KR20230005985A - 열처리 레일의 경도 예측 방법, 열처리 방법, 경도 예측 장치, 열처리 장치, 제조 방법, 제조 설비, 및 경도 예측 모델의 생성 방법 - Google Patents

열처리 레일의 경도 예측 방법, 열처리 방법, 경도 예측 장치, 열처리 장치, 제조 방법, 제조 설비, 및 경도 예측 모델의 생성 방법 Download PDF

Info

Publication number
KR20230005985A
KR20230005985A KR1020227042338A KR20227042338A KR20230005985A KR 20230005985 A KR20230005985 A KR 20230005985A KR 1020227042338 A KR1020227042338 A KR 1020227042338A KR 20227042338 A KR20227042338 A KR 20227042338A KR 20230005985 A KR20230005985 A KR 20230005985A
Authority
KR
South Korea
Prior art keywords
rail
cooling
hardness
heat treatment
heat
Prior art date
Application number
KR1020227042338A
Other languages
English (en)
Inventor
겐이치 오스카
히로유키 후쿠다
사토시 우에오카
Original Assignee
제이에프이 스틸 가부시키가이샤
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 제이에프이 스틸 가부시키가이샤 filed Critical 제이에프이 스틸 가부시키가이샤
Publication of KR20230005985A publication Critical patent/KR20230005985A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/40—Investigating hardness or rebound hardness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/40—Investigating hardness or rebound hardness
    • G01N3/54—Performing tests at high or low temperatures
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D1/00—General methods or devices for heat treatment, e.g. annealing, hardening, quenching or tempering
    • C21D1/18—Hardening; Quenching with or without subsequent tempering
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D1/00—General methods or devices for heat treatment, e.g. annealing, hardening, quenching or tempering
    • C21D1/62—Quenching devices
    • C21D1/667—Quenching devices for spray quenching
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D11/00—Process control or regulation for heat treatments
    • C21D11/005—Process control or regulation for heat treatments for cooling
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D9/00—Heat treatment, e.g. annealing, hardening, quenching or tempering, adapted for particular articles; Furnaces therefor
    • C21D9/04—Heat treatment, e.g. annealing, hardening, quenching or tempering, adapted for particular articles; Furnaces therefor for rails
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N25/00—Investigating or analyzing materials by the use of thermal means
    • G01N25/18—Investigating or analyzing materials by the use of thermal means by investigating thermal conductivity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D1/00—General methods or devices for heat treatment, e.g. annealing, hardening, quenching or tempering
    • C21D1/56—General methods or devices for heat treatment, e.g. annealing, hardening, quenching or tempering characterised by the quenching agents
    • C21D1/613—Gases; Liquefied or solidified normally gaseous material
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/0058—Kind of property studied
    • G01N2203/0076—Hardness, compressibility or resistance to crushing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/0098—Tests specified by its name, e.g. Charpy, Brinnel, Mullen
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/02—Details not specific for a particular testing method
    • G01N2203/0202—Control of the test
    • G01N2203/0212—Theories, calculations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/02—Details not specific for a particular testing method
    • G01N2203/0202—Control of the test
    • G01N2203/0212—Theories, calculations
    • G01N2203/0216—Finite elements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/02—Details not specific for a particular testing method
    • G01N2203/022—Environment of the test
    • G01N2203/0222—Temperature
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/40—Investigating hardness or rebound hardness
    • G01N3/42—Investigating hardness or rebound hardness by performing impressions under a steady load by indentors, e.g. sphere, pyramid
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P10/00—Technologies related to metal processing
    • Y02P10/25—Process efficiency

Abstract

안정된 경도 분포를 갖는 레일의 열처리를 가능하게 한다. 오스테나이트역 온도 이상의 레일을 냉각 설비 (7) 로 강제 냉각한 후의 레일의 경도를 예측한다. 냉각 개시 전의 레일의 표면 온도와 냉각 설비 (7) 의 조업 조건을 적어도 갖는 냉각 조건 데이터 세트를 입력 데이터로 하고, 강제 냉각 후의 레일의 내부의 경도를 출력 데이터로 하여 연산하는 모델을 사용하여, 냉각 조건 데이터 세트와 경도의 출력 데이터로 이루어지는 학습용 데이터를 복수 조, 취득한다. 취득한 복수 조의 학습용 데이터를 사용한 기계 학습에 의해, 냉각 조건 데이터 세트를 적어도 입력 데이터로 하고 강제 냉각 후의 레일 내부의 경도에 관한 정보를 출력 데이터로 하는 경도 예측 모델을 미리 생성한다. 경도 예측 모델을 사용하여, 강제 냉각의 냉각 조건으로서 설정된 1 조의 냉각 조건 데이터 세트에 대한 레일 내부의 경도로부터 레일의 경도를 예측한다.

Description

열처리 레일의 경도 예측 방법, 열처리 방법, 경도 예측 장치, 열처리 장치, 제조 방법, 제조 설비, 및 경도 예측 모델의 생성 방법
본 발명은, 오스테나이트역 온도 이상의 고온의 레일에 대해 강제 냉각을 실행하는 열처리 공정을 갖는 열처리 레일의 제조에 관한 기술이다. 본 발명은, 특히 오스테나이트역 온도 이상으로 가열된 레일을 강제 냉각하여, 적어도 레일 머리부가 경도의 균일성이 우수한 레일로 하는 수송용 철도용의 열처리 레일의 제조에 적합한 기술이다.
열처리 레일의 제조에는, 열간 압연으로 제조된 레일에 대하여, 경도나 인성 등의 품질을 향상시킬 목적으로, 강제 냉각 (열처리 공정) 을 실행하는 경우가 있다. 이 강제 냉각 (열처리 공정) 은, 예를 들어, 오스테나이트역 온도 이상에서 압연이 종료된 직후의 레일, 또는 압연·방랭 후에 재가열하여 오스테나이트역 온도 이상의 온도로 한 레일에 대하여 실행된다. 즉, 강제 냉각은 오스테나이트역 온도 이상으로 되어 있는 레일에 대하여 실행된다. 본 명세서에서는, 열처리 공정을 거쳐 제조되는 레일을 열처리 레일이라고도 기재한다.
특히, 천연 자원 채굴 현장에서 사용되는 수송용 철도는, 일반적인 여객용 철도와 비교하여 화차 (貨車) 의 적재량이 크다. 이 때문에, 수송용 철도에서는 레일의 마모가 심하여, 빈번하게 레일의 교환이 필요해진다. 그러나 레일의 교환은, 작업 비용이나 교환품의 비용 증가뿐만 아니라, 노선의 가동률도 저하시키는 것으로 연결된다. 이 때문에, 레일 교환의 빈도를 억제하고자 하는 요망이 있다. 요컨대, 수송용 철도에서는, 보다 내마모성이 높은 레일의 사용이 요구되고 있다.
고내마모성의 레일을 얻기 위해서는, 레일 표면으로부터 소정 깊이까지의 단면 내부의 영역 (이후, 간단히 「내부」라고도 기재한다) 의 경도 분포가, 소정의 경도값보다 높은 것이 요구된다. 또한, 그 영역의 결정 조직이, 펄라이트 조직인 것이 바람직하다. 그 이유로서, 베이나이트 조직에서는, 펄라이트 조직과 동일 경도라도 내마모성이 낮고, 또한 마텐자이트 조직에서는 인성이 낮아져 버리기 때문이다.
펄라이트 조직을 고경도화하기 위해서는, 조직을 구성하는 페라이트와 시멘타이트의 층 (라멜라) 의 간격을 미세하게 하는 것이 효과적이다. 그리고, 미세한 라멜라를 얻기 위해서는, 오스테나이트역 온도 이상의 레일을, 평형 변태 온도보다 충분히 낮은 온도까지, 높은 냉각 속도 (냉속) 로 냉각한 과냉각 상태에 있어서 변태를 진행시킬 필요가 있다. 단, 냉속이 과대한 경우에는 베이나이트 조직이나 마텐자이트 조직으로 변태되어, 특성이 악화되어 버릴 우려가 있다. 또한 일반적으로 레일은, 품질상 가장 중요한 레일 머리부 표면을 중심으로 냉각 처리가 실행된다. 이 때, 레일 머리부는 가장 질량이 집중되어 있는 부분이기 때문에, 레일 머리부에 있어서는, 냉각 중에는 표면과 내부에서 커다란 온도차가 발생하는 경향이 있다. 그 때문에, 레일 머리부에서는, 변태 개시 시각도 표면과 내부에서 차가 발생하기 때문에, 그 시간차에 맞춘 냉각 능력의 제어에 의해, 레일 내부의 조직 제어를 실시할 필요가 있다.
열처리 레일의 냉각 제어를 위한 기술로는, 예를 들면 특허문헌 1 에 기재된 기술이 있다. 특허문헌 1 에는, 750 ℃ 이상의 온도역으로부터, 4 ∼ 15 ℃/초의 냉각 속도로 600 ∼ 450 ℃ 까지 강제 냉각을 실시하는 제 1 강제 냉각과, 그 후, 강제 냉각을 일시적으로 정지하여 펄라이트 변태를 종료시킨 후, 다시 강제 냉각을 실시하는 방법이 개시되어 있다.
또한, 특허문헌 2 에는, 냉각 개시로부터 변태 발열의 개시 타이밍이나 종료 타이밍을 레일 표면의 온도 측정 결과에 기초하여 판정하면서, 강제 냉각의 조건을 변경하는 방법이 개시되어 있다.
또한, 특허문헌 3 에는, 미리 설정된 레일 내부의 대표점에 있어서의 경도와, 탄소 당량, 냉각 매체의 분사 유량, 분사 압력, 및 분사 거리의 관계식을 사용하여, 레일 소재가 되는 강편의 탄소 당량에 기초하여 냉각 노즐과 레일 머리부 사이의 분사 거리를 설정함과 함께, 냉각 설비 입측에서 측정된 레일 두정부 (頭頂部) 의 표면 온도 (냉각 개시 전의 표면 온도) 로부터 냉각 시간을 설정하는 방법이 개시되어 있다.
한편, 특허문헌 4 에는, 제어 장치 내의 프로세스 모델로서, 수치적, 기계적, 야금적인 매립형 모델을 갖고, 레일 내부의 온도 이력과 마이크로 조직 변화 및 기계적 성질을 예측하여, 그 예측 결과에 기초해서 냉각 존마다의 냉각 조건을 설정하는 방법이 개시되어 있다.
일본 특허공보 제4938158호 일본 특허공보 제5686231호 일본 공개특허공보 소61-149436호 일본 특허공보 제6261570호
전열 공학 자료 [개정 제 5 판] 일본 기계 학회 (2009)
특허문헌 1 에 기재된 방법은, 가열된 레일의 강제 냉각 조건으로서, 제 1 강제 냉각의 개시와 종료 및 제 2 강제 냉각의 개시와 종료의 각 조건을 규정하는 것이다. 그러나, 특허문헌 1 에 기재된 바와 같은 방법으로 냉각 조건을 사전에 설정하는 경우, 레일 소재의 강편의 성분 편차나, 냉각 개시 온도 등에 편차가 발생하면, 열처리 후의 레일의 내부 경도에 편차가 발생한다는 과제가 있다.
한편, 특허문헌 2 에 기재된 방법은, 강제 냉각 중의 레일 표면의 온도 측정 결과에 기초하여 냉각 조건을 변경한다는 점에서, 소재의 편차나 냉각 개시 온도 등의 변동 요인의 영향을 고려 가능한 방법이다. 그러나, 특허문헌 2 에 기재된 방법에서는, 냉각 조건의 변경은 어디까지나 레일 머리부의 표면 온도에만 기초하여 실시하는 것으로, 반드시 레일 내부의 온도 변화나 조직 변화를 반영한 냉각 조건의 변경이 되는 것은 아니라고 하는 과제가 있다. 예를 들어, 레일 내부에서는, 열전도에 의한 온도 변화와 변태에 의한 온도 변화가 동시에 발생하여, 시간의 경과와 함께 각 위치의 온도나 변태가 발생하는 위치가 변화한다. 이 때문에, 표면 온도의 측정 결과만으로부터 내부의 조직 분포까지 추정하는 것은 곤란하다.
또한, 특허문헌 3 에 기재된 방법은, 레일 머리부의 표면으로부터 10 mm 내부로 들어간 위치에 있어서의 경도를 물리 모델에 의한 간이식으로 예측하기 때문에, 레일 내부의 경도와 냉각 조건을 연관시키는 것이 가능하다. 그러나, 레일 내부의 조직 형성은, 냉각 매체에 의한 레일 머리부 표면에서의 열전달 거동, 레일 내부에서의 열전도 거동, 변태에 의한 조직 변화나 변태 발열이 복잡하게 서로 영향을 미친다. 이 때문에, 간이식에 의해 레일 내부의 경도 예측을 정확하게 실시하는 것은 곤란하다. 또한, 레일 내부의 경도는 단면에 따라 상이하기 때문에, 특정 위치의 경도를 제어하는 것만으로는 품질을 확보한다는 관점에서도 충분하다고는 할 수 없다.
특허문헌 4 의 기술은, 레일 강의 화학 조성, 압연 조건, 냉각 전의 오스테나이트 입경, 예상 변태 거동, 레일 단면의 기하 형상, 온도 분포, 및 목표 기계적 특성을 입력으로 하여, 온라인으로 변태 예측을 포함한 전열 해석을 실시하여 최종적인 기계 특성을 예상하고, 필요에 따라서 냉각 조건의 재검토를 실시하는 것이 기재되어 있다.
그러나 레일의 단면 형상은 복잡하기 때문에, 물리 모델을 사용한, 전열 해석이나 경계 조건이 되는 열전달 계수의 결정에는, 이차원 혹은 삼차원의 열전도 해석이나 냉각 매체의 유동 해석이 필요해진다. 이 때문에, 온라인에서는 계산 부하가 매우 크다. 또한 변태를 포함한 전열 해석은 비선형적인 현상이다. 이 때문에, 해석을 위한 공간 및 시간 간격을 매우 작게 하지 않으면 안정된 해 (解) 를 얻을 수 없다. 그 때문에, 열간 압연 종료로부터 냉각 설비에 반입할 때까지의 동안에 전열 해석의 계산을 종료하여, 적절한 냉각 조건을 결정하고, 또한, 냉각 과정에 있어서도 온도 이력에 맞추어 재계산을 실시하여, 냉각 조건을 적절히 수정해 간다는 것은, 현재의 계산기 능력으로는 곤란하다.
이상과 같이, 종래 기술에서는, 레일 내부의 경도 분포를 제어할 때에, 레일 소재의 강편의 성분 편차나 냉각 개시 온도 등의 변동 요인에 따른 양호한 정밀도의 제어가, 현실적으로는 곤란하다는 과제가 있다.
특히, 냉각 설비의 입측에 있어서의 소재의 조건은, 강편마다 변동이 있다. 이 때문에, 진행이 빠르고 발열이 큰 펄라이트 변태를, 표면으로부터 내부에 걸쳐서 안정적으로 제어하는 것은, 온라인에서의 전열 해석 (물리 모델에 의한 수치 계산) 을 사용한 처리로는 어렵다.
본 발명은 상기와 같은 점을 감안하여 이루어진 것으로, 레일 표면으로부터 내부까지 원하는 조직으로 제어하여, 안정된 경도 분포를 갖는 레일의 열처리를 가능하게 하기 위한 기술을 제공하는 것을 목적으로 한다.
과제 해결을 위해서, 본 발명의 일 양태는, 오스테나이트역 온도 이상의 온도로 되어 있는 레일을 냉각 설비로 강제 냉각하는 열처리 공정 후의 상기 레일의 경도를 예측하는 레일의 경도 예측 방법으로서, 냉각 개시 전의 레일의 표면 온도와 강제 냉각을 위한 상기 냉각 설비의 조업 조건을 적어도 갖는 냉각 조건 데이터 세트를 입력 데이터로 하고, 상기 강제 냉각 후의 레일의 적어도 레일 머리부의 내부의 경도를 출력 데이터로 하여 연산하기 위한 물리 모델인 내부 경도 연산 모델을 사용하여, 상기 냉각 조건 데이터 세트와 상기 경도의 출력 데이터로 이루어지는 학습용 데이터를 복수 조 (組) 취득해 두고, 취득한 복수 조의 학습용 데이터를 사용한 기계 학습에 의해, 상기 냉각 조건 데이터 세트를 적어도 입력 데이터로 하고 상기 강제 냉각 후의 레일 내부의 경도에 관한 경도 정보를 출력 데이터로 하는 경도 예측 모델을 미리 생성하고, 상기 예측 모델을 사용하여 구해지는, 상기 열처리 공정의 냉각 조건으로서 설정되는 1 조의 냉각 조건 데이터 세트에 대한 레일 내부의 경도에 관한 정보에 기초하여, 상기 열처리 공정 후의 레일의 경도를 예측하는 것을 요지로 한다.
또한, 본 발명의 일 양태는, 오스테나이트역 온도 이상의 온도로 되어 있는 레일을 냉각 설비로 강제 냉각하는 열처리 공정을 갖는 열처리 레일의 열처리 방법으로서, 냉각 개시 전의 레일의 표면 온도를 측정하고, 상기 냉각 설비에서의 레일의 냉각 개시 전에, 측정한 레일의 표면 온도를 사용하여, 본 발명의 일 양태에 기재된 열처리 레일의 경도 예측 방법에 의해, 레일 내부의 경도를 예측하고, 예측한 레일 내부의 경도가 목표로 하는 경도의 범위 밖인 경우, 예측한 레일 내부의 경도가 목표로 하는 경도의 범위 내에 들어가도록, 상기 냉각 설비의 조업 조건을 재설정하는 것을 요지로 한다.
또한, 본 발명의 일 양태는, 오스테나이트역 온도 이상의 온도로 되어 있는 레일을 냉각 설비로 강제 냉각한 후의 상기 레일의 경도를, 상기 냉각 설비에 의한 냉각 개시 전의 레일의 표면 온도와 강제 냉각을 위한 상기 냉각 설비의 조업 조건을 적어도 갖는 냉각 조건 데이터 세트로부터 구하기 위한 경도 예측 모델의 생성 방법으로서, 상기 냉각 조건 데이터 세트를 입력 데이터로 하고, 상기 강제 냉각 후의 레일의 적어도 레일 머리부의 내부의 경도를 출력 데이터로 하여 연산하기 위한 물리 모델인 내부 경도 연산 모델을 사용하여, 상기 냉각 조건 데이터 세트와 상기 경도의 출력 데이터로 이루어지는 학습용 데이터를 복수 조 취득하고, 취득한 복수 조의 학습용 데이터를 사용한 기계 학습에 의해, 상기 냉각 조건 데이터 세트를 적어도 입력 데이터로 하고 상기 강제 냉각 후의 레일 내부의 경도에 관한 정보를 출력 데이터로 하는 경도 예측 모델을 미리 생성하는 것을 요지로 한다.
또한, 본 발명의 일 양태는, 본 발명의 일 양태인 열처리 레일의 열처리 방법을 갖는, 열처리 레일의 제조 방법이다.
또한, 본 발명의 일 양태는, 오스테나이트역 온도 이상의 온도로 되어 있는 레일을 냉각 설비로 강제 냉각하는 열처리 공정 후의 상기 레일의 경도를 예측하는 레일의 경도 예측 장치로서, 냉각 개시 전의 레일의 표면 온도와 강제 냉각을 위한 상기 냉각 설비의 조업 조건을 적어도 갖는 냉각 조건 데이터 세트를 입력 데이터로 하고, 상기 강제 냉각 후의 레일의 적어도 레일 머리부의 내부의 경도를 출력 데이터로 하여 연산하기 위한 물리 모델인 내부 경도 연산 모델을 사용하여 연산한, 상기 냉각 조건 데이터 세트와 상기 경도의 출력 데이터로 이루어지는 학습용 데이터를 복수 조 격납하고 있는 데이터베이스와, 상기 복수 조의 학습용 데이터를 사용한 기계 학습에 의해, 상기 냉각 조건 데이터 세트를 적어도 입력 데이터로 하고 상기 강제 냉각 후의 레일 내부의 경도에 관한 경도 정보를 출력 데이터로 하는 경도 예측 모델을 생성하는 예측 모델 생성부와, 냉각 개시 전의 레일의 표면 온도를 측정하는 온도계와, 상기 온도계가 측정한 측정값과 상기 경도 예측 모델을 사용하여, 상기 열처리 공정의 냉각 조건으로서 설정되는 1 조의 냉각 조건 데이터 세트에 대한 레일 내부의 경도에 관한 정보에 기초하여, 상기 열처리 공정 후의 레일의 경도를 예측하는 경도 예측부를 구비하는 것을 요지로 한다.
또한, 본 발명의 일 양태는, 오스테나이트역 온도 이상의 온도로 되어 있는 레일을 냉각 설비로 강제 냉각하는 열처리 공정을 갖는 레일의 열처리 장치로서, 상기 냉각 설비에서의 레일의 냉각 개시 전에, 본 발명의 일 양태에 기재된 열처리 레일의 경도 예측 장치에 의해, 레일 내부의 경도를 예측하는 경도 예측부와, 상기 경도 예측부가 예측한 레일 내부의 경도가 목표로 하는 경도의 범위 밖인 경우, 예측한 레일 내부의 경도가 목표로 하는 경도의 범위 내에 들어가도록, 상기 냉각 설비의 조업 조건을 재설정하는 조업 조건 재설정부를 구비하는 것을 요지로 한다.
또한, 본 발명의 일 양태는, 본 발명의 일 양태에 기재된 열처리 레일의 열처리 장치를 구비하는 열처리 레일의 제조 설비이다.
여기서 상기 서술한 바와 같이, 본 명세서에서 「레일 내부」란, 레일 표면으로부터 소정 깊이까지의 단면 내부의 영역을 가리킨다.
본 발명의 양태에 의하면, 전열 해석 등을 사용한 계산 부하가 큰 처리가 되는, 복수의 냉각 조건에 대한 강제 냉각 후의 레일 내부의 경도 분포의 데이터 (학습용 데이터) 를 연산하는 처리를, 오프라인으로 실행 가능하기 때문에, 양호한 정밀도로 실행할 수 있다. 그리고, 본 발명의 양태에 의하면, 그 양호한 정밀도의 학습용 데이터에 의해, 냉각 조건에 대한 강제 냉각 후의 레일 내부의 경도 분포의 데이터를 구하기 위한, 경도 예측 모델을 기계 학습으로 구하고 있다.
이 때문에, 본 발명의 양태에 의하면, 예를 들어, 열처리 레일의 머리부 표면으로부터 내부에 걸친 영역에 대한 조직 제어를 적절하게 실행하는 것이 가능해져서, 제조하는 레일마다의 경도의 편차나, 레일의 길이 방향의 경도 편차를 저감하여, 품질 편차를 억제한 열처리 레일의 제조가 가능해진다.
도 1 은, 본 발명에 기초하는 실시형태에 관련된 열처리 레일의 제조 설비를 나타내는 개략도이다.
도 2 는, 본 발명에 기초하는 실시형태에 관련된 냉각 설비에서의 냉각을 위한 헤더 등의 배치를 설명하는 도면이다.
도 3 은, 레일의 강제 냉각 부위를 설명하는 도면이다.
도 4 는, 열처리의 제어 방법의 예를 나타내는 도면으로서, (a) 는 1 단 냉각법, (b), (c) 는 다단 스텝 냉각법에서의 냉각 조건을 설명하는 도면이다.
도 5 는, 1 단 냉각법에 의한 표면 온도와 변태 거동의 관계를 설명하는 도면이다.
도 6 은, 본 발명에 기초하는 실시형태에 관련된 2 단 스텝법에 의한 표면 온도와 변태 거동의 관계를 설명하는 도면이다.
도 7 은, 경도 예측 장치의 구성예를 나타내는 도면이다.
도 8 은, 내부 경도 오프라인 계산부의 구성을 나타내는 도면이다.
도 9 는, 경도 제어를 실시하는 제어 장치의 구성예를 나타내는 도면이다.
도 10 은, 본 발명의 실시형태인 목표 경도의 설정 방법의 예를 설명하는 도면이다.
도 11 은, 레일의 경도가 목표 범위 밖인 경우의 예를 나타내는 도면이다.
도 12 는, 본 발명의 실시형태인 목표 경도의 설정 방법의 다른 예를 설명하는 도면이다.
다음으로, 본 발명의 실시형태에 대해 도면을 참조하여 설명한다.
(열처리 레일의 제조 설비 (2))
도 1 은, 열처리 레일 (1) 을 제조하는 열처리 레일의 제조 설비 (2) 의 일례를 나타내는 모식도이다. 도 1 에 나타내는 제조 설비 (2) 는, 가열로 (11), 압연기 (3), 절단기 (4), 냉각 설비 (7) 및 냉각상 (冷却床) (10) 을 구비하고, 이들 설비가, 이 순서대로, 레일재의 반송 방향 (패스 라인) 을 따라서 배치되어 있다.
<가열로 (11)>
가열로 (11) 는, 연속 주조 설비 등으로 제작한 강편을, 예를 들면, 냉각 설비 (7) 의 입측에 있어서 오스테나이트역 온도 이상이 되도록 가열하는 처리를 실행한다. 다만, 냉각 설비 (7) 의 전공정으로서 재가열하는 처리를 갖는 경우에는, 예외로 한다.
<압연기 (3)>
압연기 (3) 는, 가열로 (11) 에 있어서 가열된 강편을 복수의 압연 패스에 의해, 원하는 레일 형상으로 조형·연신하는 열간 압연의 설비이다. 압연기 (3) 는, 통상, 복수의 압연 스탠드로 구성된다.
<절단기 (4)>
절단기 (4) 는, 압연기 (3) 에 의해 연신된 길이가 긴 레일 (1) 을 길이 방향으로 분할하기 위한 설비이고, 제품으로서의 레일 길이와 압연재의 길이에 따라서 적절히 사용된다. 제조 설비 (2) 로는, 예를 들면, 100 m 정도의 압력 길이인 채로 분할하지 않고서 냉각 설비 (7) 로 반송되는 경우도 있고, 1 개당 길이가 예를 들면 25 m 정도의 길이로 절단 (톱으로 절단) 한 후에 반송되는 경우도 있다.
<냉각 설비 (7)>
냉각 설비 (7) 는, 오스테나이트역 온도 이상의 고온의 레일 (1) 에 대하여, 후술하는 강제 냉각을 실시하는 설비이다. 냉각 설비 (7) 는, 제조 라인 내의 레일 (1) 의 패스 라인을 따라서 설치된다.
단, 냉각 설비 (7) 는, 반드시 압연기 (3) 로부터의 반송 라인 상에 설치하는 구성이 아니어도 된다. 예를 들어, 냉각 설비 (7) 를 열간 압연 설비와는 별도의 에어리어에 설치하고, 열간 압연된 레일 (1) 을, 가열로에서 오스테나이트역 온도 이상으로 재가열하고 나서, 냉각 설비 (7) 로 반송하는 구성이어도 된다.
냉각 설비 (7) 는, 냉각 대상이 되는 레일 (1) 의 길이 방향을 따라 배치된 복수의 냉각 존으로 구성되어 있으며, 레일 (1) 의 길이에 따라 사용하는 냉각 존을 설정한다. 각 냉각 존의 냉각 조건 (조업 조건) 은 개별적으로 설정 가능하게 되어 있다.
냉각 설비 (7) 의 상세에 대해서는 후술한다.
<온도계>
온도계 (8) 는, 냉각 설비 (7) 의 입측의 위치 (절단기 (4) 와 냉각 설비 (7) 사이의 위치) 에 설치되어, 냉각 개시 전의 레일 온도를 검출한다. 온도계 (8) 가 측정한 측정 결과는, 냉각 설비 (7) 를 제어하는 제어 장치 (6) 로 보내진다. 온도계 (8) 는, 예를 들면, 적어도 레일 (1) 의 머리부의 표면 온도를 측정한다.
또한, 냉각 설비 (7) 의 하류측의 위치 (냉각 설비 (7) 의 출구측) 에, 강제 냉각 종료 후의 레일 (1) 표면의 온도를 검출하기 위한 온도계 (9) 를 설치해도 된다. 이 경우, 제어 장치 (6) 에 있어서 예측된 강제 냉각 종료 후의 온도와, 온도계 (9) 가 측정한 온도를 비교함으로써, 제어 장치 (6) 의 예측 결과의 타당성을 판정할 수 있다.
<냉각상 (10)>
냉각 설비 (7) 에서 강제 냉각된 레일 (1) 은, 냉각상 (10) 으로 반송된다.
냉각상 (10) 은, 예를 들면, 레일 (1) 이 구부러지지 않도록 교정하는 역할이나 균일하게 냉각하는 역할이 있다. 또한, 냉각상 (10) 에서, 제조한 레일 (1) 의 육안 검사, 중량 측정 등에 대해서도 적절히 실행된다.
(냉각 설비 (7))
본 실시형태의 냉각 설비 (7) 에서는, 처리 위치까지 반입된 레일 (1) 의 머리부 및 발부를, 냉각 헤더로부터 분사되는 냉각 매체에 의해, 강제 냉각하는 구성으로 되어 있다. 냉각 헤더는, 냉각 존마다 설치된다.
도 2 는, 냉각 설비 (7) 가 갖는 냉각 헤더의 배치예를, 레일 단면에서 본 모식도로 나타내는 도면이다. 즉, 본 실시형태의 냉각 헤더는, 도 2 에 나타내는 바와 같이, 레일 (1) 의 머리부 (101) 를 냉각하기 위한 두정 냉각 헤더 (71) 및 머리측 냉각 헤더 (72) 와, 레일 (1) 의 발부 (103) 를 냉각하기 위한 발바닥 냉각 헤더 (73) 를 구비한다. 또한, 필요에 따라 레일 (1) 의 복부 (102) 를 냉각하기 위한 복부 냉각 헤더를 추가로 구비해도 된다. 또한, 두정 냉각 헤더 (71) 와 머리측 냉각 헤더 (72) 를 총칭하여 「머리부 냉각 헤더」라고 부른다.
두정 냉각 헤더 (71), 머리측 냉각 헤더 (72) 및 발바닥 냉각 헤더 (73) (이하, 이들을 포괄하여 적절히 「냉각 헤더 (71, 72, 73)」라고 부른다) 는, 각각 배관을 통하여 냉각 매체원과 접속되고, 도시하지 않은 복수의 노즐로부터 냉각 매체를 분사한다. 또한, 배관에는 제어용의 밸브가 설치되어 있다.
여기서, 본 실시형태의 냉각 설비 (7) 가 채용하는 냉각 방식은, 충풍 (衝風) 냉각으로 한다. 충풍 냉각은, 본 발명에 적합한 냉각 속도를 달성 가능하고, 피냉각재의 표면 온도에 대한 냉각 능력의 변동이 적은, 압축 공기를 냉각 매체로서 분사하는 방식이다. 단, 본 실시형태에 있어서의 냉각 방식은, 충풍 냉각에 한정되는 것은 아니고, 미스트 냉각을 포함하는 수랭 방식이어도 된다.
각 냉각 헤더의 구체적인 노즐 배치에 대해서는, 다음과 같다. 즉, 냉각 헤더 (71) 의 노즐은, 레일 (1) 의 머리부 (101) 상방에 있어서, 레일 (1) 의 길이 방향을 따라 배치된다. 냉각 헤더 (71) 의 노즐은, 도 3 에 나타내는 머리부 (101) 의 상면 (두정면) (1011) 을 향해 냉각 매체 (공기) 를 분사한다. 또한, 냉각 헤더 (72) 의 노즐은, 처리 위치의 레일 (1) 의 머리부 (101) 의 양 측방에 있어서, 레일 (1) 의 길이 방향을 따라 배치된다. 냉각 헤더 (72) 의 노즐은, 도 3 에 나타내는 머리부 (101) 의 측면 (머리측면) (1012) 을 향해 냉각 매체 (공기) 를 분사한다. 또한, 발바닥 냉각 헤더 (73) 의 노즐은, 처리 위치의 레일 (1) 의 발부 (103) 하방에 있어서, 레일 (1) 의 길이 방향을 따라 배치된다. 발바닥 냉각 헤더 (73) 의 노즐은, 도 3 에 나타내는 발부 (103) 의 뒤쪽면 (발바닥면) (1031) 을 향하여 냉각 매체 (공기) 를 분사한다.
또한, 노즐의 형식은, 복수의 원관 노즐로 구성되는 군 분류 (噴流) 나, 직사각형상의 간극을 갖는 슬릿으로 구성되는 슬릿 노즐 등이 바람직하다. 충풍 냉각에 있어서, 냉각 능력 (열전달 계수) 의 제어는 분사 압력과 분사 거리의 조정으로 실시할 수 있다는 것이 일반적으로 알려져 있다 (예를 들어 비특허문헌 1). 그래서, 이들 냉각 헤더 (71, 72, 73) 의 각각은, 냉각 매체 (공기) 의 분사 제어를 실시하기 위하여, 압력 제어 가능한 구성으로 하고 있다. 또한, 레일 (1) 의 규격에 따른 레일 (1) 의 단면 형상의 차이에 맞출 목적과 냉각 능력을 제어할 목적으로, 냉각 설비 (7) 는, 각 냉각 헤더에 대하여, 레일 (1) 표면과의 거리가 조정 가능한 이동 기구를 구비하고 있다. 이들 각 헤더의 위치 조정 기구로는, 전동 액추에이터, 공기 실린더, 유압 실린더 등이 있다. 본 실시형태의 위치 조정 기구로는, 위치 결정 정밀도의 관점에서 전동 액추에이터가 바람직하다. 또한, 레일 (1) 표면으로부터 각 냉각 헤더까지의 거리를 측정하는 도시하지 않은 거리계 (예를 들어 레이저 변위계) 를 구비하고 있다. 그리고, 냉각 중의 각 냉각 헤더의 분사 거리를, 설정값에 맞추어 제어할 수 있다. 뿐만 아니라, 냉각 중의 열수축에 의해 레일 (1) 이 변형되어 헤더와의 거리가 변화하지 않도록, 레일 (1) 의 발부 (103) 등을 협지하여, 상하 좌우 방향의 변형을 구속하는 구속 장치를 구비하고 있다 (도시 생략).
또한 냉각 설비 (7) 는, 도 2 에 나타내는 바와 같이, 머리부 온도계 (74) 와 발부 온도계 (75) 를 구비한다. 머리부 온도계 (74) 는, 레일 (1) 의 머리부 (101) 상방에 설치되어, 머리부 (101) 의 표면 온도 (예를 들면, 두정면 (1011) 내의 1 지점) 를 측정한다. 발부 온도계 (75) 는, 레일 (1) 의 발부 (103) 하방에 설치되어, 발부 (103) 의 표면 온도 (예를 들어, 발바닥면 (1031) 내의 1 지점) 를 측정한다. 이들 2 종류의 온도계 (74, 75) 는, 냉각 설비 (7) 내에 길이 방향으로 복수 설치되어 있고, 이들 2 종류의 온도계 (74, 75) 에 의해, 냉각 중인 각 곳의 온도 이력을 모니터링할 수 있다. 또한, 분사되는 공기 (냉각 매체) 의 온도를 감시하기 위한 온도계 (도시 생략) 가 복수의 헤더에 설치되는 경우가 있다. 분사하는 온도도 냉각 능력에 영향을 미치기 때문이다.
여기서, 냉각 설비 (7) 에서 레일 (1) 을 향해 분사되는 냉각 매체의 분사 압력, 분사 거리, 분사 위치 및 분사 시간 등이 제어 장치 (6) 에 의해 제어되어, 냉각 조건이 조정 가능하게 되어 있다.
<열처리 방법>
다음에, 냉각 설비 (7) 에 의한 강제 냉각의 처리 (열처리) 의 원리 기타에 관하여 설명한다.
여기에서, 강제 냉각 전의 레일 (1) 은, 오스테나이트역 온도 이상으로 가열되어 있는 것으로 한다. 그리고, 냉각 설비 (7) 에서는, 이 고온의 레일 (1) 에 대해, 냉각 조건에 기초하여 강제 냉각을 실행한다. 이 강제 냉각에 의해, 레일 (1) 의 표면 및 내부의 온도 변화나 변태가 진행되고, 머리부 냉각 헤더에 의한 냉각 조건을 수시 변경함으로써, 열처리 후의 레일 (1) 내부의 조직을 제어할 수 있다.
열처리 (강제 냉각) 의 제어 방법으로는, 예를 들면, 도 4 에 나타내는 바와 같은, 1 단 냉각법 (도 4(a)) 이나, 2 단 스텝법 (도 4(b)), 3 단 스텝법 (도 4(c)) 등의 다단 스텝법이 있다. 1 단 냉각법은, 냉각 개시에서부터 냉각 조건으로서 냉각 헤더의 분사 유량, 압력, 분사 거리를, 냉각 종료까지 일정한 조건으로 냉각을 실시하는 방법이다. 다단 스텝법은, 냉각 조건을 냉각 개시에서부터 2 단 (전단과 후단) 혹은 3 단 이상으로 하고, 시간 경과에 수반하여 냉각 조건을 단계적으로 변경하는 방법이다. 본 실시형태에서는, 다단 스텝법을 채용한다.
다단 스텝법의 경우에는, 각 스텝에서 냉각 헤더의 분사 유량, 압력, 분사 거리를 결정함과 함께, 다음 스텝으로 이행하는 타이밍을 결정한다. 단, 냉각 조건의 변경은 시간 경과에 대응하여, 반드시 다단 스텝법을 채용할 필요는 없으며, 시간 경과와 함께 변화하는 냉각 조건을 특정할 수 있도록, 냉각 조건을 시간의 함수로서 설정해도 된다.
냉각 조건은, 길이 방향으로 분할된 냉각 존마다 개별적으로 설정할 수 있다. 또한, 머리측 냉각 헤더 (72) 에서는 좌우의 냉각 헤더의 냉각 조건을 상이한 조건으로 설정해도 된다. 또한, 냉각 헤더의 분사 유량, 압력, 분사 거리는, 단독 또는 2 이상의 조건을 조합하여, 스텝 모양으로 변경해도 된다. 단, 2 이상의 조건을 조합하여 변경하는 경우에는, 도 4 의 시간 스텝에 맞추어, 복수의 조건을 동시에 변경한다.
여기서, 레일 (1) 의 소재로서 널리 사용되는 공석강에서는, 오스테나이트로부터 펄라이트로의 변태는 대략 550 ℃ ∼ 730 ℃ 의 온도역에서 일어난다. 실제로는, 베이나이트의 억제와 고경도를 양립시키기 위하여, 570 ∼ 590 ℃ 의 온도역에서 변태시키는 것이 바람직하다.
2 단 스텝법을 사용하여, 이와 같은 목적으로 하는 온도역에서 변태시키는 경우, 전단 스텝의 냉각은, 예를 들면, 냉각 개시부터 표면이 변태를 개시하기 전까지의 냉각으로 하고, 그 전단 스텝의 냉각 속도는 4 ∼ 6 ℃/초의 범위로 설정하는 것이 좋다. 이 범위의 냉각 속도보다 느린 경우에는, 고온에서 변태되어 경도가 저하되어 버린다. 또한, 이 범위의 냉각 속도보다 빠른 경우에는, 베이나이트 변태를 일으킬 우려가 있다.
도 5 는, 레일 (1) 머리부의 표층의 조직 변화의 예를 모식적으로 나타낸 것이다. 도 5 는, 열처리의 제어 방법으로서, 강제 냉각의 개시부터 종료까지의 동안에, 냉각 조건을 일정하게 유지하는 1 단 냉각법을 적용한 예를 나타내고 있다. 도 5 와 같이, 일정한 분사 압력으로 냉각을 계속한 경우, 펄라이트 변태가 발생하면, 변태 발열에 의해 급격한 온도 상승 ΔT (80 ∼ 120 ℃) 이 발생한다. 이러한 온도 상승은 표층의 펄라이트 조직을 연화시키기 때문에, 소정의 경도를 확보할 수 없게 된다. 또한, 이 표층의 변태 발열의 영향에 의해, 표면으로부터 5 ∼ 10 mm 정도 내부로 들어간 위치에서는 냉각 속도가 저하되고, 과냉도가 작아짐으로써, 열처리 후의 레일 (1) 내부의 경도도 저하되어 버린다. 즉, 열처리의 제어 방법이 1 단 냉각법에서는, 열처리 후의 레일 (1) 내부의 경도를 목적으로 하는 경도로 할 수 없을 우려가 있다.
이에 대하여 2 단 스텝법에서는, 도 6 에 나타내는 바와 같이, 표면의 변태 발열이 개시된 후의 후단 스텝에서, 변태 발열에 맞추어 냉각 능력을 크게 할 수 있다. 이와 같이 표면에서 변태가 개시되는 타이밍에 맞추어, 냉각을 강하게 함으로써 변태 발열에 의한 온도 상승을 억제할 수 있어, 표면의 펄라이트 조직이 연화되기 어려워진다. 또한, 표면에서 발생한 변태 발열의 영향에 의해, 레일 (1) 내부의 냉각 속도가 저하되는 것도 억제할 수 있다. 단, 후단 스텝에서의 냉각 속도가 지나치게 크면, 표면의 펄라이트 변태가 완료되지 않은 채 강랭하게 되어, 일부 베이나이트 조직이 발생해 버리는 경우도 있다. 그 때문에, 후단 스텝에 있어서, 표면에서 변태 발열이 개시되고 나서 냉각이 종료될 때까지의 평균의 냉각 속도가, 1 ∼ 2 ℃/초의 범위인 것이 바람직하다.
충풍 냉각에서 압력 제어에 의해, 이러한 2 단계의 냉각 (2 단 스텝법) 을 실시할 때, 전단 스텝의 완만한 냉각에서는 저압 공기를 분사하고, 변태 발열에 의한 온도 상승이 현저해지는 후단 스텝의 냉각에서는 고압 공기를 분사하면 된다. 압력 조정은, 일반적으로 유량 조정 밸브를 사용하여 실시된다. 또한, 분사 거리의 변경에 의해 2 단계의 냉각을 실시할 때에는, 전단 스텝의 완만한 냉각에서는 먼 쪽에서부터 공기를 분사하고, 변태 발열의 영향이 큰 후단 스텝의 냉각에서는 근접화시켜 공기를 분사함으로써 동일한 효과를 얻을 수 있다.
그런데, 도 5 나 도 6 에 나타내는 변태 개시 시간 (냉각 곡선이 펄라이트 변태 개시 곡선 P 와 교차하는 시간) 은, 냉각 개시 온도에 따라 변화한다. 또한, 레일 (1) 의 형상이 바뀌면, 머리부의 질량이 변화한다. 이 때문에, 동일한 냉각 조건을 설정해도, 요구되는 냉각 속도나 냉각 능력이 변화한다. 그 때문에, 제어 장치 (6) 에 의한, 냉각 조건을 완랭에서 강랭으로 전환하는 타이밍뿐만 아니라, 각 스텝의 분사 압력이나 분사 거리에 따른 냉각 능력의 제어가 필요하게 된다. 또한, 레일 강의 화학 조성이나 냉각 전의 오스테나이트 입경에 따라, 도 5, 6 에 나타내는 변태 곡선이 변화하기 때문에, 냉각 조건을, 레일 소재의 강편의 함유 성분이나, 냉각 전의 오스테나이트 입경에 영향을 미치는 압연기 (3) 에서의 패스 스케줄에 따라서 변경하는 경우도 있다.
(열처리 레일 (1) 의 경도 예측 방법 (경도 예측 장치 (20))
본 실시형태는, 경도 예측 장치 (20) 를 갖는다. 경도 예측 장치 (20) 는, 오스테나이트역 온도 이상의 온도로 되어 있는 레일 (1) 을, 냉각 설비 (7) 로 강제 냉각을 실시하는 열처리 공정 후의 레일 (1) 의 경도를 예측하는 열처리 레일 (1) 의 경도 예측 방법을 실현하기 위한 장치이다.
경도 예측 장치 (20) 는, 도 7 에 나타내는 바와 같이, 기초 데이터 취득부 (21) 와, 데이터베이스 (23) (기억부) 와, 경도 예측 모델 생성부 (24) 와, 경도 예측부 (26) 를 구비한다. 경도 예측부 (26) 는, 온라인으로 사용되고, 제어 장치 (6) 에 조합되어 있다.
여기서, 냉각 설비 (7) 에서의 냉각 개시 전의 레일 (1) 의 표면 온도 및 냉각 설비 (7) 의 조업 조건을 적어도 갖는 냉각 조건의 데이터의 조를, 냉각 조건 데이터 세트라고 기재한다.
오프라인으로 사용되는 냉각 조건 데이터 세트에는, 레일 (1) 의 냉각 개시 전의 표면 온도로서, 냉각 설비 (7) 입측에 배치한 온도계 (8) 에서 취득하는 온도 정보에 상당하는 수치 정보를 포함한다. 또한, 냉각 설비 (7) 의 조업 조건으로서, 냉각 개시부터 냉각 종료까지의 각 스텝에 있어서의 각 냉각 헤더의 분사 유량, 분사 압력, 분사 거리 및 냉각 스텝의 전환 타이밍 (예를 들어, 냉각 개시부터 각 스텝의 전환까지의 시간) 을 포함한다.
냉각 조건 데이터 세트는, 냉각 개시 전의 레일 (1) 의 표면 온도 및 냉각 설비 (7) 의 조업 조건 이외의, 냉각을 위한 열처리의 입력 정보를 포함하고 있어도 된다.
<기초 데이터 취득부 (21)>
기초 데이터 취득부 (21) 는, 오프라인에서의 냉각 조건 데이터 세트를 입력 데이터로 하고, 강제 냉각 후의 레일 (1) 의 적어도 레일 (1) 머리부의 내부의 경도를 출력 데이터로 하여 연산하기 위한 물리 모델인 내부 경도 연산 모델을 갖는다. 본 실시형태에서는, 내부 경도 연산 모델을 사용한 수치 계산의 실행은, 내부 경도 오프라인 계산부 (22) 에서 실시된다.
그리고, 기초 데이터 취득부 (21) 는 복수의 냉각 조건 데이터 세트에 대해, 개별적으로, 내부 경도 오프라인 계산부 (22) 에 의한 오프라인에서의 연산을 실행하여, 입력 데이터로서의 냉각 조건 데이터 세트와 출력 데이터로서의 상기 레일 (1) 내부의 경도 정보로 이루어지는 학습용 데이터를 복수 조 취득한다. 기초 데이터 취득부 (21) 는, 취득한 학습용 데이터를 데이터베이스 (23) 에 격납한다.
본 실시형태에서는, 내부 경도 오프라인 계산부 (22) 가 연산하는 출력 데이터인 내부의 경도의 데이터는, 적어도 레일 (1) 표면으로부터 미리 설정한 깊이까지의 영역에 있어서의 당해 내부의 경도 분포로 표현된다. 미리 설정한 깊이는, 예를 들어 10 mm 이상 50 mm 이하이다. 미리 설정한 깊이는, 예를 들어 레일 (1) 머리부의 표층이 마모되어도 실용에 견디는 마모 깊이의 한계값 이상으로 설정한다. 관용적으로는 1 인치 (25.4 mm) 로 하는 것이 바람직하다.
즉, 본 실시형태의 기초 데이터 취득부 (21) 는, 오프라인으로 실행되고, 적어도 냉각 개시 전의 표면 온도 및 냉각 설비 (7) 의 조업 조건으로 이루어지는 1 조의 냉각 조건 데이터 세트를 입력 데이터로 하고, 열처리 공정 후의 레일 (1) 내부에 있어서의 경도 분포를 출력 데이터로 하는 수치 계산을 실행하는 내부 경도 오프라인 계산부 (22) 를 갖고, 냉각 조건 데이터 세트를 여러 가지로 변경하여, 각 냉각 조건 데이터 세트에 대한 레일 (1) 내부에 있어서의 경도 분포를 산출하고, 구한 냉각 조건 데이터 세트와 경도 분포와의 관계를 나타내는 학습용 데이터를 데이터베이스 (23) 에 보내는 기능을 구비한다.
여기서, 복수의 냉각 조건 데이터 세트 혹은, 냉각 조건 데이터 세트를 구성하는 냉각 개시 전의 표면 온도 등의 데이터 등의 구성 데이터는, 미리, 데이터베이스 (23) 에 격납해 두면 된다. 각 냉각 조건 데이터 세트는, 예를 들어, 과거의 조업 조건이나 장래 제조하는 레일 (1) 의 조건 등에 기초하여, 온도 조건의 범위 등을 설정하고, 설정한 범위 내의 값으로부터 결정한다. 다만, 사용하는 복수의 냉각 조건 데이터 세트는, 반드시 데이터베이스 (23) 에 미리 격납해 둘 필요는 없으며, 곧바로 내부 경도 오프라인 계산부 (22) 에 입력하도록 구성해도 된다.
<내부 경도 오프라인 계산부 (22) (내부 경도 연산 모델)>
내부 경도 오프라인 계산부 (22) 는, 도 8 에 나타내는 바와 같이, 열전달 계수 계산부 (22A), 열전도 계산부 (22B), 조직 계산부 (22C), 경도 계산부 (22D) 를 구비한다. 이 내부 경도 오프라인 계산부 (22) 에 의한 물리 모델에 기초하는 경도 계산은, 냉각 개시부터 냉각 종료까지의 계산을, 열전달 계수 계산, 열전도 계산, 조직 계산부 (22C) 의 처리 순서로 실시하고, 최종적인 조직 계산 결과로부터 경도 계산을 실시함으로써 구할 수 있다.
단, 후술하는 바와 같이 연성 해석을 실시하는 경우에는, 냉각 개시부터 냉각 종료까지의 계산을 실시할 때에, 예를 들면 0.1 ∼ 10 μs 의 시간 스텝마다, 열전달 계수 계산, 열전도 계산, 조직 계산부 (22C) 의 처리의 동안에 연성 계산을 실시한다. 그들 계산이 종료된 후에, 다음의 시간 스텝에 대하여 계산을 실행한다. 이상의 처리를 냉각 종료까지 반복하는 방법을 취한다. 또한, 경도 계산은 연성 해석에는 포함되어 있지 않기 때문에, 냉각 종료 후의 조직 계산 결과에 기초하여 계산을 실시하면 된다.
연산하는 레일 (1) 의 지점은, 반드시 레일 (1) 의 표면 전체에 대하여 실행할 필요는 없다. 본 실시형태의 내부 경도 오프라인 계산부 (22) 는, 적어도 균일한 경도가 가장 요구되는 레일 (1) 머리부의 경도를 연산하는 경우로 한다.
또한, 냉각 조건 데이터 세트로부터 경도 분포를 구하는 내부 경도 오프라인 계산부 (22) 의 계산식은, 공지된 모델식을 채용해도 된다.
<열전달 계수 계산부 (22A)>
열전달 계수 계산부 (22A) 는, 열처리 중의 레일 (1) 표면에 있어서의 열전달 계수를 계산한다. 본 실시형태의 열전달 계수 계산부 (22A) 는, 레일 (1) 머리부 표면에 있어서의 복수 지점의 열전달 계수를 연산한다.
본 실시형태의 열전달 계수 계산부 (22A) 는, 냉각 설비 (7) 의 조업 파라미터 및 레일 형상을 입력으로 하여 유한 체적법 등의 수치 유체 역학 수법에 의해, 레일 (1) 표면의 열전달 계수를 산출한다. 유한 체적법은, 해석 대상이 되는 영역을 유한 개의 컨트롤 볼륨으로 분할하고, 각 볼륨에 대하여 적분형의 물리량의 보존 방정식을 적용하는 방법이다. 단, 누셀트수나 레이놀즈수 등의 무차원량의 관계를 냉각 실험으로부터 구한 강제 대류에 관한 실험식에 의해, 열전달 계수를 산출해도 된다.
이 때, 열전달 계수 계산부 (22A) 에서는, 냉각 개시부터 냉각 종료까지의 각 스텝에 있어서의 각 냉각 헤더의 분사 유량, 분사 압력, 분사 거리 및 냉각 스텝의 전환 타이밍에 따라서, 레일 (1) 머리부 표면의 각 위치에 있어서의 시계열의 열전달 계수 (시간과 함께 변화되는 열전달 계수의 분포) 를 구한다. 또한, 분사하는 냉매의 온도를 변수에 포함시켜도 된다.
<열전도 계산부 (22B)>
열전도 계산부 (22B) 는, 열전달 계수 계산부 (22A) 에 의해 산출된 열전달 계수를 경계 조건으로 하여, 열처리에 의한 상기 레일 (1) 내부의 열전도 계산, 예를 들면 레일 (1) 의 2 차원 단면 내의 열전도 계산을 실시한다. 열전도 계산으로서, 예를 들어 단면 내의 온도 분포를 구한다.
본 실시형태의 열전도 계산부 (22B) 는, 열전달 계수 계산부 (22A) 에서 출력된 레일 (1) 머리부 표면의 각 위치에 있어서의 열전달 계수를 경계 조건으로 하고, 유한 요소법 등의 수치 전열 해석 수법을 사용하여, 냉각 개시부터 냉각 종료까지의 레일 (1) 내부의 온도 이력 (열전도 계산) 을 산출한다. 또한, 열전도 계산에 필요한 물성값으로서의 열전도율, 비열, 밀도 등의 값은, 대상으로 하는 레일 (1) 의 성분 조성에 따라서 적절히 변경한다.
또한, 상기 2 개의 계산부 (22A, 22B) 는, 유동장을 계산하는 열전달 계수 계산부 (22A) 에 의한 계산 결과를 사용하여, 온도장을 계산하는 열전도 계산부 (22B) 의 계산을 실시하는 방법이어도 충분한 계산 정밀도가 얻어진다. 그러나, 보다 계산 정밀도를 향상시키고 싶은 경우에는, 유동장과 온도장의 상호 작용을 고려한 연성 해석을 실시해도 된다. 연성 해석에서는 계산 정밀도는 향상되지만 계산 부하가 증대되기 때문에 온라인 해석에서 적용하는 것은 실용상은 곤란하지만, 본 발명에서는, 이들 해석을 오프라인으로 실행하기 때문에 부하 증대가 허용된다.
<조직 계산부 (22C)>
조직 계산부 (22C) 는, 열전도 계산부 (22B) 가 산출하는 온도 이력 계산에 기초하는 레일 (1) 내부의 온도 분포로부터, 상변태를 고려한 상기 레일 (1) 의 단면 내의 조직 예측을 실시한다. 단면 내의 조직 예측은, 예를 들어 단면 내의 조직 분포이다.
본 실시형태의 조직 계산부 (22C) 는, 열전도 계산부 (22B) 에 의해 얻어진 레일 (1) 내부의 온도 이력으로부터, 상변태를 고려하여 레일 (1) 단면 내의 각 위치에 있어서의 조직 예측을 실시한다. 상변태의 거동은, 열처리를 실시하는 강의 성분 조성이나 냉각 개시 전의 오스테나이트 입경에 따라 변화하기 때문에, 대상으로 하는 레일 (1) 의 규격에 대응한 성분 조성마다 계산을 실시한다. 또한, 압연기 (3) 에서의 패스 스케줄이나, 압연 종료 후부터 강제 냉각 개시까지 필요로 하는 시간에 따라 오스테나이트 입경이 변화한다. 이 때문에, 이들 조업 조건마다 조직 계산을 실시해도 되고, 강제 냉각 개시 전의 오스테나이트 입경을 예측하는 조직 예측 모델을 추가로 더해도 된다. 또한, 오프라인에서의 계산에서는, 레일 소재의 강의 성분 조성이나 오스테나이트 입경이 상이한 경우에도, 미리 다수의 조건에 대하여 계산을 실시하는 것이 가능하다. 이 때문에, 후술하는 경도 예측 모델 (25) 의 입력 데이터로서, 이들 파라미터를 추가해도 된다.
또한, 본 실시형태의 조직 계산부 (22C) 에서는, 냉각 속도에 따른 상변태 개시 온도의 변화나 상변태의 진행 속도의 변화 등, 동적인 상변태 특성을 조합한 상변태 계산을 실시한다.
여기서, 온도 이력이 상변태에 영향을 미칠 뿐만 아니라, 변태 발열에 의해 온도 이력도 영향을 받기 때문에, 조직 계산부 (22C) 와 상기한 열전도 계산부 (22B) 는 연성 해석으로 하는 것이 바람직하다. 조직 계산부 (22C) 에 있어서의 변태 거동의 계산에는, 예를 들면, 이토 외에 의한 방법 (철과 강, 64 (11), S806, 1978년, 또는 철과 강, 65 (8), A185-A188, 1979년) 등에 기재된, 공지된 계산식을 사용할 수 있다.
<경도 계산부 (22D)>
경도 계산부 (22D) 는, 조직 계산부 (22C) 가 산출한 각 단면의 조직 예측에 기초하는 조직 분포로부터, 레일 (1) 의 단면 내의 경도 분포를 산출한다.
본 실시형태의 경도 계산부 (22D) 에서는, 화학 조성이나 과냉도를 입력으로 한 각 조직과 경도와의 관계식을 사용하여 예측 경도를 산출한다. 예를 들어, 펄라이트 조직은, 판상의 연질인 페라이트와 경질인 시멘타이트가 층상을 이루는 라멜라 구조로, 라멜라 간격과 경도의 사이에 강한 상관이 있는 것이 알려져 있고, 예를 들면, A. R. Marder 외에 의한 방법 (The Effect of Morphology on the Strength of Pearlite : Met. Trans. A, 7A (1976), 365-372) 을 사용할 수 있다. 또한, 화학 조성, 과냉도와 각 조직의 경도의 관계식은 사전에 실험 등에 의해 구한 실험식을 사용해도 된다.
<데이터베이스 (23)>
내부 경도 오프라인 계산부 (22) 를 사용하여, 냉각 조건 데이터 세트로서, 레일 (1) 의 냉각 개시 전의 표면 온도, 및 냉각 설비 (7) 의 조업 조건으로서 냉각 개시부터 냉각 종료까지의 각 냉각 헤더의 분사 유량, 분사 압력, 분사 거리 및 냉각 스텝의 전환 타이밍을 다양하게 변경한 데이터 세트를 생성한다. 또한, 각 데이터 세트에 대응한 레일 (1) 내부에 있어서의 경도 분포를 계산한 결과는, 학습용 데이터로서 데이터베이스 (23) 에 축적된다.
여기서, 계산 결과인 레일 (1) 내부의 경도 분포는, 레일 (1) 머리부 (101) 의 단면 내의 각 위치 (단면 내의 좌표) 에 대응한 경도 데이터로 표현한다. 단, 경도 분포의 경도 데이터는, 연속적인 값이 아니라, 열전도 계산부 (22B) 나 조직 계산부 (22C) 의 계산에서 사용한 요소 분할에 따른 이산적인 값이다.
또한, 단면 내의 미세한 경도 분포까지는 실용상의 필요성이 낮기 때문에, 경도 분포로는, 단면 내의 좌표로서 1 ∼ 5 mm 정도의 피치로 추출한 경도 데이터를 사용하면 충분하다. 또한, 경도 데이터는, 피치별로 계산 결과를 평균화해도 된다. 또한, 단면 내의 경도 정보의 모두가 필요하지는 않고, 예를 들면, 두정면 (1011) 으로부터 수직 방향의 위치와 경도의 데이터를 레일 (1) 내부의 경도 분포로 해도 된다. 또한, 이 데이터에 추가하여, JIS E 1120-2007 에 규정되어 있는 바와 같이, 두각부 (1011 과 1012 의 경계부) 로부터 경사 방향으로 진전된 위치와 경도의 데이터를 사용해도 된다. 그 때, 표면으로부터 내부 방향의 대표 위치로는, 깊이 2, 5, 10, 15, 20, 25 mm 등 몇 점의 대표점을 사용하여, 그것에 대응하는 경도 데이터를 레일 (1) 내부의 경도 분포로 할 수 있다.
한편, 레일 (1) 단면 내의 경도 분포를 등고선으로 나타낸 도면이나 색으로 구분한 화상 데이터 (경도 분포를 화상 표현한 데이터) 를, 레일 (1) 내부의 경도 분포로 정의해도 된다. 딥 러닝 등의 기계 학습 수단에서는, 화상을 출력 데이터로 하는 경도 예측 모델 (25) 의 생성이 가능하기 때문이다.
데이터베이스 (23) 를 구축할 때의 입력 데이터가 되는 냉각 조건 데이터 세트는, 과거의 조업 실적을 참조하여, 그 범위 내에서 냉각 조건을 변화시키면 된다. 또한, 냉각 설비 (7) 의 각 냉각 헤더의 설비 사양의 범위 내에서, 적절하게 계산의 입력 조건을 변경하여 내부 경도 오프라인 계산부 (22) 에 의한 계산을 실시한다.
이상과 같이, 복수 조의 입력 데이터 (냉각 조건 데이터 세트) 와 출력 데이터 (경도 계산 결과) 의 조합이 작성되어, 미리 데이터베이스 (23) 에 격납된다.
격납하는 학습용 데이터로는, 500 개 이상의 입력 데이터 (냉각 조건 데이터 세트) 와 출력 데이터 (경도 계산 결과) 의 조가 있으면 된다. 바람직하게는 2000 개 이상의 학습용 데이터를 생성한다.
<경도 예측 모델 생성부 (24)>
경도 예측 모델 생성부 (24) 에서는, 데이터베이스 (23) 에 보존되어 있는 복수 조의 학습용 데이터를 사용한 기계 학습에 의해, 상기 냉각 조건 데이터 세트를 적어도 입력 데이터로 하고 상기 강제 냉각 후의 레일 (1) 내부의 경도에 관한 정보를 출력 데이터로 하는 경도 예측 모델 (25) 을 생성한다. 경도 예측 모델 (25) 의 생성은, 오프라인으로 실행된다.
사용하는 기계 학습 모델은, 실용상 필요한 정밀도로의 경도 예측이 가능하다면, 어떠한 모델이어도 된다. 기계 학습 모델로서, 예를 들면, 일반적으로 사용되는 뉴럴 네트워크 (딥 러닝을 포함한다), 결정목 학습, 랜덤 포레스트, 서포트 벡터 회귀 등을 사용하면 된다. 또한 복수의 모델을 조합한 앙상블 모델을 사용해도 된다.
또한, 경도 예측 모델 (25) 로서, 레일 (1) 의 경도값이 아니라, 미리 정해진 경도 분포의 허용 범위에 있는지 여부의 판정을 실시하고, 그 결과를 합격/불합격으로 2 치화한 데이터를 출력 데이터로 한, 기계 학습 모델을 사용해도 된다. 그 때, k 근방법이나 로지스틱 회귀와 같은 분류 모델을 사용하는 것이 바람직하다.
<제어 장치 (6)>
본 실시형태의 레일 (1) 의 제조 설비 (2) 는, 도 1 에 나타내는 바와 같이, 레일 (1) 의 냉각 조건을 제어하기 위한 제어 장치 (6) 를 구비한다.
제어 장치 (6) 는 상위 컴퓨터 (5) 로부터, 레일 (1) 의 형상, 화학 조성, 목표로 하는 경도 (내부의 분포), 기준 냉각 조건을 취득하고, 그것을 실현하기 위한 조업 조건을 산출하여 냉각 제어 장치에 지령을 내려, 냉각 설비 (7) 의 조업 파라미터를 결정한다.
본 실시형태에 있어서의 제어 장치 (6) 의 구성을 도 9 에 나타낸다.
제어 장치 (6) 는, 도 9 에 나타내는 바와 같이, 냉각 설비 (7) 의 조업 조건 초기 설정부 (61), 경도 예측부 (26), 조업 조건 판정부 (62), 조업 조건 재설정부 (63) 를 구비한다.
<조업 조건 초기 설정부 (61)>
조업 조건 초기 설정부 (61) 는, 목표 경도 분포를 만족하면서 베이나이트 조직이나 마텐자이트 조직과 같은 이상 조직을 발생시키지 않도록, 냉각 헤더의 분사 압력이나 분사 거리, 분사 위치 및 그것들의 전환 타이밍을 미리 설정해 둔다. 이들 냉각 조건은, 과거의 조업 결과에 근거하는 경험칙이나 특허문헌 1 ∼ 3 에 개시되어 있는 방법 등에 의해, 오프라인으로 결정해 둘 수 있다. 또한, 기초 데이터 취득부 (21) 를 사용하여, 레일 (1) 의 궤종, 규격, 치수, 화학 조성의 대표값에 대하여, 목표 경도를 얻기 위한 적정한 냉각 조건을 미리 결정하고, 이들 조건을 냉각 설비 (7) 의 조업 조건 초기 설정부 (61) 에 설정해도 된다.
<경도 예측부 (26)>
경도 예측부 (26) 는, 경도 예측 모델 (25) 을 사용하여 구해지는, 상기 열처리 공정의 냉각 조건으로서 설정되는 1 조의 냉각 조건 데이터 세트에 대한 레일 (1) 내부의 경도에 기초하여, 상기 열처리 공정 후의 레일 (1) 의 경도를 예측한다.
본 실시형태의 경도 예측부 (26) 는, 냉각 설비 (7) 입측의 온도계 (8) 에 의해 계측된 레일 (1) 머리부의 표면 온도와, 조업 조건 초기 설정부 (61) 에 의해 설정된 냉각 헤더의 냉각 조건을 사용하여, 냉각 조건 데이터 세트를 구성한다. 경도 예측부 (26) 는, 온라인으로 생성한 냉각 조건 데이터 세트를 입력 데이터로 하고, 오프라인으로 생성한 경도 예측 모델 (25) 을 사용하여, 열처리 종료 후의 레일 (1) 내부에 있어서의 경도 분포를 예측한다.
또한, 경도 예측부 (26) 는, 조업 조건 재설정부 (63) 에서 조업 조건의 재설정이 실행된 경우에는, 그 재설정 후의 정보에 기초하여 조업 조건의 초기 설정을 갱신하고, 재차, 열처리 종료 후의 레일 (1) 내부에 있어서의 경도 분포를 예측한다.
<조업 조건 판정부 (62)>
조업 조건 판정부 (62) 는, 경도 예측부 (26) 가 구한 레일 (1) 내부에 있어서의 경도 분포를, 상위 컴퓨터 (5) 로부터 수취한 레일 (1) 내부의 경도 분포의 목표 범위와 비교한다.
여기서, 레일 (1) 내부의 목표 경도란, 예를 들면 도 10 에 나타내는 바와 같이, JIS E1120 (2007) 에 정해져 있는 경도 범위를 만족하는 것으로서 설정할 수 있다. 여기서, JIS E1120 은, 레일 (1) 머리부의 표면 경도의 상하한값 및 내부 경도의 상한값과 소정의 깊이 위치 (기준점) 에 있어서의 하한값이 규정되어 있다.
여기서, 기준점의 위치는, 표면으로부터 11 mm 의 거리에 있는 위치이다.
도 11 은, 목표 경도 범위로부터 벗어난 경우의 예를 나타내는 도면이다.
여기서, 레일 (1) 머리부의 내부 경도는, 표면으로부터 내부를 향하여 멀어질수록 저하되는 것이 일반적인 특징이다. 이 때문에, 도 12 에 나타내는 바와 같이, 레일 (1) 의 표층으로부터 일정 깊이까지의 경도 분포의 목표 곡선을 설정하고, 그 경도로부터의 차가 일정한 범위에 들어가도록 설정해도 된다. 그 때, 경도 분포의 목표 곡선의 허용 범위 내에서는, 상기 JIS E1120 의 규격을 만족하는 것으로 한다.
또한, 레일 (1) 내부의 경도 예측 위치 (표면으로부터의 깊이를 di 로 한다. i 는 평가점 (1 ∼ n) 을 나타낸다) 에 대응하는 목표 경도를 Bi 로 하고, 예측되는 각 위치에 있어서의 경도 BPi 를 사용하여, 미리 설정된 경도 오차의 허용치 α 에 의해, 이하의 (1) 식을 만족하는지 여부를 판정해도 된다.
　Σn i=1(Bi－BPi)2 ＜ α … (1)
조업 조건 판정부 (62) 는, 예측되는 레일 (1) 내부 경도가, 미리 설정된 목표 경도 범위에 들어가지 않는 경우에는, 조업 조건 재설정부 (63) 로 이행한다.
<조업 조건 재설정부 (63)>
조업 조건 재설정부 (63) 는, 냉각 조건을 재설정한다.
냉각 조건의 재설정은, 구체적으로는, 냉각 개시부터 냉각 종료까지의 각 스텝에 있어서의 각 냉각 헤더의 분사 유량, 분사 압력, 분사 거리, 냉각 스텝의 전환 타이밍 중 어느 것, 또는 복수의 조업 파라미터를 재설정한다.
재설정된 조업 파라미터는, 경도 예측부 (26) 에서 사용된다.
이로써, 예측되는 레일 (1) 내부에 있어서의 경도 분포가, 목표 경도 범위에 들어가도록 조업 파라미터의 수정이 실행되게 된다.
여기서, 냉각 조건의 재설정에는, 수 회 내지 십수 회의 경도 분포 예측이 필요해진다. 그러나, 미리 오프라인으로 학습이 완료된 모델을 생성하고, 그 생성한 학습 완료 모델을 사용하여 경도 예측을 하기 때문에, 하나의 냉각 조건 데이터 세트에 대한 경도 예측 결과의 출력이 단시간에 실행 가능하다. 즉, 수 회 내지 십수 회의 재계산을 실시해도 전체적으로는 단시간에 재설정이 가능하다.
<냉각 제어부 (64)>
냉각 제어부 (64) 는, 경도 예측부 (26) 가 구한 레일 (1) 내부에 있어서의 경도 분포가 목표 범위라고 판정된 조업 조건으로, 냉각 설비 (7) 에서의 강제 냉각 처리를 실행한다.
즉, 냉각 제어부 (64) 는, 목표 범위 내의 경도가 된다고 예측되는 각 냉각 헤더의 분사 유량, 분사 압력, 분사 거리 및 냉각 스텝의 전환 타이밍으로 강제 냉각을 실행하는 제어를 실시한다.
여기서, 냉각 설비 (7) 의 밸브 개폐에는 수 초 정도의 시간을 필요로 하는 경우가 있고, 분사 거리를 변경하는 경우에도 수 초의 지연이 발생하기 때문에, 각 냉각 헤더의 냉각 조건의 변경에 필요로 하는 응답 시간을 고려하여, 냉각 조건의 변경 명령을 조정해도 된다.
또한, 상기한 냉각 설비 (7) 의 조업 조건의 설정에 대해서는, 레일 (1) 의 길이 방향에 대하여 분할된 헤더마다 실시할 수 있다. 특히 레일 (1) 의 선미단은 압연시에 압연기를 통과하는 속도가 일정하지 않기 때문에, 롤과의 접촉이나 롤 냉각수, 디스케일링수에 의한 냉각량이 커져, 길이 중앙의 정상부에 비해 온도가 저하되기 쉽다. 따라서, 냉각 설비 (7) 입측의 온도계 (8) 에 의해 레일 (1) 의 길이 방향의 온도 분포를 측정하고, 길이 방향으로 분할된 냉각 헤더의 위치마다 상기 방법을 적용하여, 길이 방향의 각 위치에서의 냉각 조건을 개별적으로 제어한다. 이로써, 냉각 개시 온도가 길이 방향으로 분포하고 있어도, 냉각 종료 후에는 길이 방향으로 균일한 경도를 갖는 레일 (1) 을 제조할 수 있다.
(동작 기타)
미리 물리 모델에 근거한 계산식으로 연산하는 내부 경도 오프라인 계산부 (22) 의 실행을 오프라인으로 실시한다. 이로써, 본 실시형태에서는, 전열 해석 등을 사용한 계산 부하가 큰 처리가 되는, 복수의 냉각 조건에 대한 강제 냉각 후의 레일 (1) 내부의 경도 분포의 데이터 (학습용 데이터) 를 연산하는 처리를, 양호한 정밀도로 실행할 수 있다.
또한, 본 실시형태에서는, 그 양호한 정밀도의 다수의 학습용 데이터에 기초하여, 냉각 조건에 대한 강제 냉각 후의 레일 (1) 내부의 경도 분포의 데이터를 구하기 위한, 경도 예측 모델 (25) 을, 기계 학습으로 구한다.
그리고, 온라인에서는, 그 경도 예측 모델 (25) 에 의해 경도의 예측을 실행함으로써, 복잡한 계산을 실시하는 내부 경도 오프라인 계산부 (22) 에 의한 경도 예측 결과를 매우 고속으로 출력하는 것이 가능해진다.
또한, 상기 데이터베이스 (23) 내의 학습용 데이터의 작성은, 냉각 설비 (7) 의 온라인에서의 조업과는 별개로 작성할 수 있다. 이 때문에, 수시로 데이터 세트를 데이터베이스 (23) 에 축적해 가고, 정기적으로 (예를 들어 1 개월에 한번), 경도 예측 모델 (25) 을 갱신할 수 있다. 이로써, 경도 예측 모델 (25) 의 바탕이 되는 데이터 세트 수가 증가하여, 학습 완료 모델의 출력 결과에 대해서 정밀도가 향상된다. 특히, 실제 조업에서 축적되는 데이터와는 달리, 의도적으로 냉각 조건 데이터 세트의 값을 설정할 수 있기 때문에, 냉각 조건 데이터 세트에 통계적인 치우침이 발생하기 어려워, 기계 학습을 실시하는 데 적합한 데이터가 된다. 따라서, 데이터 세트수가 증가할수록, 정밀도가 향상된다는 특징이 있다.
본 실시형태에서는, 상기한 바와 같이 온라인으로 고정밀도의 경도 예측을 단시간에 실행할 수 있기 때문에, 레일 (1) 내부의 경도를 목표 경도 범위로 하는 조업 조건으로 강제 냉각 (열처리) 이 실행된다. 이 결과, 본 실시형태에서는, 예를 들면, 열처리 레일 (1) 의 머리부 표면으로부터 내부에 걸친 조직 제어를 적절하게 실행하는 것이 가능해진다. 이 결과, 제조하는 레일 (1) 마다의 경도의 편차나, 레일 (1) 의 길이 방향의 경도 편차를 저감하여, 품질 편차를 억제한 열처리 레일 (1) 의 제조가 가능해진다.
(효과)
(1) 본 실시형태는, 오스테나이트역 온도 이상의 온도로 되어 있는 레일 (1) 을 냉각 설비 (7) 로 강제 냉각하는 열처리 공정 후의 상기 레일 (1) 의 경도를 예측하는 레일 (1) 의 경도 예측 방법으로서, 냉각 개시 전의 레일 (1) 의 표면 온도와 강제 냉각을 위한 상기 냉각 설비 (7) 의 조업 조건을 적어도 갖는 냉각 조건 데이터 세트를 입력 데이터로 하고, 상기 강제 냉각 후의 레일 (1) 의 적어도 레일 (1) 머리부의 내부의 경도를 출력 데이터로 하여 연산하기 위한 물리 모델인 내부 경도 연산 모델을 사용하여, 상기 냉각 조건 데이터 세트와 상기 경도의 출력 데이터로 이루어지는 학습용 데이터를 복수 조, 취득해 두고, 취득한 복수 조의 학습용 데이터를 사용한 기계 학습에 의해, 상기 냉각 조건 데이터 세트를 적어도 입력 데이터로 하고 상기 강제 냉각 후의 레일 (1) 내부의 경도를 출력 데이터로 하는 경도 예측 모델 (25) 을 미리 생성하고, 상기 경도 예측 모델 (25) 을 사용하여 구해지는, 상기 열처리 공정의 냉각 조건으로서 설정되는 1 조의 냉각 조건 데이터 세트에 대한 레일 (1) 내부의 경도에 기초하여, 상기 열처리 공정 후의 레일 (1) 의 경도를 예측한다.
예를 들어, 오스테나이트역 온도 이상의 온도로 되어 있는 레일 (1) 을 냉각 설비 (7) 로 강제 냉각하는 열처리 공정 후의 상기 레일 (1) 의 경도를 예측하는 레일 (1) 의 경도 예측 장치 (20) 로서, 냉각 개시 전의 레일 (1) 의 표면 온도와 강제 냉각을 위한 상기 냉각 설비 (7) 의 조업 조건을 적어도 갖는 냉각 조건 데이터 세트를 입력 데이터로 하고, 상기 강제 냉각 후의 레일 (1) 의 적어도 레일 (1) 머리부의 내부의 경도를 출력 데이터로 하여 연산하기 위한 물리 모델인 내부 경도 연산 모델을 사용하여 연산한, 상기 냉각 조건 데이터 세트와 상기 경도의 출력 데이터로 이루어지는 학습용 데이터를 복수 조 격납하고 있는 데이터베이스 (23) 와, 상기 복수 조의 학습용 데이터를 사용한 기계 학습에 의해, 상기 냉각 조건 데이터 세트를 적어도 입력 데이터로 하고 상기 강제 냉각 후의 레일 (1) 내부의 경도를 출력 데이터로 하는 경도 예측 모델 (25) 을 생성하는 경도 예측 모델 생성부 (24) 와, 상기 경도 예측 모델 (25) 을 사용하여, 상기 열처리 공정의 냉각 조건으로서 설정되는 1 조의 냉각 조건 데이터 세트에 대한 레일 (1) 내부의 경도에 기초하여 상기 열처리 공정 후의 레일 (1) 의 경도를 예측하는 경도 예측부 (26) 를 구비하는 열처리 레일 (1) 의 경도 예측 장치 (20) 를 사용한다.
이 구성에 의하면, 온라인으로 고정밀도의 경도 예측을 단시간에 실행할 수 있기 때문에, 레일 (1) 내부의 경도를 목표 경도 범위로 하는 조업 조건으로 강제 냉각 (열처리) 이 실행된다. 이 결과, 본 실시형태에서는, 예를 들면, 열처리 레일 (1) 의 머리부 표면으로부터 내부에 걸친 조직 제어를 적절하게 실행하는 것이 가능해져서, 제조하는 레일 (1) 마다의 경도의 편차나, 레일 (1) 의 길이 방향의 경도 편차를 저감하여, 품질 편차를 억제한 열처리 레일 (1) 의 제조가 가능해진다.
(2) 본 실시형태에서는, 상기 내부 경도 연산 모델을 사용하여 연산되는 출력 데이터는, 적어도 레일 (1) 표면으로부터 미리 설정한 깊이까지의 영역에 있어서의 경도 분포이다.
이 구성에 의하면, 보다 확실하게 열처리를 위한 경도 예측이 가능해진다.
(3) 본 실시형태에서는, 상기 내부 경도 연산 모델은, 상기 냉각 설비 (7) 를 사용한 열처리시의 레일 (1) 표면의 열전달 계수를 계산하는 열전달 계수 계산부 (22A) 와, 상기 열전달 계수 계산부 (22A) 가 산출한 열전달 계수를 경계 조건으로 하여, 상기 열처리에 의한 상기 레일 (1) 내부의 온도 이력 계산을 실시하는 열전도 계산부 (22B) 와, 상기 열전도 계산부 (22B) 가 산출한 온도 이력 계산에 기초하는 레일 (1) 내부의 온도 분포로부터, 상변태를 고려한 레일 (1) 내부의 조직 예측을 실시하는 조직 계산부 (22C) 와, 상기 조직 계산부 (22C) 가 산출한 레일 (1) 내부의 조직 예측에 기초하는 레일 (1) 내부의 조직 분포로부터, 레일 (1) 내부의 경도를 산출하는 경도 계산부 (22D) 를 구비한다.
이 구성에 의하면, 보다 확실하게 열처리를 위한 경도 예측이 가능해진다.
(4) 본 실시형태는, 오스테나이트역 온도 이상의 온도로 되어 있는 레일 (1) 을 냉각 설비 (7) 로 강제 냉각하는 열처리 공정을 갖는 열처리 레일 (1) 의 열처리 방법으로서, 상기 냉각 설비 (7) 에서의 레일 (1) 의 냉각 개시 전에, 본 실시형태의 열처리 레일 (1) 의 경도 예측 방법에 의해, 레일 (1) 내부의 경도를 예측하고, 예측한 레일 (1) 내부의 경도가 목표로 하는 경도의 범위 밖인 경우, 예측한 레일 (1) 내부의 경도가 목표로 하는 경도의 범위 내에 들어가도록, 상기 냉각 설비 (7) 의 조업 조건을 재설정한다.
예를 들면, 오스테나이트역 온도 이상의 온도로 되어 있는 레일 (1) 을 냉각 설비 (7) 로 강제 냉각하는 열처리 공정을 갖는 레일 (1) 의 열처리 장치로서, 상기 냉각 설비 (7) 에서의 레일 (1) 의 냉각 개시 전에, 청구항 11 내지 청구항 13 중 어느 한 항에 기재된 열처리 레일 (1) 의 경도 예측 장치 (20) 에 의해, 레일 (1) 내부의 경도를 예측하는 경도 예측부 (26) 와, 상기 경도 예측부 (26) 가 예측한 레일 (1) 내부의 경도가 목표로 하는 경도의 범위 밖인 경우, 예측한 레일 (1) 내부의 경도가 목표로 하는 경도의 범위 내에 들어가도록, 상기 냉각 설비 (7) 의 조업 조건을 재설정하는 조업 조건 재설정부 (63) 를 구비하는 열처리 레일 (1) 의 열처리 장치를 사용한다.
이 구성에 의하면, 레일 (1) 내부의 경도를 목표 경도 범위로 하는 조업 조건으로 강제 냉각 (열처리) 이 실행 가능해진다. 이 결과, 본 실시형태에서는, 예를 들면, 열처리 레일 (1) 의 머리부 표면으로부터 내부에 걸친 조직 제어를 적절하게 실행하는 것이 가능해져서, 제조하는 레일 (1) 마다의 경도의 편차나, 레일 (1) 의 길이 방향의 경도 편차를 저감하여, 품질 편차를 억제한 열처리 레일 (1) 의 제조가 가능해진다.
(5) 본 실시형태에서는, 상기 재설정하는 냉각 설비 (7) 의 조업 조건은, 상기 냉각 설비 (7) 에서 레일 (1) 을 향해 분사되는 냉각 매체의 분사 압력, 분사 거리, 분사 위치 및 분사 시간 중, 적어도 하나의 조업 조건을 포함한다.
이 구성에 의하면, 레일 (1) 내부의 경도를 목표 경도 범위로 하는 조업 조건을, 보다 확실하게 설정 가능해진다.
(6) 본 실시형태에서는, 상기 냉각 설비 (7) 는, 냉각 대상인 레일 (1) 의 길이 방향을 따라서 배치된 복수의 냉각 존을 갖고, 상기 냉각 설비 (7) 의 조업 조건의 재설정은, 그 각 냉각 존마다 개별적으로 조업 조건의 재설정을 실행한다.
이 구성에 의하면, 레일 (1) 내부의 경도를 목표 경도 범위로 하는 조업 조건을, 더욱 세밀하게 설정 가능해진다.
(7) 본 실시형태는, 오스테나이트역 온도 이상의 온도로 되어 있는 레일 (1) 을 냉각 설비 (7) 로 강제 냉각한 후의 상기 레일 (1) 의 경도를, 상기 냉각 설비 (7) 에서의 냉각 개시 전의 레일 (1) 의 표면 온도와 강제 냉각을 위한 상기 냉각 설비 (7) 의 조업 조건을 적어도 갖는 냉각 조건 데이터 세트로부터 구하기 위한 경도 예측 모델 (25) 의 생성 방법으로서, 상기 냉각 조건 데이터 세트를 입력 데이터로 하고, 상기 강제 냉각 후의 레일 (1) 의 적어도 레일 (1) 머리부의 내부의 경도를 출력 데이터로 하여 연산하기 위한 물리 모델인 내부 경도 연산 모델을 사용하여, 상기 냉각 조건 데이터 세트와 상기 경도의 출력 데이터로 이루어지는 학습용 데이터를 복수 조 취득하고, 취득한 복수 조의 학습용 데이터를 사용한 기계 학습에 의해, 상기 냉각 조건 데이터 세트를 적어도 입력 데이터로 하고 상기 강제 냉각 후의 레일 (1) 내부의 경도를 출력 데이터로 하는 경도 예측 모델 (25) 을 미리 생성한다.
이 구성에 의하면, 온라인으로 고정밀도의 경도 예측을 단시간에 실행할 수 있는 경도 예측 모델 (25) 을 생성 가능해진다.
상기 경도 예측 모델 (25) 은, 예를 들면, 뉴럴 네트워크 모델 (딥 러닝의 모델을 포함한다), 랜덤 포레스트, 또는 SVM 회귀로 학습된 모델로 하면 된다.
(8) 본 실시형태에서는, 상기 내부 경도 연산 모델을 사용하여 연산되는 출력 데이터는, 적어도 레일 (1) 표면으로부터 미리 설정한 깊이까지의 영역에 있어서의 경도 분포이고, 상기 경도 예측 모델 (25) 의 출력 데이터도, 적어도 레일 (1) 표면으로부터 미리 설정한 깊이까지의 영역에 있어서의 경도 분포의 데이터이다.
이 구성에 의하면, 적어도 레일 머리부의 표층이 경도의 균일성이 우수한 레일을 제조하기 위한 정보를 고정밀도로 얻는 것이 가능해진다.
(9) 본 실시형태에서는, 실시형태의 열처리 레일 (1) 의 열처리 방법을 갖는, 열처리 레일 (1) 의 제조 방법을 제공한다. 예를 들면, 실시형태의 열처리 레일 (1) 의 열처리 장치를 갖는, 열처리 레일 (1) 의 제조 설비를 제공한다.
이 구성에 의하면, 적어도 레일 머리부의 표층이 경도의 균일성이 우수한 레일을 제조 가능해진다.
실시예
다음으로, 본 실시형태에 기초하는 실시예에 대해서 설명한다.
레일 (1) 의 제조 설비 (2) (도 1 참조) 를 사용하여, 열처리 레일 (1) 의 제조를 실시하였다.
본 실시예에서는, 복수 궤종, 규격의 레일 (1) 의 강제 냉각을 실시하고, 실온까지 공랭한 후에 머리부의 조직 및 단면 내의 경도 분포를 평가하였다. 또한, 각 실시예, 각 비교예에 있어서, 각각 20 개씩의 열처리 레일 (1) 을 제조하고, 각각의 편차를 평가하였다.
대상으로 한 레일 (1) 은, 궤종 2 종류 (JIS 60 kg 레일과 50 kg N 레일) 와 규격 2 종류 (고경도 레일 (H) 과 통상 경도 레일 (L)) 의 합계 4 종류로 하였다. 그리고, 약 900 ℃ 에서 열간 압연을 종료한 후, 압연 길이인 채로 (절단하지 않고서), 온라인에 설치된 냉각 설비 (7) 로 강제 냉각을 실시하였다. 또한, 본 실시예에 사용한 강종의 오스테나이트 온도는 760 ℃, 평형 변태 온도가 720 ℃ 였다.
냉각 설비 (7) 의 입측 온도계 (8) 에 의한 입측 온도의 목표값은 750 ℃ 로 설정하고, 상기 4 종류의 레일 (1) 에 대해서 목표 경도 분포가 얻어지도록, 미리 오프라인 계산에 의해 설정된 냉각 조건을 조업 조건 초기 설정부 (61) 의 지시값으로 하였다.
냉각 조건으로는 2 스텝법에 의한 냉각으로서, 전단 스텝과 후단 스텝에 있어서의 분사압의 설정값 및, 전단 스텝에서 후단 스텝으로의 전환 시간에 대해서는, 각각 열처리를 실시하는 레일 (1) 의 종류에 따라서 설정하였다 (표 중 「고정」으로서 기준이 되는 조건을 나타낸다).
사용한 경도 예측 모델 (25) 은, 본 실시예에서는 상기 실시예 1 내지 4 의 4 종류의 레일 (1) 에 대응하여, 각각에 대응한 경도 예측 모델 (25) 을 생성하였다. 경도 예측 모델 (25) 의 생성에 사용한 데이터베이스 (23) 는, 실험실 레벨의 냉각 실험 장치를 사용하여, 냉각 노즐의 분사 유량, 압력을 여러 가지로 변경한 1 단 냉각법에 의한 실험에 의해, 조직과 경도의 관계를 회귀식에 의해 작성하였다. 또한, 경도 예측 모델 (25) 의 생성에 사용한 데이터수는 500 개였다.
이 때, 실제의 조업에서는, 입측 온도계 (8) 에 의한 온도 측정값과 상기 목표 온도와의 사이에는, 20 개의 레일 (1) 마다의 편차와, 1 개 레일 내의 위치에 따른 온도 편차를 합하여, －30 ∼ ＋10 ℃ 의 편차가 발생하였다.
비교예에서는, 이들 편차가 있어도, 냉각 조건은 조업 조건 초기 설정부 (61) 에서 설정된 고정 패턴을 사용하였다. 한편, 본 실시예에서는, 입측 온도계에 의한 실측값과, 미리 설정되어 조업 조건 초기 설정부 (61) 에서 설정된 냉각 조건을 냉각 조건 데이터 세트로 하여, 레일 (1) 내부에 있어서의 경도 분포를 예측하고, 목표 경도 범위에 들어가는지 여부를 판정하였다. 여기서 목표 경도는, 도 10 에 나타내는 목표 경도로서, 표 1 중에는, 표면의 경도의 「하한」과 「상한」이 규정됨과 함께, 「기준점」에 있어서의 「하한」과, 내부 「전체」의 「상한」에 의해 규정하였다.
본 실시예에 있어서는, 경도 예측부 (26) 에 의해 예측된 레일 (1) 내부에 있어서의 경도 분포가, 목표 경도 범위에 들어가는 경우에는, 초기에 설정되어 있는 냉각 조건인 채로 강제 냉각을 실시하고, 목표 범위로부터 벗어나는 경우에는 전단 스텝에 있어서의 분사 압력, 후단 스텝에 있어서의 분사 압력 (표 중의 「분사압 조정량」의 범위 내로 조정), 및 전단 스텝에서 후단 스텝으로 이행하는 타이밍 (표 중의 「분사 시간 조정량」이 수정한 범위) 을 변경하였다. 또한, 본 실시예에서는, 실시예, 비교예 모두 분사 거리는 궤종에 상관없이 냉각 중 일정 (15 mm) 하게 하였다.
냉각 종료 후에는, 레일 (1) 을 구속 장치로부터 떼어 내어 냉각상 (10) 으로 반송하고, 상온까지 공랭하였다. 그리고, 상온까지 공랭한 레일 (1) 을 절단하여, 머리부의 조직 관찰 및 경도 시험을 실시하였다. 머리부의 경도 측정 및 조직 관찰은, 전체 길이 100 m 의 레일 (1) 을 5 분할하여, 각 위치에서 샘플을 채취하였다 (각 조건 20 개의 레일 (1)×5 샘플 = 100). 머리부 조직은, 샘플의 절단면을 SEM (주사형 전자 현미경) 으로 관찰함으로써 평가하였다. 또한, 경도는 두정면으로부터 0 ∼ 20 mm 의 각 깊이 위치에서 브리넬 경도 시험에 의해 평가하였다. 경도의 측정 결과에 대해서는, 100 개의 데이터에 있어서의 최대값과 최소값을 평가하였다.
표 1 에 있어서의 「기준점」의 「최대」「최소」, 표면에 있어서의 「최대」「최소」가 이것에 해당한다. 이들 값이 목표 경도의 상하한값의 범위 내에 있고, 또한 내부 전체에서 「상한」의 범위 내에 있는 경우를, 「○」로 하였다. 또한, 조직 관찰의 결과, 베이나이트 조직이나 마텐자이트 조직 등의 이상 조직은 모든 예에서 발생하지 않고, 펄라이트 조직이 얻어진 것을 「○」로서 평가하였다.
표 1 에 실험 조건 및 평가 결과를 나타낸다.
Figure pct00001
표 1 로부터 알 수 있는 바와 같이, 실시예 1 ∼ 4 에서는, 레일 (1) 의 경도 편차가 저감되고, 베이나이트 조직이나 마텐자이트 조직 등의 이상 조직은 모든 예에서 발생하지 않아, 균질한 레일 (1) 을 안정적으로 제조할 수 있었다.
한편, 비교예에서는, 냉각 설비 (7) 의 입측 온도가 목표 온도에 가까웠던 조건에서는 열처리가 적절하게 실시되어 목표대로의 경도와 조직이 얻어졌지만, 목표 온도로부터 벗어난 것은 경도의 편차가 크고, 이상 조직의 생성이 보이는 것도 있었다.
여기서, 본원이 우선권을 주장하는 일본 특허출원 2020-100895 (2020년 06월 10일 출원) 의 전체 내용은, 참조에 의해 본 개시의 일부를 이룬다. 여기서는, 한정된 수의 실시형태를 참조하면서 설명했지만, 권리 범위는 그것들로 한정되는 것은 아니고, 상기 개시에 근거하는 각 실시형태의 개변은 당업자에게 있어서 자명한 것이다.
1 : 열처리 레일
2 : 제조 설비
3 : 압연기
4 : 절단기
5 : 상위 컴퓨터
6 : 제어 장치
7 : 냉각 설비
8 : 온도계
10 : 냉각상
11 : 가열로
20 : 경도 예측 장치
21 : 기초 데이터 취득부
22 : 내부 경도 오프라인 계산부
22A : 열전달 계수 계산부
22B : 열전도 계산부
22C : 조직 계산부
22D : 경도 계산부
23 : 데이터베이스
24 : 경도 예측 모델 생성부
25 : 경도 예측 모델
26 : 경도 예측부
61 : 조업 조건 초기 설정부
62 : 조업 조건 판정부
63 : 조업 조건 재설정부
64 : 냉각 제어부
71 : 두정 냉각 헤더
72 : 머리측 냉각 헤더
73 : 발바닥 냉각 헤더
74 : 머리부 온도계
75 : 발부 온도계

Claims (16)

  1. 오스테나이트역 온도 이상의 온도로 되어 있는 레일을 냉각 설비로 강제 냉각하는 열처리 공정 후의 상기 레일의 경도를 예측하는 레일의 경도 예측 방법으로서,
    냉각 개시 전의 레일의 표면 온도와 강제 냉각을 위한 상기 냉각 설비의 조업 조건을 적어도 갖는 냉각 조건 데이터 세트를 입력 데이터로 하고, 상기 강제 냉각 후의 레일의 적어도 레일 머리부의 내부의 경도를 출력 데이터로 하여 연산하기 위한 물리 모델인 내부 경도 연산 모델을 사용하여, 상기 냉각 조건 데이터 세트와 상기 경도의 출력 데이터로 이루어지는 학습용 데이터를 복수 조, 취득해 두고,
    취득한 복수 조의 학습용 데이터를 사용한 기계 학습에 의해, 상기 냉각 조건 데이터 세트를 적어도 입력 데이터로 하고 상기 강제 냉각 후의 레일 내부의 경도에 관한 정보를 출력 데이터로 하는 경도 예측 모델을 미리 생성하고,
    상기 경도 예측 모델을 사용하여 구해지는, 상기 열처리 공정의 냉각 조건으로서 설정되는 1 조의 냉각 조건 데이터 세트에 대한 레일 내부의 경도에 관한 정보에 기초하여, 상기 열처리 공정 후의 레일의 경도를 예측하는 것을 특징으로 하는 열처리 레일의 경도 예측 방법.
  2. 제 1 항에 있어서,
    상기 내부 경도 연산 모델을 사용하여 연산되는 출력 데이터는, 적어도 레일 표면으로부터 미리 설정한 깊이까지의 영역에 있어서의 경도 분포인 것을 특징으로 하는 열처리 레일의 경도 예측 방법.
  3. 제 1 항 또는 제 2 항에 있어서,
    상기 내부 경도 연산 모델은,
    상기 냉각 설비를 사용한 열처리시의 레일 표면의 열전달 계수를 계산하는 열전달 계수 계산부와,
    상기 열전달 계수 계산부가 산출한 열전달 계수를 경계 조건으로 하여, 상기 열처리에 의한 상기 레일 내부의 온도 이력 계산을 실시하는 열전도 계산부와,
    상기 열전도 계산부가 산출한 온도 이력 계산에 기초하는 레일 내부의 온도 분포로부터, 상변태를 고려한 레일 내부의 조직 예측을 실시하는 조직 계산부와,
    상기 조직 계산부가 산출한 레일 내부의 조직 예측에 기초하는 레일 내부의 조직 분포로부터, 레일 내부의 경도를 산출하는 경도 계산부를 구비하는 것을 특징으로 하는 열처리 레일의 경도 예측 방법.
  4. 오스테나이트역 온도 이상의 온도로 되어 있는 레일을 냉각 설비로 강제 냉각하는 열처리 공정을 갖는 열처리 레일의 열처리 방법으로서,
    냉각 개시 전의 레일의 표면 온도를 측정하고,
    상기 냉각 설비에서의 레일의 냉각 개시 전에, 측정한 레일의 표면 온도를 사용하여, 제 1 항 내지 제 3 항 중 어느 한 항에 기재된 열처리 레일의 경도 예측 방법에 의해, 레일 내부의 경도를 예측하고,
    예측한 레일 내부의 경도가 목표로 하는 경도의 범위 밖인 경우, 예측한 레일 내부의 경도가 목표로 하는 경도의 범위 내에 들어가도록, 상기 냉각 설비의 조업 조건을 재설정하는 것을 특징으로 하는 열처리 레일의 열처리 방법.
  5. 제 4 항에 있어서,
    상기 재설정하는 냉각 설비의 조업 조건은, 상기 냉각 설비에서 레일을 향해 분사되는 냉각 매체의 분사 압력, 분사 거리, 분사 위치, 및 분사 시간 중 적어도 하나의 조업 조건을 포함하는 것을 특징으로 하는 열처리 레일의 열처리 방법.
  6. 제 4 항 또는 제 5 항에 있어서,
    상기 냉각 설비는, 냉각 대상인 레일의 길이 방향을 따라 배치된 복수의 냉각 존을 갖고,
    상기 냉각 설비의 조업 조건의 재설정은, 그 각 냉각 존마다 개별적으로 조업 조건의 재설정을 실행하는 것을 특징으로 하는 열처리 레일의 열처리 방법.
  7. 오스테나이트역 온도 이상의 온도로 되어 있는 레일을 냉각 설비로 강제 냉각한 후의 상기 레일의 경도를, 상기 냉각 설비에서의 냉각 개시 전의 레일의 표면 온도와 강제 냉각을 위한 상기 냉각 설비의 조업 조건을 적어도 갖는 냉각 조건 데이터 세트로부터 구하기 위한 경도 예측 모델의 생성 방법으로서,
    상기 냉각 조건 데이터 세트를 입력 데이터로 하고, 상기 강제 냉각 후의 레일의 적어도 레일 머리부의 내부의 경도를 출력 데이터로 하여 연산하기 위한 물리 모델인 내부 경도 연산 모델을 사용하여, 상기 냉각 조건 데이터 세트와 상기 경도의 출력 데이터로 이루어지는 학습용 데이터를 복수 조, 취득하고,
    취득한 복수 조의 학습용 데이터를 사용한 기계 학습에 의해, 상기 냉각 조건 데이터 세트를 적어도 입력 데이터로 하고 상기 강제 냉각 후의 레일 내부의 경도에 관한 정보를 출력 데이터로 하는 경도 예측 모델을 미리 생성하는 것을 특징으로 하는 경도 예측 모델의 생성 방법.
  8. 제 7 항에 있어서,
    상기 내부 경도 연산 모델을 사용하여 연산되는 출력 데이터는, 적어도 레일 표면으로부터 미리 설정한 깊이까지의 영역에 있어서의 경도 분포인 것을 특징으로 하는 경도 예측 모델의 생성 방법.
  9. 제 7 항 또는 제 8 항에 있어서,
    상기 경도 예측 모델은, 뉴럴 네트워크 모델, 랜덤 포레스트, 또는 SVM 회귀로 학습된 모델인 것을 특징으로 하는 경도 예측 모델의 생성 방법.
  10. 제 4 항 내지 제 6 항 중 어느 한 항에 기재된 열처리 레일의 열처리 방법을 갖는, 열처리 레일의 제조 방법.
  11. 오스테나이트역 온도 이상의 온도로 되어 있는 레일을 냉각 설비로 강제 냉각하는 열처리 공정 후의 상기 레일의 경도를 예측하는 레일의 경도 예측 장치로서,
    냉각 개시 전의 레일의 표면 온도와 강제 냉각을 위한 상기 냉각 설비의 조업 조건을 적어도 갖는 냉각 조건 데이터 세트를 입력 데이터로 하고, 상기 강제 냉각 후의 레일의 적어도 레일 머리부의 내부의 경도를 출력 데이터로 하여 연산하기 위한 물리 모델인 내부 경도 연산 모델을 사용하여 연산한, 상기 냉각 조건 데이터 세트와 상기 경도의 출력 데이터로 이루어지는 학습용 데이터를 복수 조, 격납하고 있는 데이터베이스와,
    상기 복수 조의 학습용 데이터를 사용한 기계 학습에 의해, 상기 냉각 조건 데이터 세트를 적어도 입력 데이터로 하고 상기 강제 냉각 후의 레일 내부의 경도에 관한 정보를 출력 데이터로 하는 경도 예측 모델을 생성하는 경도 예측 모델 생성부와,
    냉각 개시 전의 레일의 표면 온도를 측정하는 온도계와,
    상기 온도계가 측정한 측정값과 상기 경도 예측 모델을 사용하여, 상기 열처리 공정의 냉각 조건으로서 설정되는 1 조의 냉각 조건 데이터 세트에 대한 레일 내부의 경도에 관한 정보에 기초하여, 상기 열처리 공정 후의 레일의 경도를 예측하는 경도 예측부를 구비하는 것을 특징으로 하는 열처리 레일의 경도 예측 장치.
  12. 제 11 항에 있어서,
    상기 내부 경도 연산 모델을 사용하여 연산되는 출력 데이터는, 적어도 레일 표면으로부터 미리 설정한 깊이까지의 영역에 있어서의 경도 분포인 것을 특징으로 하는 열처리 레일의 경도 예측 장치.
  13. 제 11 항 또는 제 12 항에 있어서,
    상기 내부 경도 연산 모델은,
    상기 냉각 설비를 사용한 열처리시의 레일 표면의 열전달 계수를 계산하는 열전달 계수 계산부와,
    상기 열전달 계수 계산부가 산출한 열전달 계수를 경계 조건으로 하여, 상기 열처리에 의한 상기 레일 내부의 온도 이력 계산을 실시하는 열전도 계산부와,
    상기 열전도 계산부가 산출한 온도 이력 계산에 기초하는 레일 내부의 온도 분포로부터, 상변태를 고려한 레일 내부의 조직 예측을 실시하는 조직 계산부와,
    상기 조직 계산부가 산출한 레일 내부의 조직 예측에 기초하는 레일 내부의 조직 분포로부터, 레일 내부의 경도를 산출하는 경도 계산부를 구비하는 것을 특징으로 하는 열처리 레일의 경도 예측 장치.
  14. 오스테나이트역 온도 이상의 온도로 되어 있는 레일을 냉각 설비로 강제 냉각하는 열처리 공정을 갖는 레일의 열처리 장치로서,
    상기 냉각 설비에서의 레일의 냉각 개시 전에, 제 11 항 내지 제 13 항 중 어느 한 항에 기재된 열처리 레일의 경도 예측 장치에 의해, 레일 내부의 경도를 예측하는 경도 예측부와,
    상기 경도 예측부가 예측한 레일 내부의 경도가 목표로 하는 경도의 범위 밖인 경우, 예측한 레일 내부의 경도가 목표로 하는 경도의 범위 내에 들어가도록, 상기 냉각 설비의 조업 조건을 재설정하는 조업 조건 재설정부를 구비하는 것을 특징으로 하는 열처리 레일의 열처리 장치.
  15. 제 14 항에 있어서,
    상기 재설정하는 냉각 설비의 조업 조건은, 상기 냉각 설비에서 레일을 향해 분사되는 냉각 매체의 분사 압력, 분사 거리, 분사 위치, 및 분사 시간 중 적어도 하나의 조업 조건을 포함하는 것을 특징으로 하는 열처리 레일의 열처리 장치.
  16. 제 14 항 또는 제 15 항에 기재된 열처리 레일의 열처리 장치를 구비하는 열처리 레일의 제조 설비.
KR1020227042338A 2020-06-10 2021-03-08 열처리 레일의 경도 예측 방법, 열처리 방법, 경도 예측 장치, 열처리 장치, 제조 방법, 제조 설비, 및 경도 예측 모델의 생성 방법 KR20230005985A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JPJP-P-2020-100895 2020-06-10
JP2020100895A JP7294243B2 (ja) 2020-06-10 2020-06-10 熱処理レールの硬度予測方法、熱処理方法、硬度予測装置、熱処理装置、製造方法、製造設備、並びに、硬度予測モデルの生成方法
PCT/JP2021/009060 WO2021250957A1 (ja) 2020-06-10 2021-03-08 熱処理レールの硬度予測方法、熱処理方法、硬度予測装置、熱処理装置、製造方法、製造設備、並びに、硬度予測モデルの生成方法

Publications (1)

Publication Number Publication Date
KR20230005985A true KR20230005985A (ko) 2023-01-10

Family

ID=78845487

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227042338A KR20230005985A (ko) 2020-06-10 2021-03-08 열처리 레일의 경도 예측 방법, 열처리 방법, 경도 예측 장치, 열처리 장치, 제조 방법, 제조 설비, 및 경도 예측 모델의 생성 방법

Country Status (9)

Country Link
US (1) US20230221231A1 (ko)
EP (1) EP4166682A4 (ko)
JP (1) JP7294243B2 (ko)
KR (1) KR20230005985A (ko)
CN (1) CN115917288A (ko)
AU (1) AU2021288876B2 (ko)
BR (1) BR112022025159A2 (ko)
CA (1) CA3186874A1 (ko)
WO (1) WO2021250957A1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS4938158B1 (ko) 1964-11-30 1974-10-15
JPS61149436A (ja) 1984-12-24 1986-07-08 Nippon Steel Corp レ−ルの熱処理方法
JPS6261570B2 (ko) 1982-02-15 1987-12-22 Toyo Sooda Kogyo Kk
JP5686231B1 (ja) 2013-03-28 2015-03-18 Ｊｆｅスチール株式会社 レールの製造方法及び製造装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3945545B2 (ja) * 1996-02-27 2007-07-18 Ｊｆｅスチール株式会社 レールの熱処理方法
JP2005315703A (ja) 2004-04-28 2005-11-10 Nippon Steel Corp 鋼材の材質予測方法
EP2674504A1 (en) 2012-06-11 2013-12-18 Siemens S.p.A. Method and system for thermal treatments of rails
DE102012020844A1 (de) * 2012-10-24 2014-04-24 Thyssenkrupp Gft Gleistechnik Gmbh Verfahren zur thermomechanischen Behandlung von warmgewalzten Profilen
JP7344550B2 (ja) 2018-12-19 2023-09-14 ユニチカ株式会社 鉄ニッケルナノワイヤーの製造方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS4938158B1 (ko) 1964-11-30 1974-10-15
JPS6261570B2 (ko) 1982-02-15 1987-12-22 Toyo Sooda Kogyo Kk
JPS61149436A (ja) 1984-12-24 1986-07-08 Nippon Steel Corp レ−ルの熱処理方法
JP5686231B1 (ja) 2013-03-28 2015-03-18 Ｊｆｅスチール株式会社 レールの製造方法及び製造装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
전열 공학 자료 [개정 제 5 판] 일본 기계 학회 (2009)

Also Published As

Publication number Publication date
JP2021195577A (ja) 2021-12-27
EP4166682A4 (en) 2023-11-29
WO2021250957A1 (ja) 2021-12-16
AU2021288876B2 (en) 2024-01-04
CA3186874A1 (en) 2021-12-16
AU2021288876A1 (en) 2023-01-19
CN115917288A (zh) 2023-04-04
JP7294243B2 (ja) 2023-06-20
BR112022025159A2 (pt) 2022-12-27
US20230221231A1 (en) 2023-07-13
EP4166682A1 (en) 2023-04-19

Similar Documents

Publication Publication Date Title
JP6261570B2 (ja) レールの熱処理のための方法及びシステム
JP6068146B2 (ja) 設定値計算装置、設定値計算方法、及び設定値計算プログラム
JP2014000593A (ja) 熱延鋼板の温度むら予測方法、平坦度制御方法、温度むら制御方法、及び、製造方法
JP6558060B2 (ja) 厚鋼板の冷却制御方法、冷却制御装置、製造方法、および、製造装置
KR20230005985A (ko) 열처리 레일의 경도 예측 방법, 열처리 방법, 경도 예측 장치, 열처리 장치, 제조 방법, 제조 설비, 및 경도 예측 모델의 생성 방법
JP7287416B2 (ja) 厚鋼板の製造仕様決定支援装置および製造仕様探索方法、コンピュータプログラム、コンピュータ読み取り可能な記録媒体ならびに厚鋼板の製造方法
JP5482365B2 (ja) 鋼板の冷却方法、製造方法および製造設備
EP4151326A1 (en) Method for predicting temperature deviation in thick steel plate, method for controlling temperature deviation in thick steel plate, method for generating temperature deviation prediction model for thick steel plate, method for producing thick steel plate, and equipment for producing thick steel plate
US20200377967A1 (en) Steel material cooling device and cooling method
JP2005279655A (ja) 連続式加熱炉の鋼材抽出温度予測方法
WO2022176366A1 (ja) 鋼板の形状予測方法、形状制御方法、製造方法、形状予測モデルの生成方法、及び製造設備
WO2022209320A1 (ja) 鋼板の材質予測モデルの生成方法、材質予測方法、製造方法、及び製造設備
WO2024062766A1 (ja) 金属帯の反り形状予測方法、金属帯の反り形状制御方法、金属帯の製造方法、反り形状予測モデルの生成方法及び金属帯の反り形状制御装置
JP2023007380A (ja) 熱延板の温度予測モデルおよび熱延板の変態エンタルピ予測モデルの生成方法、熱延板の巻取温度予測方法、温度制御方法、製造方法
JP7452696B2 (ja) 厚鋼板の製造方法および製造設備
JP7298529B2 (ja) Ｈ形鋼の製造方法
JP2023108732A (ja) 形状歪み予測モデル及びこれの構築方法、形状歪み予測モデルを用いた鋼板製造ラインの制御指令装置及びこれの作動方法、並びに鋼板製造方法
JP2021194701A (ja) 形鋼の断面寸法変化量予測モデルの生成方法、形鋼の断面寸法変化量予測モデルの生成装置、形鋼の断面寸法の予測方法、形鋼の断面寸法の制御方法、および形鋼の製造方法
Reis et al. EFFECT OF PLATE SURFACE CONDITIONS ON ACCELERATED COOLING PERFORMANCE
JP2024044489A (ja) 金属帯の反り形状制御方法、金属帯の製造方法及び金属帯の反り形状制御装置
JP2022192003A (ja) 表層硬度予測モデル及びこれを用いた鋼板の表層硬度を予測制御する方法、制御指令装置、鋼板製造ライン、並びに鋼板製造方法
JP2010247234A (ja) 冷却制御方法、装置、及びコンピュータプログラム
JP2017177200A (ja) 熱間仕上圧延方法