KR20160122208A - 압연 프로세스의 학습 제어 장치 - Google Patents

Abstract

실적치와 실적 재계산치와의 어긋남에 의거하여 학습계수의 순시치를 산출하고, 순시치로부터 학습계수의 갱신치를 산출한다. 산출한 갱신치는 당해 압연 조건에 해당하는 셀에 기록한다. 설정 계산시에는, 학습계수의 최신도, 포화도, 및, 안정도의 각 평가 결과가 기준을 충족시키는 셀 중에서, 압연 조건을 좌표축으로 하는 공간에서, 다음 압연 조건에 해당하는 대상 셀과의 공간 거리가 가까운 소정 개수의 근방 셀을 선정한다. 그리고, 선정한 근방 셀에서의 학습계수의 대표값을 이용한 다항식 보간에 의해, 대상 셀에서의 학습계수의 추정치를 산출한다. 그리고, 대상 셀에서의 학습계수의 최신 갱신치를 추정치로 보정하고, 다음 압연 조건에서의 학습계수의 사용치로서 결정한다.

Description

압연 프로세스의 학습 제어 장치{ROLLING PROCESS LEARNING CONTROL DEVICE}

본 발명은, 압연 프로세스의 제어에 있어서, 압연 현상(現象)을 예측하는 모델식(式)의 학습계수(學習係數)를 실적 데이터에 의거하여 산출하여 압연 조건마다 관리하는 학습 제어 장치에 관한 것이다.

압연 프로세스의 제어란, 제조 완료 후의 압연재가 소망하는 치수나 온도가 되도록 압연하는 것이다. 압연 프로세스 제어는, 일반적으로 설정 제어와 다이내믹 제어로 이루어진다. 설정 제어에서는, 압연 현상을 모델식에 의해 예측하고, 압연재가 소망하는 치수나 온도가 되도록, 압연 속도, 냉각수의 수량(水量), 및, 압연기의 롤 갭 등, 압연 설비의 기기의 설정치를 결정한다. 단, 모델식은, 압연 프로세스에서 일어나는 물리 현상을 완전하게 표현할 수가 없다. 또한, 계산 부하(負荷)의 경감, 조정의 편리성 등의 이유로, 모델을 나타내는 계산식은 간소화되어 있다. 이 때문에, 센서에 의해 계측한 실적치와 모델식에서 계산한 예측치와의 사이에는 편차가 발생한다. 그래서, 종래의 압연 프로세스의 설정 제어에서는, 압연 현상의 예측 정밀도의 향상과 안정을 도모하기 위해, 모델식에 학습계수를 마련하고, 이 학습계수를 실적 데이터에 의거하여 자동 조정하는 학습 제어가 행하여지고 있다. 실적 데이터에는 마무리 온도나 압연 하중이 포함되고, 이들은 설정 계산의 목표점에 관해 수집된다.

여기서, 일반적인 압연 프로세스의 학습 제어의 개요에 관해 설명한다. 학습 제어는 복수의 처리로 이루어지고, 그 하나가 실적 재계산이다. 실적 재계산에서는, 모델식을 사용하여 실적 데이터에 의거한 모델 예측치를 산출한다. 이것을 일반적으로 실적 재계산치라고 부른다. 실적 재계산치는 실적 데이터에 포함되는 실적치와 비교되어, 실적치에 대한 실적 재계산치의 오차, 즉, 모델 오차가 산출된다. 예를 들면, 압연기의 롤 갭의 설정 제어의 경우, 로드 셀에 계측된 압연 하중의 실적치와, 모델식을 이용하여 실적 데이터로부터 계산된 압연 하중의 실적 재계산치가 비교되어, 압연 하중의 모델 오차가 산출된다.

그리고, 모델 오차에 의거하여 학습계수가 산출된다. 이때 산출된 학습계수를 학습계수의 순시치(瞬時値)라고 한다. 단, 모델 오차가 모델식을 간소화하여 구축함에 있어서 무시된 요인 중, 어느 요인에 기인하고 있는지가 불명한 것, 또한, 학습에 사용하는 실적 데이터 자체에 외란이나 오차가 포함되어 있기 때문에, 모델 오차로부터 산출한 학습계수의 순시치를 그대로 다음의 압연재에 적용할 수는 없다. 그래서, 학습계수의 순시치를 평활 필터에 통과시키는 것이 행하여진다. 학습계수의 순시치를 평활화하여 얻어지는 값이 학습계수의 갱신치로서 사용된다.

이하의 식은, 학습계수의 순시치로부터 갱신치를 산출하는 평활 필터의 식의 구체례이다. 학습계수의 순시치와 학습계수의 전회치(前回値)(갱신치의 전회치)와의 편차에 갱신 게인을 곱하고, 그것에 학습계수의 전회치를 가산함에 의해, 학습계수의 갱신치가 산출된다.

Znew = Zuse*(1-α) + Zcur*α

여기서,

Znew : 학습계수 갱신치

Zcur : 학습계수(순시치)

Zuse : 학습계수(전회치)

α : 학습계수 갱신 게인(필터의 시정수)

산출된 학습계수의 갱신치는, 일반적으로, 층별(層別) 테이블에 기록된다. 층별은, 압연재의 두께, 폭, 변형(歪, strain), 변형속도(歪速度, strain rate), 온도라는 압연 조건을 구분하는 개념이다. 예를 들면, 두께를 m구분, 폭을 n구분하는 경우, 층별 테이블은 m×n개의 셀로 구성된다. 당해 재료(材)의 압연이 끝날 때마다 학습계수의 갱신치가 산출되고, 당해 재료의 압연 조건에 일치하는 셀에 기록된다. 학습계수의 기록에 층별 테이블을 이용함으로써, 압연 조건마다 다른 학습계수를 적절하게 관리할 수 있고, 압연 현상의 예측 정밀도가 향상한다. 즉, 층별 테이블을 이용한 학습 제어는, 모델식의 압연 현상의 예측 정밀도를 확보하고, 성품의 품질 정밀도와 압연의 안정성을 확보하기 위해 중요한 기능이다.

단, 층별 테이블을 이용한 학습 제어에는 문제도 있다. 층별 테이블로 학습계수를 관리함으로써, 학습계수는 층별 테이블 중, 해당하는 하나의 셀로 관리되고, 그 셀마다 평활화되어 갱신된다. 이 때문에, 하나의 셀의 학습계수가 포화(飽和)하는데 다수의 압연 기회(機會)(압연 개수)가 필요해진다. 또한, 압연 조건이 조금이라도 다른 셀 번호가 선택되기 때문에, 학습계수는 다른 셀에 관해 새롭게 갱신되어 가게 된다. 이 때문에, 층별 테이블을 구성하는 모든 셀에 관해, 셀마다 다수의 압연 기회가 필요하게 된다.

필요한 압연 기회를 적게 하는 하나의 안(案)으로서, 하나의 셀의 학습계수를 갱신할 때에, 인접하는 셀의 학습계수도 동시에 갱신하는 방법이 생각된다. 이 학습 방법에서는, 이하의 식으로 표시하는 바와 같이, 당해 압연 조건에 대응하는 당해 셀(i, j)에 대해서는, 전술한 바와 같은 방법으로 학습계수를 계산한다. 또한, (i, j)는 층별 테이블에서의 당해 셀의 좌표를 나타내고 있다.

Znew(i, j) = Zuse(i, j)*(1-α) + Zcur(i, j)*α

여기서,

Znew(i, j) : 당해 셀의 학습계수 갱신치

Zcur(i, j) : 당해 셀의 학습계수(순시치)

Zuse(i, j) : 당해 셀의 학습계수(전회치)

α : 당해 셀의 학습계수 갱신 게인(필터의 시정수)

인접하는 셀(p, q)에 대해서는, 이하의 식에 학습계수를 계산한다. 또한, (p, q)는 층별 테이블에서의 인접하는 셀의 좌표를 나타내고, 이것에는 (i-1, j), (i, j-1), (i+1, j), 및, (i+1, j)가 포함된다.

Znew(p, q) = Zuse(p, q)*(1-α') + Zcur(i, j)*α'

여기서,

Znew(p, q) : 인접하는 셀의 학습계수 갱신치

Zcur(i, j) : 당해 재료 셀의 학습계수(순시치)

Zuse(p, q) : 인접하는 셀의 학습계수(전회치)

α' : 인접하는 셀의 학습계수 갱신 게인(필터의 시정수)

이 학습 방법에 의하면, 인접하는 셀의 학습계수를 가능한 한 적은 압연 기회로 포화시킬 수 있다. 그러나, 인접하는 셀은 학습이 진행되지만, 당해 셀로부터 조금 떨어진 셀의 학습계수는 갱신할 수가 없다. 즉, 이 학습 방법에서는, 압연 기회를 적게 하는 것에 관해 한정적인 효과밖에 얻을 수가 없다. 또한, 당해 셀의 학습계수가 불안정하여 갱신할 때마다 변동이 큰 경우, 인접하는 셀의 학습계수도 그 영향을 받게 되어 버린다.

또한, 층별 테이블을 이용한 학습 제어에는 상기와는 다른 문제도 있다. 그 문제란, 셀이 세분화되어 있기 때문에 압연 프로세스의 경시 변화에 추종하기 어렵다는 것이다. 어느 셀에 해당하는 압연 조건에 관해 잠시의 사이 압연이 없는 경우, 그 사이에 압연 프로세스가 변화할 가능성이 있다. 여기서 말한 압연 프로세스의 변화에는, 열연(熱延)에서의 온도 레벨의 변화 등의 능동적인 변화와 설비의 열화(劣化) 등의 수동적인 변화의 쌍방이 포함된다. 압연 프로세스가 변화하면, 진정한 학습계수에도 변화가 생긴다. 이 때문에, 층별 테이블에 기록되어 있는 학습계수의 갱신치가 오래된 채로 되어 있는 경우, 그 값은 적절하지 않을 우려가 있다. 적절한 값이 아닌 학습계수를 모델식에 적용한 경우에는, 모델 예측치에 포함되는 오차가 커지고, 기기의 설정치의 정밀도를 저하시켜 버린다.

이와 같이, 종래 일반적으로 이용되고 있는 층별 테이블을 이용한 학습 제어에는 여러 가지의 문제가 있다. 한편, 층별 테이블을 이용한 학습 제어에는, 하기한 특허 문헌 1, 2에 개시된 제안도 존재한다.

특허 문헌 1에 개시되어 있는 제안은, 모델과 현상과의 어긋남에 포함되는 시계열적인 변동에 의한 어긋남을 시계열 학습계수로서 분리한다는 방법이다. 당해 압연 조건에 대응하는 학습계수를 압연 현상에 의존하는 그룹별 학습계수와 시간 변화에 의존하는 시계열 학습계수로 나누어 계산하고, 이들 2종류의 학습계수에 의거하여 모델 예측치를 수정함으로써 그 정밀도를 향상시키고 있다. 구체적으로는, 모델 오차로부터 계산한 학습계수의 순시치와, 당해 압연 조건에서의 압연 현상에 관한 학습계수의 사용치에 의거하여, 평활 필터를 이용하여 시계열 학습계수의 갱신치가 산출된다. 그리고, 학습계수의 순시치로부터 시계열 학습계수의 갱신치를 없앤 후에 남은 값에 의거하여, 평활 필터를 이용하여 당해 압연 조건에서의 압연 현상에 관한 학습계수의 갱신치가 산출된다.

특허 문헌 1에서 제안되어 있는 학습 방법에 의하면, 프로세스 라인의 시계열적인 변동에 의한 어긋남을 시계열 학습계수로서 추출할 수 있다. 그러나, 이 학습 방법에서도 압연 현상에 의존하는 그룹별 학습계수는 셀마다 행하여지고 있다. 이 때문에, 어느 압연 조건에 의한 압연이 잠시 행하여지지 않는 사이에 압연 프로세스에 변화가 있고, 그에 의해 당해 압연 조건에서의 모델과 현상과의 어긋남에 변동이 생겼다고 하여도, 그것은 당해 압연 조건의 셀에 기록된 학습계수에는 반영되지 않는다. 따라서, 압연 프로세스의 변화 후의 당해 압연 조건으로의 1개째의 압연에서는, 모델과 현상과의 사이의 어긋남을 적절하게 수정한 학습계수를 얻을 수가 없다.

특허 문헌 2에 개시되어 있는 제안은, 압연재의 구분에 대응하는 로트(셀)마다 모델식의 학습항(學習項)을 기록함에 있어서, 로트가 변경될 때마다 다음 로트에 대응하는 학습항의 습숙도(習熟度)를 판정하고, 습숙도가 기준보다도 낮은 경우에는, 습숙도가 높은 다른 로트의 학습항을 사용하여 다음 로트의 학습항을 보정한다는 방법이다. 구체적으로는, 다음 로트의 학습항의 학습 횟수가 기준 횟수 이상인지의 여부와, 다음 로트에 대응하는 학습항의 최신의 소정회의 표준 편차가 기준치 이하인지의 여부를 기준으로 하여, 다음 로트의 학습항의 습숙도가 판정된다. 그리고, 습숙도가 기준보다도 낮은 경우에는, 테이블상에서 당해 로트에 인접하는 각 로트의 학습항과, 그 습숙도에 응하여 결정되는 보정 계수에 의거하여, 평활화 필터를 이용하여 당해 로트의 학습항의 보정이 행하여진다.

특허 문헌 2에서 제안되어 있는 학습 방법에 의하면, 다음 로트의 학습항이 미습숙(未習熟)이라도, 인접하는 습숙한 로트의 학습항을 사용하여 미습숙의 로트의 학습항을 최적화할 수 있다. 그러나, 반드시 인접하는 로트의 학습항이 다음 로트의 학습항보다도 습숙하다고는 한할 수 없다. 다음 로트의 학습항이 미습숙하고, 인접하는 로트의 학습항도 미습숙이었던 경우에는, 다음 로트에 관해서는 미습숙한 학습항에 의거하여 설정 계산을 행하지 않을 수 없게 된다. 또한, 인접하는 로트의 학습항이 불안정한 경우, 즉, 갱신시마다 값이 크게 변동하는 경우는, 그것을 이용하여 보정되는 다음 로트의 학습항도 불안정하게 되어 버린다. 또한, 압연이 잠시 없는 사이의 압연 프로세스의 변화에 의해 인접하는 로트의 학습항의 정밀도가 경시 열화되고 있는 경우에는, 그것을 이용하여 보정되는 다음 로트의 학습항의 정밀도도 낮아져 버린다.

일본 특허 제2839746호 공보 일본 특개2000-263110호 공보

이상 기술한 바와 같이, 특허 문헌 1, 2에서 제안되어 있는 어느 학습 방법이라도, 전술한 과제의 전부를 해결할 수 있는 것은 아니다. 즉, 학습계수의 포화도가 낮은 경우의 문제(포화도의 문제), 학습계수가 불안정하여 변동이 큰 경우의 문제(안정도의 문제), 그리고, 압연이 잠시 없는 사이의 압연 프로세스의 변화에 의해 학습계수가 오래된 때의 문제(최신도(最新度)의 문제)는, 현재에서도 충분히 해결되어 있다고는 말할 수가 없다.

본 발명은, 상기한 과제를 감안하여 이루어진 것으로, 설정 계산에 이용하는 모델식의 학습계수를 압연 조건마다 학습하고 관리하는 학습 제어 장치에 있어서, 각 압연 조건에서 포화도, 안정도, 최신도의 어느 것이나 만족하는 학습계수를 얻어지도록 하는 것을 목적으로 한다.

본 발명에 관한 학습 제어 장치는, 압연 조건을 구분하는 복수의 셀로 구성되는 데이터베이스를 가지며, 압연 프로세스의 설정 계산에 이용하는 모델식의 학습계수를 데이터베이스에서 관리하는 학습 제어 장치로서, 상기 목적을 달성하기 위해 이하와 같이 구성된다.

본 발명에 관한 학습 제어 장치는, 학습계수를 산출하여 데이터베이스에 기록하는 수단으로서, 순시치 산출 기록 수단과 갱신치 산출 기록 수단을 구비한다. 순시치 산출 기록 수단은, 압연 프로세스에서 계측된 실적치와 모델식을 이용하여 산출된 실적 재계산치와의 어긋남에 의거하여 학습계수의 순시치를 산출하고, 그리고, 산출한 순시치를 당해 압연 조건에 해당하는 셀에 대해 학습 일시(日時)와 함께 기록하도록 구성된다. 순시치 산출 기록 수단의 이와 같은 구성에 의해, 데이터베이스에는 셀마다 순시치의 이력 정보가 기록된다. 갱신치 산출 기록 수단은, 순시치 산출 수단이 산출한 학습계수의 순시치와 학습계수의 당해 압연 조건에서의 전회치에 의거하여 학습계수의 갱신치를 산출하고, 그리고, 산출한 갱신치를 당해 압연 조건에 해당하는 셀에 대해 학습 일시와 함께 기록하도록 구성된다. 갱신치 산출 기록 수단의 이와 같은 구성에 의해, 데이터베이스에는 셀마다 갱신치의 이력 정보가 기록된다.

또한, 셀에 의해 구분되는 압연 조건이 2항목인 경우, 순시치와 갱신치의 각각의 이력 정보를 층별 테이블에서 관리하여도 좋다. 즉, 데이터베이스를 셀을 공통으로 하는 제1의 층별 테이블과 제2의 층별 테이블을 포함하도록 구성하고, 순시치 산출 기록 수단에 의한 순시치의 기록은 제1의 층별 테이블에 대해 행하고, 갱신치 산출 기록 수단에 의한 갱신치의 기록은 제2의 층별 테이블에 대해 행하도록 하여도 좋다.

본 발명에 관한 학습 제어 장치는, 학습계수의 최신도를 평가하는 최신도 평가 수단, 학습계수의 포화도를 평가하는 포화도 평가 수단, 그리고, 학습계수의 안정도를 평가하는 안정도 평가 수단을 구비한다. 최신도 평가 수단은, 데이터베이스에 기록된 갱신치의 이력 정보에 의거하여, 복수의 셀의 각각에 관해 학습계수의 최신도를 평가하도록 구성된다. 포화도 평가 수단은, 데이터베이스에 기록된 갱신치의 이력 정보에 의거하여, 복수의 셀의 각각에 관해 학습계수의 포화도를 평가하도록 구성된다. 안정도 평가 수단은, 데이터베이스에 기록된 순시치의 이력 정보에 의거하여, 복수의 셀의 각각에 관해 학습계수의 안정도를 평가하도록 구성된다.

또한, 순시치와 갱신치의 각 이력 정보와 마찬가지로, 최신도, 포화도, 및, 안정도의 각각의 평가 결과에 대해서도 층별 테이블에서 관리할 수 있다. 이 경우, 데이터베이스는, 제1 및 제2의 층별 테이블과 셀을 공통으로 하는 제3 내지 제5의 층별 테이블을 또한 포함하도록 구성하면 좋다. 그리고, 최신도 평가 수단에 의한 최신도의 평가 결과의 기록은 제3의 층별 테이블에 대해 행하고, 포화도 평가 수단에 의한 포화도의 평가 결과의 기록은 제4의 층별 테이블에 대해 행하고, 안정도 평가 수단에 의한 안정도의 평가 결과의 기록은 제5의 층별 테이블에 대해 행하도록 하면 좋다.

또한, 본 발명에 관한 학습 제어 장치는, 근방 셀 선정 수단, 추정치 산출 수단, 및, 사용치 결정 수단을 구비한다. 근방 셀 선정 수단은, 최신도, 포화도, 및, 안정도의 각각의 평가 결과가 기준을 충족시키는 셀 중에서, 압연 조건을 좌표축으로 하는 공간에서, 다음 압연 조건에 해당하는 대상 셀과의 공간 거리가 가까운 소정 개수의 근방 셀을 선정하도록 구성된다. 추정치 산출 수단은, 선정한 소정 개수의 근방 셀에서의 학습계수의 대표값을 각각 결정하고, 대상 셀의 좌표라고 선정한 소정 개수의 근방 셀의 좌표 및 대표값에 의거하여, 다항식(多項式) 보간에 의해, 대상 셀에서의 학습계수의 추정치를 산출하도록 구성된다. 그리고, 사용치 결정 수단은, 대상 셀에서의 학습계수의 최신 갱신치를 추정치로 보정하고, 다음 압연 조건에서의 학습계수의 사용치로서 결정하도록 구성된다.

바람직하게는, 사용치 결정 수단은, 최신 갱신치와 추정치와의 가중평균(加重平均)에 의해 사용치를 산출하도록 구성된다. 대상 셀에 대한 최신도, 포화도, 및, 안정도의 평가 결과가 높을수록 최신 갱신치의 무게가 커지고, 평가 결과가 낮을 수록 추정치의 무게가 커지도록, 평가 결과에 응하여 가중평균의 무게계수를 변화시키는 것이 보다 바람직하다.

이상과 같이 구성되는 본 발명에 관한 학습 제어 장치에 의하면, 다음재료(次材)의 압연 조건이 해당하는 셀에 관해, 최신이며, 포화도가 높고, 안정도가 높은 학습계수를 적용할 수 있다. 이에 의해, 설정 제어에서의 모델 예측치의 정밀도를 향상시키고, 나아가서는, 성품(成品) 품질의 정밀도, 및, 조업의 안정성을 개선할 수 있다.

도 1은 본 발명의 실시의 형태에 관한 압연 프로세스의 학습 제어 장치의 구성과 처리의 플로를 도시하는 도면.
도 2는 학습계수의 추정치의 산출 방법을 설명하는 도면.

이하, 도면을 참조하고, 본 발명의 실시의 형태를 설명한다.

본 실시의 형태에 관한 압연 프로세스의 학습 제어 장치의 구성과 처리의 플로를 도 1에 도시한다. 본 학습 제어 장치(1)는, 학습 장치(10), 기억 장치(20), 및, 설정 계산 장치(30)를 구비한다. 학습 장치(10)는, 설정 계산에 이용하는 모델식의 학습계수를 압연 프로세스의 실적 데이터에 의거하여 학습하는 장치이다. 기억 장치(20)는, 모델식의 학습계수 및 그것에 관련되는 정보를 데이터베이스에 기억하는 장치이다. 이 데이터베이스는, 압연 조건을 구분하는 복수의 셀로 구성되어 있다. 보다 상세하게는, 셀을 공통으로 하는 5개의 층별 테이블(21, 22, 23, 24, 25)로 구성되어 있다. 또한, 셀을 공통에 한다는 것은, 테이블 사이에서 셀의 좌표가 동일하면 해당하는 압연 조건도 같고, 좌표가 동일한 셀은 테이블 사이에서 서로 연결되어 있는 것을 의미한다. 본 실시의 형태에서는, 압연 조건은 압연재의 두께와 폭의 2항목이고, 각 층별 테이블에는 두께와 폭을 축으로 하는 테이블이 이용되고 있다. 두께의 번호가 "i", 폭의 번호가 "j"인 경우, (i, j)가 각 층별 테이블에서의 셀의 좌표가 된다. 설정 계산 장치(30)는, 데이터베이스에 기억된 학습계수를 이용하여 모델 예측치를 계산하고, 모델 예측치에 의거하여 압연 장치의 기기의 설정치를 결정하는 장치이다.

우선, 학습 장치(10)의 상세에 관해 설명한다. 처리 유닛(11)은, 압연 프로세스의 실적 데이터에 의거하여, 모델 예측치의 실적 재계산을 행한다. 처리 유닛(12)은, 처리 유닛(11)에서 산출된 실적 재계산치와 실적 데이터에 포함되는 실적치와의 사이의 모델 오차에 의거하여, 학습계수의 순시치를 산출한다. 처리 유닛(13)은, 처리 유닛(12)에서 산출된 학습계수의 순시치를 평활 필터에 통과시킴에 의해, 학습계수의 갱신치를 산출한다. 학습계수의 순시치 및 갱신치의 산출 방법은, 「배경 기술」에서 설명한 종래의 학습 제어에서의 내용과 같다.

본 학습 제어 장치는, 1개의 압연재의 압연이 완료된 후, 그 재료(材)의 압연 조건이 해당하는 셀에 학습계수의 순시치와 갱신치를 각각 기록한다. 상세하게는, 학습계수의 순시치는, 제1의 층별 테이블(21)에 기록된다. 처리 유닛(12)은, 제1의 층별 테이블(21)을 구성하는 복수의 셀 중에서 당해 압연 조건에 해당하는 셀을 선택한다. 그리고, 선택한 셀에 대해, 산출한 순시치를 시계열로 기록하여 감에 의해, 제1의 층별 테이블(21)에 순시치의 이력 정보를 기억시킨다. 보다 상세하게는, 제1의 층별 테이블(21)에는, 개개의 셀마다, 과거 N개분의 압연재에 관해, 학습계수의 순시치가 학습 일시와 함께 이력 정보로서 기억된다. 기억된 정보는, 새로운 것으로부터 번호가 붙여진다. 즉, 새롭게 기억된 정보를 1번째로 하고, 정보가 추가될 때마다 i번째의 정보에는 i+1번의 번호가 새롭게 붙여진다. 또한, 정보가 추가될 때에 이미 N개분의 정보가 기억되어 있으면, 가장 오래된 N번째의 정보를 파기하고, N-1번째의 정보에 새롭게 N번의 번호가 붙여진다.

학습계수의 갱신치는, 제2의 층별 테이블(22)에 기록된다. 처리 유닛(13)은, 제2의 층별 테이블(22)을 구성하는 복수의 셀 중에서 당해 압연 조건에 해당하는 셀을 선택한다. 그리고, 선택한 셀에 대해, 산출한 갱신치를 시계열로 기록하여 감에 의해, 제2의 층별 테이블(22)에 갱신치의 이력 정보를 기억시킨다. 보다 상세하게는, 제2의 층별 테이블(22)에는, 개개의 셀마다, 과거 M개분의 압연재에 관해, 학습계수의 갱신치가 학습 일시와 함께 이력 정보로서 기억된다. 기억된 정보는, 학습계수의 순시치에 관한 이력 정보와 같이, 새로운 것부터 번호가 붙여진다. 즉, 새롭게 기억된 정보를 1번째로 하고 i번째의 정보에는 i+1번의 번호가 새롭게 붙여지고, 이미 M개분의 정보가 기억되어 있으면, 가장 오래된 M번째의 정보를 파기하고 M-1번째의 정보에 새롭게 M번의 번호가 붙여진다.

본 학습 제어 장치는, 학습계수의 갱신치와 순시치의 각각의 이력 정보를 갱신한 후, 학습계수에 관해 3개의 평가를 행한다. 제1의 평가는 학습계수의 최신도의 평가로서, 이것은 모든 셀에 관해 행한다. 제2의 평가는 학습계수의 포화도의 평가로서, 이것은 당해 재료의 압연 조건에 대응하는 당해 셀, 즉, 금회의 처리에서 이력 정보의 갱신이 행하여진 셀에 관해 행한다. 제3의 평가는 학습계수의 안정도의 평가이고, 이것도 당해 셀에 관해 행한다.

학습계수의 최신도의 평가는 처리 유닛(14)이 행한다. 처리 유닛(14)은, 제2의 층별 테이블(22)에 기억된 학습계수의 갱신치의 이력 정보에 의거하여, 제2의 층별 테이블(22)의 각 셀의 학습계수의 갱신치가 새로운 것임을 평가한다. 각 셀의 갱신이 일정 일시 이후에 갱신되어 있으면, 그 학습계수의 갱신치를 새로운 것이라고 판단할 수 있다. 이 판단에는 이하의 식이 이용된다.

ε(k, l) < εtime

여기서,

(k, l) : 셀의 좌표(단, k, l은 모든 압연 조건이 조합)

ε(k, l) : 당해 재료의 학습계수의 갱신 일시와 셀(k, l)의 갱신 일시의 시간 차(差)

εtime : 최신도의 판정 기준치

상기한 식이 충족된 경우, 처리 유닛(14)은, 셀(k, l)이 기억하고 있는 학습계수의 갱신치는 최신이라고 판단하고, FCZtime(k, l)를 1로 한다. 상기한 식이 충족되지 않는 경우, 처리 유닛(14)은, 셀(k, l)이 기억하고 있는 학습계수의 갱신치는 최신이 아니라고 판단하고, FCZtime(k, l)를 0으로 한다. 또한, FCZtime(k, l)는 학습계수의 갱신치의 최신도의 평가 결과를 나타내는 수치이고, 1이면 최신, 0이면 최신이 아닌 것을 의미한다. 처리 유닛(14)은, 상기한 식에 의한 판단을 모든 셀에 관해 행한다.

처리 유닛(14)에 의해 셀마다 결정된 최신도 평가치(FCZtime)(k, l)는, 제3의 층별 테이블(23)의 대응하는 셀에 기록된다.

학습계수의 포화도의 평가는 처리 유닛(15)이 행한다. 처리 유닛(15)은, 제2의 층별 테이블(22)에 기억된 학습계수의 갱신치의 이력 정보에 의거하여, 당해 셀에 관해, 그 학습계수의 갱신치가 포화하고 있는 것을 평가한다. 학습계수의 갱신치의 1번째부터 m번째(m = <M)의 값에 관해, m번째부터 m-1번째, i번째부터 i-1번째, 2번째부터 1번째로 각각의 학습계수의 갱신치의 변화량을 산출하고, 그 변화량이 0을 향하여 수렴하고 있으면, 당해 셀의 학습계수의 갱신치는 포화하고 있다고 판단할 수 있다. 이 판단에는 이하의 식이 이용된다.

CZmdf(r, s) < εmdf

여기서,

(r, s) : 당해 셀의 좌표

CZmdf(r, s) : 당해 셀의 학습계수의 갱신치의 변화량의 평균치

εmdf : 포화도의 판정 기준치

갱신치의 변화량의 평균치(CZmdf)(r, s)는, 다음 식에 의해 산출된다.

[수식 1]

여기서,

Zmdf(r, s)(i) : 학습계수의 갱신치의 i번째의 기억치

상기한 식이 충족된 경우, 처리 유닛(15)은, 당해 셀(r, s)이 기억하고 있는 학습계수의 갱신치는 포화하여 있다고 판단하고, FCZmdf(r, s)를 1로 한다. 상기한 식이 충족되지 않은 경우, 처리 유닛(15)은, 당해 셀(r, s)이 기억하고 있는 학습계수의 갱신치는 포화하지 않았다고 판단하고, FCZmdf(r, s)를 0으로 한다. 또한, M<m인 경우, 처리 유닛(15)은, FCZmdf(r, s)를 0으로 한다. 또한, FCZmdf(r, s)는 학습계수의 갱신치의 포화도의 평가 결과를 나타내는 수치이고, 1이면 포화하고 있고, 0이면 포화하지 않은 것을 의미한다.

처리 유닛(15)에 의해 결정된 포화도 평가치(FCZmdf)(r, s)는, 제4의 층별

테이블(24)의 당해 셀(r, s)에 기록된다.

학습계수의 안정도의 평가는 처리 유닛(16)이 행한다. 처리 유닛(16)은, 제1의 층별 테이블(21)에 기억된 학습계수의 순시치의 이력 정보에 의거하여, 당해 셀에 관해, 그 학습계수의 순시치가 안정되어 있는 것을 평가한다. 학습계수의 순시치의 1번째부터 n번째(n = <N)의 값에 관해, 그 변동량이 작으면, 당해 셀의 학습계수의 순시치는 안정되어 있다고 판단할 수 있다. 이 판단에는 이하의 식이 이용된다.

CZcur(r, s) < εcur

여기서,

(r, s) : 당해 셀의 좌표

CZcur(r, s) : 당해 셀의 학습계수의 순시치의 변화량의 표준 편차

εcur : 안정도의 판정 기준치

순시치의 변화량의 표준 편차(CZcur)(r, s)는, 다음 식에 의해 산출된다.

[수식 2]

여기서, Zcur(r, s)(i) : 학습계수의 순시치의 i번째의 기억치

상기한 식이 충족된 경우, 처리 유닛(16)은, 당해 셀(r, s)이 기억하고 있는 학습계수의 순시치는 안정되어 있다고 판단하고, FCZcur(r, s)를 1로 한다. 상기한 식이 충족되지 않은 경우, 처리 유닛(16)은, 당해 셀(r, s)이 기억하고 있는 학습계수의 순시치는 안정되지 않았다고 판단하고, FCZcur(r, s)를 0으로 한다. 또한, N<n인 경우, 처리 유닛(16)은, FCZcur(r, s)를 0으로 한다. 또한, FCZcur(r, s)는 학습계수의 순시치의 안정도의 평가 결과를 나타내는 수치이고, 1이면 안정되어 있고, 0이면 안정되지 않은 것을 의미한다.

처리 유닛(16)에 의해 결정된 안정도 평가치(FCZcur)(r, s)는, 제5의 층별 테이블(25)의 당해 셀(r, s)에 기록된다.

이상의 처리에 의해, 당해 재료의 압연 조건에 해당하는 셀에 관해 학습계수의 순시치와 갱신치가 기억된다. 또한, 모든 셀에 관해 학습계수의 최신도가 평가되고, 또한, 당해 셀에 관해 학습계수의 포화도 및 안정도가 평가되고, 그들의 평가치도 또한, 대응하는 셀에 기억된다.

다음에, 설정 계산 장치(30)의 상세에 관해 설명한다. 설정 계산 장치(30)는, 다음 재료의 압연 조건이 해당하는 셀, 즉, 모델식을 이용한 모델 예측의 대상이 되는 대상 셀에 관해 2개의 방법으로 학습계수를 구하고, 이들로부터 다음 재료의 압연시에 적용하는 학습계수의 사용치를 산출한다. 하나의 방법은, 제2의 층별 테이블(22)에 기억되어 있는 학습계수의 갱신치의 이력 정보로부터, 다음 재료의 압연 조건이 해당하는 셀의 최신의 갱신치를 색인(索引)하여 판독하는 방법이다. 이 방법에 관한 처리는 처리 유닛(33)에 의해 행하여진다. 여기서, 다음 재료의 셀의 좌표를(t, u)로 하고, 처리 유닛(33)에 의해 판독된 학습계수의 갱신치를 Zmod(t, u)로 한다.

또 하나의 방법은, 다음 재료의 셀의 부근의 셀의 학습계수를 사용하여, 다음 재료의 셀에서의 학습계수의 추정치를 산출하는 방법이다. 이 방법에 관한 처리는 처리 유닛(31), 32에 의해 행하여진다. 구체적으로는, 우선, 처리 유닛(31)가 다음 재료의 셀의 부근의 셀 중에서 소정의 조건을 충족시키는 셀을 선정한다. 그 조건은 이하의 3개의 조건이다,

1) 비교적 새로운 데이터로 학습 갱신이 이루어져 있다.

2) 학습계수의 갱신치가 포화되어 있다.

3) 학습계수의 순시치가 안정되어 있다.

처리 유닛(31)은, 제3의 층별 테이블(23), 제4의 층별 테이블(24), 및, 제5의 층별 테이블(25)의 전부에서 평가 결과가 1로 판정되어 있는 셀을 선택한다. 그리고, 선택한 셀 중에서, 다음 재료가 해당하는 셀(t, u)에 공간 거리가 가까운 셀을 차례로 3개 추출한다. 여기서, 선택한 3개의 셀을 셀(A)(ta, ua), 셀(B)(tb, ub), 셀(C)(tc, uc)로 한다.

처리 유닛(32)은, 처리 유닛(31)이 선택한 셀(A)(ta, ua), 셀(B)(tb, ub), 셀(C)(tc, uc)에 관해, 제1의 층별 테이블(21)에 기억된 순시치의 이력 정보에 의거하여, 최신 K개의 순시치를 대표하는 대표값(예를 들면, 최신 K개의 평균치 또는 중앙치, 또는, 최신 K개로부터 최대치와 최소치를 제외한 K-2개의 평균치 또는 중앙치, 등)를 산출한다. 여기서는, 셀(A)(ta, ua)의 대표값을 Zestm(ta, ua), 셀(B)(tb, ub)의 대표값을 Zestm(tb, ub), 셀(C)(tc, uc)의 대표값을 Zestm(tc, uc)로 한다.

처리 유닛(32)은, 이들 3개의 학습계수의 대표값을 이용하여, 선택한 셀(A)(ta, ua), 셀(B)(tb, ub), 셀(C)(tc, uc)의 각 좌표와 그들 각 대표값과의 사이에 성립되는 1차 다항식을 특정한다. 즉, 도 2에 도시하는 바와 같이, 압연 조건인 폭 및 두께와 학습계수를 각각 축으로 하는 3차원 공간에서, 3개의 좌표 점(ta, ua, Zestm(ta, ua)), (tb, ub, Zestm(tb, ub)), (tc, uc, Zestm(tc, uc))를 통과하는 평면을 구한다. 이 평면은 이하의 식을 충족시키는 것으로 하여 구할 수 있다.

Zestm(t, u) = a*t+b*u+c

여기서, 상기 평면의 식의 계수(a, b, c)는, 이하의 조건을 충족시키는 것으로 하여 계산된다.

Zestm(ta, ua) = a*ta+b*ua+c

Zestm(tb, ub) = a*tb+b*ub+c

Zestm(tc, uc) = a*tc+b*uc+c

상기한 식으로 특정되는 평면상에서는, 학습계수의 최신도, 포화도, 및, 안정도의 각 기준이 충족되는 것이 경험에 의해 확인되어 있다. 처리 유닛(32)은, 다음 재료가 해당하는 셀(t, u)에 대해, 상기 식을 이용한 다항식 보간에 의해 학습계수를 산출함에 의해, 최신도, 포화도, 및, 안정도를 충족시키는 학습계수의 추정치를 산출한다. 여기서, 처리 유닛(34)에 의해 산출된 학습계수의 추정치를 Zestm(t, u)로 한다.

이상의 순서에 의해, 다음 재료가 해당하는 셀(t, u)에 관해, 학습계수의 갱신치(Zmod)(t, u)와 학습계수의 추정치(Zestm)(t, u)를 얻을 수 있다. 처리 유닛(35)은, 이들 2개의 학습계수에 의거하여, 다음 재료의 압연 조건에서의 학습계수의 사용치를 산출한다. 보다 상세하게는, 이하의 가중평균의 식에 의해, 학습계수의 갱신치(Zmod)(t, u)를 학습계수의 추정치(Zestm)(t, u)로 보정함에 의해, 학습계수의 사용치를 결정한다.

Zuse(t, u) = β*Zmod(t, u) + (1-β)*Zestm(t, u)

여기서,

Zuse(t, u) : 학습계수의 사용치.

β : 무게계수(0 = < β = < 1)

처리 유닛(35)은, 학습계수의 갱신치(Zmod)(t, u)의 최신도, 포화도, 안정도가 양호하면, 무게계수(β)의 값을 크게 함으로써 학습계수의 갱신치(Zmod)(t, u)에 무게를 부여한다. 역으로, 학습계수의 추정치(Zestm)(t, u)의 최신도, 포화도, 안정도가 양호하면, 무게계수(β)의 값을 작게 함으로써 학습계수의 추정치(Zestm)(t, u)에 무게를 줄 수 있다. 무게계수(β)의 결정 방법의 예를 이하에 나타낸다.

β = 1.0 (갱신치(Zmod)(t, u)가 최신도, 포화도, 안정도 모두 충족시키는 경우)

β = 0.6 (갱신치(Zmod)(t, u)가 최신도, 포화도, 안정도의 2개를 충족시키는 경우)

β = 0.4 (갱신치(Zmod)(t, u)가 최신도, 포화도, 안정도의 하나를 충족시키는 경우)

β = 0.0 (갱신치(Zmod)(t, u)가 최신도, 포화도, 안정도의 하나도 충족시키지 않는 경우)

처리 유닛(36)은, 처리 유닛(35)에 의해 산출된 학습계수의 사용치에 의해 모델식을 보정한다. 이에 의해, 모델식에 의한 예측 계산의 정밀도 향상이 도모된다. 그리고, 보정된 모델식을 이용하여 설정 계산을 행하여, 압연 장치의 기기의 설정치를 결정한다. 이와 같이 하여 결정된 설정치에 따라 각 기기를 주사(走査)함에 의해, 성품 품질의 정밀도, 및, 조업의 안정성을 개선할 수 있다.

이상, 본 발명의 실시의 형태에 관해 설명하였다. 단, 본 발명은 상술의 실시의 형태로 한정되는 것이 아니고, 본 발명의 취지를 일탈하지 않는 범위에서 여러가지 변형하여 실시할 수 있다. 예를 들면, 셀에 의해 구분되는 압연 조건은 2항목 보다 많아도 좋다. 상술한 실시의 형태에서는 압연 조건은 폭과 두께의 2항목으로 하고 있지만, 압연 조건을 3항목 이상으로 하여 3차원 이상의 다차원 데이터베이스에 의해 학습계수를 관리할 수도 있다. 압연 조건이 3항목이면, 압연 조건을 축으로 하는 3차원 공간에 있어서, 최신도, 포화도, 및, 안정도가 기준을 충족시키는 셀 중에서 대상 셀에 공간 거리가 가까운 셀을 차례로 4개 선택함에 의해, 다항식 보간에 의해 대상 셀에서의 학습계수의 추정치를 산출할 수 있다.

또한, 상술의 실시의 형태에서는, 처리 유닛(12)이 순시치 산출 기록 수단에 상당하고, 처리 유닛(13)이 갱신치 산출 기록 수단에 상당하고, 처리 유닛(14)이 최신도 평가 수단에 상당하고, 처리 유닛(15)이 포화도 평가 수단에 상당하고, 처리 유닛(16)이 안정도 평가 수단에 상당한다. 또한, 처리 유닛(31)이 근방 셀 선정 수단에 상당하고, 처리 유닛(32)이 추정치 산출 수단에 상당하고, 처리 유닛(34, 35)이 사용치 결정 수단에 상당한다. 본 학습 제어 장치(1)를 구성하는 컴퓨터의 메모리에는, 각 처리 유닛에 대응하는 루틴이 하나의 프로그램이 되어 기억되어 있다. 그 프로그램이 컴퓨터의 프로세서에 의해 실행됨에 의해, 컴퓨터는 각 처리 유닛으로서 기능한다.

1 : 학습 제어 장치
10 : 학습 장치
20 : 기억 장치(데이터베이스)
21, 22, 23, 24, 25 : 층별 테이블
30 : 설정 계산 장치

Claims (4)

1. 압연 조건을 구분하는 복수의 셀로 구성되는 데이터베이스를 가지며, 압연 프로세스의 설정 계산에 이용하는 모델식의 학습계수를 상기 데이터베이스에서 관리하는 학습 제어 장치에 있어서,
   상기 압연 프로세스에서 계측된 실적치와 상기 모델식을 이용하여 산출된 실적 재계산치와의 어긋남에 의거하여 상기 학습계수의 순시치를 산출하고, 당해 압연 조건에 해당하는 셀에 대해 상기 순시치를 학습 일시와 함께 기록하는 순시치 산출 기록 수단과,
   상기 순시치와 상기 학습계수의 당해 압연 조건에서의 전회치에 의거하여 상기 학습계수의 갱신치를 산출하고, 당해 압연 조건에 해당하는 셀에 대해 상기 갱신치를 학습 일시와 함께 기록하는 갱신치 산출 기록 수단과,
   상기 데이터베이스에 기억된 상기 갱신치의 이력 정보에 의거하여, 상기 복수의 셀의 각각에 관해 상기 학습계수의 최신도를 평가하는 최신도 평가 수단과,
   상기 데이터베이스에 기억된 상기 갱신치의 이력 정보에 의거하여, 상기 복수의 셀의 각각에 관해 상기 학습계수의 포화도를 평가하는 포화도 평가 수단과,
   상기 데이터베이스에 기억된 상기 순시치의 이력 정보에 의거하여, 상기 복수의 셀의 각각에 관해 상기 학습계수의 안정도를 평가하는 안정도 평가 수단과,
   상기 최신도, 포화도, 및, 안정도의 각 평가 결과가 기준을 충족시키는 셀 중에서, 압연 조건을 좌표축으로 하는 공간에서, 다음 압연 조건에 해당하는 대상 셀과의 공간 거리가 가까운 소정 개수의 근방 셀을 선정하는 근방 셀 선정 수단과,
   선정한 상기 소정 개수의 근방 셀에서의 상기 학습계수의 대표값을 각각 결정하고, 상기 대상 셀의 좌표와 선정한 상기 소정 개수의 근방 셀의 좌표 및 상기 대표값에 의거하여, 다항식 보간에 의해 상기 대상 셀에서의 상기 학습계수의 추정치를 산출하는 추정치 산출 수단과,
   상기 대상 셀에서의 상기 학습계수의 최신 갱신치를 상기 추정치로 보정하고, 다음 압연 조건에서의 상기 학습계수의 사용치로서 결정하는 사용치 결정 수단을 구비하는 것을 특징으로 하는 압연 프로세스의 학습 제어 장치.
2. 제1항에 있어서,
   상기 사용치 결정 수단은,
   상기 최신 갱신치와 상기 추정치와의 가중평균에 의해 상기 사용치를 산출하는 수단과,
   상기 대상 셀에 대한 상기 최신도, 포화도, 및 안정도의 평가 결과가 높을수록 상기 최신 갱신치의 무게가 커지고, 상기 평가 결과가 낮을 수록 상기 추정치의 무게가 커지도록, 상기 평가 결과에 응하여 상기 가중평균의 무게계수를 변화시키는 수단을 포함하는 것을 특징으로 하는 압연 프로세스의 학습 제어 장치.
3. 제1항 또는 제2항에 있어서,
   상기 데이터베이스는, 셀을 공통으로 하는 제1의 층별 테이블과 제2의 층별 테이블을 포함하고,
   상기 순시치 산출 기록 수단은, 상기 순시치를 상기 제1의 층별 테이블에 기록하도록 구성되고,
   상기 갱신치 산출 기록 수단은, 상기 갱신치를 상기 제2의 층별 테이블에 기록하도록 구성되는 것을 특징으로 하는 압연 프로세스의 학습 제어 장치.
4. 제3항에 있어서,
   상기 데이터베이스는, 상기 제1의 층별 테이블 및 제2의 층별 테이블과 셀을 공통으로 하는 제3의 층별 테이블과 제4의 층별 테이블과 제5의 층별 테이블을 또한 포함하고,
   상기 최신도 평가 수단은, 상기 최신도의 평가 결과를 상기 제3의 층별 테이블에 기록하도록 구성되고,
   상기 포화도 평가 수단은, 상기 포화도의 평가 결과를 상기 제4의 층별 테이블에 기록하도록 구성되고,
   상기 안정도 평가 수단은, 상기 안정도의 평가 결과를 상기 제5의 층별 테이블에 기록하도록 구성되는 것을 특징으로 하는 압연 프로세스의 학습 제어 장치.

Images