保存する処理では、オペレータがＨＭＩを介して入力した前記対象圧延パスにおける絞りの発生の有無及び発生個所を受け付ける
    ことを特徴とする請求項１乃至７の何れか１項に記載の絞り発生予測システム。

Images