KR20230061513A - 재료 특성값 예측 시스템 및 금속판의 제조 방법 - Google Patents

재료 특성값 예측 시스템 및 금속판의 제조 방법 Download PDF

Info

Publication number
KR20230061513A
KR20230061513A KR1020237011473A KR20237011473A KR20230061513A KR 20230061513 A KR20230061513 A KR 20230061513A KR 1020237011473 A KR1020237011473 A KR 1020237011473A KR 20237011473 A KR20237011473 A KR 20237011473A KR 20230061513 A KR20230061513 A KR 20230061513A
Authority
KR
South Korea
Prior art keywords
manufacturing
material characteristic
temperature
metal plate
prediction system
Prior art date
Application number
KR1020237011473A
Other languages
English (en)
Inventor
마유미 오지마
요시마사 후나카와
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 KR20230061513A publication Critical patent/KR20230061513A/ko

Links

Images

Classifications

    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B21B37/74—Temperature control, e.g. by cooling or heating the rolls or the product
    • B21B37/76—Cooling control on the run-out table
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B38/00—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product
    • 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
    • C21D8/00—Modifying the physical properties by deformation combined with, or followed by, heat treatment
    • C21D8/02—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips
    • C21D8/0205—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips of ferrous alloys
    • 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
    • C21D8/00—Modifying the physical properties by deformation combined with, or followed by, heat treatment
    • C21D8/02—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips
    • C21D8/0247—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips characterised by the heat treatment
    • C21D8/0263—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips characterised by the heat treatment following hot rolling
    • 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
    • C21D8/00—Modifying the physical properties by deformation combined with, or followed by, heat treatment
    • C21D8/02—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips
    • C21D8/0278—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips involving a particular surface treatment
    • 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
    • C21D9/46—Heat treatment, e.g. annealing, hardening, quenching or tempering, adapted for particular articles; Furnaces therefor for sheet metals
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32193—Ann, neural base quality management
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32194—Quality prediction
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45234—Thin flat workpiece, sheet metal machining

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Metallurgy (AREA)
  • Thermal Sciences (AREA)
  • Organic Chemistry (AREA)
  • Materials Engineering (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Manufacturing & Machinery (AREA)
  • General Factory Administration (AREA)
  • Control Of Metal Rolling (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

재료 특성값을 고정밀도로 예측 가능한 재료 특성값 예측 시스템이 제공된다. 또한, 그 재료 특성값 예측 시스템이 예측한 재료 특성값에 기초하여 후의 공정의 제조 조건을 적절히 변경함으로써, 제품의 수율을 향상시키는 것이 가능한 금속판의 제조 방법이 제공된다. 재료 특성값 예측 시스템(100)은, 금속판을 제조하는 설비에 있어서의 설비 출력 인자, 외란 인자 및 제조 중의 금속판의 성분값을 포함하는 입력 데이터를 취득하고, 입력 데이터를 입력하는 예측 모델을 이용하여, 제조되는 금속판의 재료 특성값을 예측하는, 재료 특성값 예측부를 구비하고, 예측 모델은, 입력 데이터를 입력하여 제조 조건 인자를 출력하는, 기계 학습에 의해 생성된 기계 학습 모델과, 제조 조건 인자를 입력하여 재료 특성값을 출력하는 금속학 모델을 포함한다.

Description

재료 특성값 예측 시스템 및 금속판의 제조 방법
본 개시는, 재료 특성값 예측 시스템 및 금속판의 제조 방법에 관한 것이다. 본 개시는, 특히, 금속판의 제조 공정의 도중에 있어서 제조에 관한 파라미터가 설정 범위로부터 벗어난 경우에, 최종적으로 소망하는 재료 특성값이 얻어지도록, 그 공정보다 후의 공정의 제조 조건의 적정화를 가능하게 하는, 재료 특성값 예측 시스템 및 금속판의 제조 방법에 관한 것이다.
강판의 제조 공정에 있어서, 성분 조정 후의 연속 주조 공정에서 용탕이 슬래브(slabs)(주편(cast steel))가 된다. 슬래브는 가열되어, 열간 압연(열연) 공정에서 열연 강판이 된다. 열연 강판은, 냉간 압연(냉연) 공정 및 연속 어닐링 공정(continuous annealing process)을 거쳐 냉연 강판이 될 수 있다. 또한, 열연 강판은, 냉간 압연 공정 및 연속 어닐링 용융 아연 도금 공정을 거쳐 용융 아연 도금 강판이 될 수 있다.
예를 들면 강판 등의 금속판의 제조에서는, 소망하는 재료 특성값을 얻기 위해, 각 공정에 있어서 최적의 제조 조건이 설정된다. 그러나, 제강에서 어닐링까지의 긴 제조 공정에서 모든 제조 조건을 목표대로 하는 것은 곤란하다. 그 결과, 재질의 불균일을 저감하는 것은 어려웠다.
이러한 재질의 불균일을 저감하기 위해, 특허문헌 1은, 선형 회귀 모델 등의 통계 확률 모델을 사용하여 제조 실적으로부터 품질 예측 모델을 구축하고, 품질 예측 모델에 의해 제조하는 강의 품질 관리 한계를 결정하는 것을 개시한다.
특허문헌 2는, 제조 실적 데이터로부터 재질을 예측하는 시스템을 개시한다. 특허문헌 2는, 사전 예측 모델을 학습 데이터(교사 데이터(teaching data))로 하고, 그 때마다 도출되는 예측 모델과의 차이를 구함으로써, 목표값으로부터의 벗어남값을 예측하여, 고(高)정밀도로 재질 제어를 행하는 기술을 제안한다.
특허문헌 3은, 제조 실적을 기초로 한 품질 예측 시스템으로, 학습용의 예측 모델과, 실제의 대상 제품의 조업 조건으로부터 도출한 품질 예측 모델의 유사도로부터, 대상 제품의 품질을 예측하는 시스템을 개시한다. 특허문헌 3은, 예측 모델 구축에, 종래의 선형 예측이 아니라 기계 학습 알고리즘을 적용하여, 결함의 발생 확률을 고도로 예측하는 기술을 개시한다.
일본공개특허공보 2013-84057호 일본공개특허공보 2018-10521호 일본공개특허공보 2019-74969호
본 개시자가 검토를 거듭한 결과, 종래 기술은 이하와 같은 과제가 있는 것을 알 수 있었다. 우선, 특허문헌 1∼3에 기재되는 기술은, 직접적으로 조정 가능한 제조 조건만을 고려하고 있고, 예를 들면 기온 및 수온과 같은 외란(disturbances)을 고려하고 있지 않다. 그러나, 이러한 외란은 최종적인 제조물의 재료 특성값에 크게 영향을 미친다.
또한, 제조 설비에 있어서 신규 재료를 이용하는 경우 등으로서, 제조 공정의 도중에 목적의 재료 특성값을 얻을 수 없다고 판정될 때에, 후의 공정의 조건을 바꾸어 목적의 재료 특성값에 근접시키고자 하는 요망이 있다. 그러나, 특허문헌 1의 기술은, 통계 확률 모델을 이용하여, 제품 품질이 목표값에 일치하기 위한 고정밀도의 제조 조건 목표값을 제조 개시 전으로 설정하는 것으로, 제조 도중에 있어서의 후의 공정의 조건 변경을 할 수 없다. 또한, 특허문헌 2 및 특허문헌 3의 기술은, 제조 도중에 있어서의 후의 공정의 조건 변경을 상정하고 있지 않다. 또한, 특허문헌 2 및 특허문헌 3의 기술은, 정밀도가 높은 예측 모델을 생성하기 위해 수많은 학습 데이터가 필요하다. 그 때문에, 과거의 제조 실적이 적거나 또는 없을 때의 적용이 곤란하다. 따라서, 이들 종래 기술과 상이한 예측 모델을 이용하여, 고정밀도로 재료 특성값을 예측하는 시스템이 요구되고 있다. 또한, 동일 규격의 재료를 상이한 날에 제조하는 경우도 있어, 기온 등의 외란 인자에 의해 재료 특성값이 불균일해지는 경우가 있다.
이러한 점을 감안하여 이루어진 본 개시의 목적은, 재료 특성값을 고정밀도로 예측 가능한 재료 특성값 예측 시스템을 제공하는 것에 있다. 또한, 본 개시의 다른 목적은, 그 재료 특성값 예측 시스템이 예측한 재료 특성값에 기초하여 후의 공정의 제조 조건을 적절히 변경함으로써, 제품의 수율을 향상시키는 것이 가능한 금속판의 제조 방법을 제공하는 것에 있다.
본 개시의 일 실시 형태에 따른 재료 특성값 예측 시스템은,
금속판을 제조하는 설비에 있어서의 설비 출력 인자, 외란 인자 및 제조 중의 상기 금속판의 성분값을 포함하는 입력 데이터를 취득하고, 상기 입력 데이터를 입력하는 예측 모델을 이용하여, 제조되는 상기 금속판의 재료 특성값을 예측하는, 재료 특성값 예측부를 구비하고,
상기 예측 모델은,
상기 입력 데이터를 입력하여 제조 조건 인자를 출력하는, 기계 학습에 의해 생성된 기계 학습 모델과,
상기 제조 조건 인자를 입력하여 상기 재료 특성값을 출력하는 금속학 모델을 포함한다.
본 개시의 일 실시 형태에 따른 금속판의 제조 방법은,
열간 압연 공정, 냉간 압연 공정 및 어닐링 공정을 포함하는 금속판의 제조 방법으로서,
상기의 재료 특성값 예측 시스템을 이용하여, 상기 열간 압연 공정에 있어서의 상기 입력 데이터를 취득하고, 상기 금속판의 재료 특성값을 예측하는 공정을 구비하고,
상기 제조 조건 인자는, 조압연율, 마무리 압연율, 압연 입측 온도, 압연 출측 온도, 압연 패스간 온도, 냉각 개시 시간, 냉각 온도, 냉각 속도, 라인 속도 및 권취 온도 중 적어도 1개를 포함한다.
또한, 본 개시의 일 실시 형태에 따른 금속판의 제조 방법은,
열간 압연 공정, 냉간 압연 공정 및 어닐링 공정을 포함하는 금속판의 제조 방법으로서,
상기의 재료 특성값 예측 시스템을 이용하여, 상기 냉간 압연 공정에 있어서의 상기 입력 데이터를 취득하고, 상기 금속판의 재료 특성값을 예측하는 공정을 구비하고,
상기 제조 조건 인자는, 압연율, 냉압률 및 마찰 계수 중 적어도 1개를 포함한다.
또한, 본 개시의 일 실시 형태에 따른 금속판의 제조 방법은,
열간 압연 공정, 냉간 압연 공정 및 어닐링 공정을 포함하는 금속판의 제조 방법으로서,
상기의 재료 특성값 예측 시스템을 이용하여, 상기 어닐링 공정에 있어서의 상기 입력 데이터를 취득하고, 상기 금속판의 재료 특성값을 예측하는 공정을 구비하고,
상기 제조 조건 인자는, 라인 속도, 어닐링 온도, 어닐링 시간, 승온 속도, 냉각 온도, 냉각 시간, 냉각 속도, 재가열 온도, 재가열 속도 및 재가열 시간 중 적어도 1개를 포함한다.
또한, 본 개시의 일 실시 형태에 따른 금속판의 제조 방법은,
어닐링 공정, 도금 공정 및 재가열 공정을 포함하는 금속판의 제조 방법으로서,
상기의 재료 특성값 예측 시스템을 이용하여, 상기 어닐링 공정, 상기 도금 공정 및 상기 재가열 공정에 있어서의 상기 입력 데이터를 취득하고, 상기 금속판의 재료 특성값을 예측하는 공정을 구비하고,
상기 제조 조건 인자는, 라인 속도, 어닐링 온도, 어닐링 시간, 승온 속도, 냉각 온도, 냉각 시간, 냉각 속도, 재가열 온도, 재가열 속도, 재가열 시간, 합금화 온도, 합금화 시간 및 노점(dew point) 중 적어도 1개를 포함한다.
본 개시에 의하면, 재료 특성값을 고정밀도로 예측 가능한 재료 특성값 예측 시스템을 제공할 수 있다. 본 개시에 의하면, 그 재료 특성값 예측 시스템이 예측한 재료 특성값에 기초하여 후의 공정의 제조 조건을 적절히 변경함으로써, 제품의 수율을 향상시키는 것이 가능한 금속판의 제조 방법을 제공할 수 있다.
도 1은, 재료 특성값 예측 시스템의 구성예를 나타내는 도면이다.
도 2는, 재료 특성값 예측 시스템의 다른 구성예를 설명하기 위한 도면이다.
도 3은, 정보 처리 장치의 블록도이다.
도 4는, 예측 모델을 이용한 재료 특성값의 예측의 흐름을 나타내는 도면이다.
도 5는, 예측 모델을 이용한 열연 강판의 인장 강도의 예측의 흐름을 나타내는 도면이다.
도 6은, 금속판의 제조에 있어서 실행되는 재료 특성값의 예측에 관한 처리를 나타내는 플로우차트이다.
(발명을 실시하기 위한 형태)
(재료 특성값 예측 시스템의 구성)
도 1은, 본 개시의 일 실시 형태에 따른, 예를 들면 철강에 있어서의 재료 특성값 예측 시스템(100)의 구성예를 나타낸다. 재료 특성값 예측 시스템(100)은, 금속판의 제조에서 사용되는 정보 처리 장치(10)를 구비하여 구성된다. 정보 처리 장치(10)는, 조업을 통괄하는 프로세스 컴퓨터이면 좋다. 도 1의 예에 있어서, 강판을 코일 형상으로 감은 강대(9)가 제조물이지만, 제조물은 강대(9)에 한정되지 않는다. 예를 들면 제조물은 철강 재료인 금속의 평판이면 좋다. 즉, 재료 특성값 예측 시스템(100)은, 광의(廣義)의 금속판의 제조 방법에서 이용될 수 있다. 또한, 철강 재료는 탄소강이면 좋고, 합금강이면 좋다. 또한, 금속판은 철강에 한정되지 않고, 예를 들면 알루미늄 합금, 구리, 티탄, 마그네슘 등을 소재로 하면 좋다.
도 1에 나타내는 바와 같이 재료 특성값 예측 시스템(100)은, 전로(1)와, 연속 주조기(2)와, 가열로(3)와, 스케일 브레이커(4)와, 조압연기(5)와, 마무리 압연기(6)와, 냉각 장치(7)와, 권취 장치(8)와, 강대(9)와, 정보 처리 장치(10)를 포함한다.
제조 공정에 있어서, 우선 원료의 철광석은, 석회석 및 코크스와 함께 고로(blast furnace)에 장입되어, 용융 상태의 선철이 생성된다. 고로에서 출선된 선철에 대하여 전로(1)에 있어서 탄소 등의 성분 조정이 행해지고, 2차 정련에 의해 최종적인 성분 조정이 이루어진다. 연속 주조기(2)에서는, 정련된 철강을 주조하여 주편(슬래브)이라고 불리는 중간 소재를 제조한다. 그 후, 가열로(3)에 있어서의 가열 공정에 의해 슬래브를 가열하고, 조압연기(5)와 마무리 압연기(6)에 의한 열간 압연 공정, 냉각 장치(7)에 의한 냉각 공정, 권취 장치(8)를 거쳐, 강대(9)가 제조된다. 제조 공정은, 냉각 공정의 후에, 적절히, 산 세정 공정, 냉간 압연 공정, 어닐링 공정, 스킨 패스 공정(skin pass process) 및 검사 공정 등의 처리 공정을 포함하면 좋다.
여기에서, 재료 특성값 예측 시스템(100)은, 도 1과 상이한 금속판의 제조 설비를 구비하여 구성되면 좋다. 재료 특성값 예측 시스템(100)은, 예를 들면 도 2에 나타내는 바와 같이, 용융 아연 도금 강판을 제조하기 위한 연속 어닐링 설비(이하, 용융 도금 라인)를 구비하면 좋다. 도 2의 용융 도금 라인은, 냉간 압연 된 강판을 용융 아연 도금 강판으로 한다.
용융 도금 라인은, 어닐링부로서, 가열대(11), 균열대(soaking zone:12) 및 냉각대(13)를 갖는다. 용융 도금 라인에 있어서의 어닐링 공정이란, 어닐링부에서 실행되는 열처리 공정으로서, 강판을 실온 부근에서 승온시켜, 소정의 온도로 유지한 후, 아연 도금을 행하는 데에 적합한 온도까지 강판의 온도를 저하시킨다.
또한, 용융 도금 라인에서는, 어닐링부의 하류측에 도금부를 갖는다. 용융 도금 라인은, 도금부로서, 스나우트(snout:14), 아연 도금조(15) 및 와이핑 장치(16)를 갖는다. 용융 도금 라인에 있어서의 도금 공정이란, 도금부에서 실행되는 강판에 적당량의 도금을 부착시키는 공정이다.
또한, 용융 도금 라인에서는, 도금부의 하류측에 재가열부를 갖는다. 용융 도금 라인은, 재가열부로서, 합금화대(17), 보열대(holding zone:18), 최종 냉각대(19)를 갖는다. 용융 도금 라인에 있어서의 재가열 공정이란, 재가열부에서 실행되는 열처리 공정이다.
가열대(11)는, 강판을 승온시키기 위한 설비이고, 강종에 따라 650∼950℃ 정도의 범위에서 미리 설정된 온도까지 가열한다. 균열대(12)는, 강판을 소정 온도로 유지하는 설비이다. 냉각대(13)는, 아연 도금을 행하는 데에 적합한 온도로서 450℃ 정도까지 냉각하는 설비이다.
스나우트(14)는, 내부에 수소, 질소, 수증기를 포함하는 혼합 가스가 공급되고, 강판이 아연 도금조(15)에 침지될 때까지의 분위기 가스를 조정한다. 아연 도금조(15)는, 내부에 싱크롤을 갖고, 스나우트(14)를 통과한 강판을 하방을 향하여 침지하고, 표면에 용융 아연이 부착된 강판을 도금욕의 상방으로 인상한다. 와이핑 장치(16)는, 강판의 양측에 배치된 노즐로부터 와이핑 가스를 분사하고, 강판의 표면에 부착된 잉여의 용융 아연을 긁어내어, 용융 아연의 부착량(단위 면적당의 양)을 조절한다.
합금화대(17)는, 와이핑 장치(16)를 통과한 강판을, Zn-Fe 합금화 반응이 진행되는 온도(통상, 500℃ 정도)까지 승온한다. 보열대(18)는, 합금화 반응의 진행에 필요한 시간을 확보하기 위해, 강판의 온도를 유지한다. 최종 냉각대(19)는, 합금화 처리를 행한 강판을 실온 부근까지 최종 냉각한다.
이와 같이, 재료 특성값 예측 시스템(100)은, 예를 들면 열간 압연 공정, 냉간 압연 공정 및 어닐링 공정을 포함하는 금속판의 제조 설비를 구비하여 구성될 수 있다. 또한, 재료 특성값 예측 시스템(100)은, 예를 들면 어닐링 공정, 도금 공정 및 재가열 공정을 포함하는 금속판의 제조 설비를 구비하여 구성될 수 있다.
(정보 처리 장치의 구성)
도 3은 정보 처리 장치(10)의 블록도를 나타낸다. 정보 처리 장치(10)는, 제어부(110)와, 기억부(120)와, 통신부(130)와, 입력부(140)와, 출력부(150)를 구비한다. 정보 처리 장치(10)는, 제조물의 소망하는 재료 특성값에 기초하여 필요한 제조 조건을 산출하고, 각 제조 장치에 대하여 제조 조건 인자를 설정한다. 재료 특성값은, 제조물의 강도 및 외력 등으로의 저항성 등의 물리적 특성을 나타내는 값이다. 재료 특성값의 일 예로서 인장 강도를 들 수 있다. 또한, 제조 조건 인자는, 제조물을 제조하는 공정에서 조정 가능한 파라미터(제조 파라미터(manufacturing parameter))이다. 제조 조건 인자의 일 예로서 압연율을 들 수 있다.
본 실시 형태에 있어서, 정보 처리 장치(10)는, 기계 학습에 의해 생성된 기계 학습 모델과 금속학 모델을 포함하는 예측 모델(122)을 생성한다. 정보 처리 장치(10)는, 예측 모델(122)을 이용하여 재료 특성값을 예측하는 재료 특성값 예측 장치로서 기능한다. 또한, 정보 처리 장치(10)는, 예측한 재료 특성값에 기초하여, 후의 공정의 제조 조건 인자를 수정할 수 있다. 예측 모델(122)의 상세 및 재료 특성값의 예측의 흐름에 대해서는 후술한다.
제어부(110)에는, 적어도 1개의 프로세서, 적어도 1개의 전용 회로 또는 이들의 조합이 포함된다. 프로세서는, CPU(central processing unit) 등의 범용 프로세서 또는 특정의 처리에 특화된 전용 프로세서이다. 전용 회로는, 예를 들면, FPGA(field-programmable gate array) 또는 ASIC(application specific integrated circuit)이다. 제어부(110)는, 정보 처리 장치(10)의 각 부를 제어하면서, 정보 처리 장치(10)의 동작에 관련된 처리를 실행한다.
본 실시 형태에 있어서, 제어부(110)는 재료 특성값 예측부(111)를 구비한다. 재료 특성값 예측부(111)는, 금속판을 제조하는 설비에 있어서의 설비 출력 인자, 외란 인자 및 제조 중의 금속판의 성분값을 포함하는 입력 데이터를 취득하고, 입력 데이터를 입력하는 예측 모델(122)을 이용하여, 제조되는 금속판의 재료 특성값을 예측한다.
기억부(120)에는, 적어도 1개의 반도체 메모리, 적어도 1개의 자기 메모리, 적어도 1개의 광 메모리 또는 이들 중 적어도 2종류의 조합이 포함된다. 반도체 메모리는, 예를 들면 RAM(random access memory) 또는 ROM(read only memory)이다. RAM은, 예를 들면 SRAM(static random access memory) 또는 DRAM(dynamic random access memory)이다. ROM은, 예를 들면 EEPROM(electrically erasable programmable read only memory)이다. 기억부(120)는, 예를 들면, 주기억 장치, 보조 기억 장치 또는 캐시 메모리로서 기능한다. 기억부(120)에는, 정보 처리 장치(10)의 동작에 이용되는 데이터와, 정보 처리 장치(10)의 동작에 의해 얻어진 데이터가 기억된다. 예를 들면 기억부(120)는 실적 데이터베이스(121) 및 예측 모델(122)을 기억한다. 실적 데이터베이스(121)는 제조 설비 및 그를 이용한 조업에 관한 여러 가지의 측정값 및 설정값을 기억한다. 실적 데이터베이스(121)에 기억되는 측정값 및 설정값은, 정보 처리 장치(10)가 예측 모델(122)을 생성하기 위한 학습 데이터로서 이용되는 것을 포함한다.
통신부(130)에는, 적어도 1개의 통신용 인터페이스가 포함된다. 통신용 인터페이스는, 예를 들면 LAN 인터페이스, WAN 인터페이스, LTE(Long Term Evolution), 4G(4th generation) 또는 5G(5th generation) 등의 이동 통신 규격에 대응한 인터페이스 또는 Bluetooth(등록상표) 등의 근거리 무선 통신에 대응한 인터페이스이다. 통신부(130)는, 정보 처리 장치(10)의 동작에 이용되는 데이터를 수신한다. 또한, 통신부(130)는, 정보 처리 장치(10)의 동작에 의해 얻어지는 데이터를 송신한다.
입력부(140)에는, 적어도 1개의 입력용 인터페이스가 포함된다. 입력용 인터페이스는, 예를 들면 물리 키, 정전 용량 키, 포인팅 디바이스, 디스플레이와 일체적으로 형성된 터치 스크린 또는 마이크이다. 입력부(140)는, 정보 처리 장치(10)의 동작에 이용되는 데이터를 입력하는 조작을 접수한다. 입력부(140)는, 정보 처리 장치(10)에 구비되는 대신에, 외부의 입력 기기로서 정보 처리 장치(10)에 접속되면 좋다. 접속 방식으로서는, 예를 들면 USB(Universal Serial Bus), HDMI(등록상표)(High-Definition Multimedia Interface) 또는 Bluetooth(등록상표) 등의 임의의 방식을 이용할 수 있다.
출력부(150)에는, 적어도 1개의 출력용 인터페이스가 포함된다. 출력용 인터페이스는, 예를 들면, 디스플레이 또는 스피커이다. 디스플레이는, 예를 들면, LCD(liquid crystal display) 또는 유기 EL(electro luminescence) 디스플레이이다. 출력부(150)는, 정보 처리 장치(10)의 동작에 의해 얻어지는 데이터를 출력한다. 출력부(150)는, 정보 처리 장치(10)에 구비되는 대신에, 외부의 출력 기기로서 정보 처리 장치(10)에 접속되면 좋다. 접속 방식으로서는, 예를 들면, USB, HDMI(등록상표) 또는 Bluetooth(등록상표) 등의 임의의 방식을 이용할 수 있다.
정보 처리 장치(10)의 기능은, 본 실시 형태에서 행해지는 정보 처리의 프로그램을, 제어부(110)에 상당하는 프로세서로 실행함으로써 실현된다. 즉, 정보 처리 장치(10)의 기능은, 소프트웨어에 의해 실현된다. 프로그램은, 정보 처리 장치(10)의 동작을 컴퓨터에 실행시킴으로써, 컴퓨터를 정보 처리 장치(10)로서 기능시킨다.
여기에서, 정보 처리 장치(10)의 일부 또는 모든 기능이, 제어부(110)에 상당하는 전용 회로에 의해 실현되면 좋다. 즉, 정보 처리 장치(10)의 일부 또는 모든 기능이, 하드웨어에 의해 실현되면 좋다.
(예측 모델)
도 4는, 예측 모델(122)을 이용한 재료 특성값의 예측의 흐름을 나타내는 도면이다. 본 개시자가 예측 모델(122)에 관하여 예의 검토를 거듭한 결과, 금속학 파라미터를 실조업 파라미터로 변환한, 금속학과 조업 실적의 하이브리드 파라미터를 이용함으로써, 재료 특성값의 예측 정밀도를 향상할 수 있는 것을 알 수 있었다.
정보 처리 장치(10)가 재료 특성값을 예측하기 위해 이용하는 예측 모델(122)은, 기계 학습 모델과 금속학 모델을 포함하여 구성된다. 본 실시 형태에 있어서, 기계 학습 모델은, 설비 출력 인자, 외란 인자 및 제조 중의 금속판의 성분값을 포함하는 입력 데이터를 입력하여, 제조 조건 인자를 출력한다. 제조 조건 인자는, 상기와 같이, 제조물을 제조하는 공정에서 조정 가능한 파라미터이다. 본 실시 형태에 있어서, 제조 조건 인자는, 금속판의 제조 공정의 일부의 공정의 제조 조건을 나타내고, 어느 공정을 대상으로 하는가에 따라 내용이 상이하다. 제조 조건 인자의 구체예에 대해서는 후술한다. 기계 학습 모델은, 기계 학습에 의해 생성되고, 예를 들면 외란 인자를 포함하는 학습 데이터를 이용함으로써, 제조 조건 인자에 대한 외란 인자의 영향을 반영할 수 있다. 기계 학습 모델은, 금속판을 제조하는 제조 설비의 조업에 관한 실조업 파라미터, 조업 실적의 파라미터 및 제조 조건 인자의 관계를 정밀도 좋게 나타낼 수 있다.
또한, 본 실시 형태에 있어서, 금속학 모델은, 제조 조건 인자를 입력하여 재료 특성값을 출력한다. 재료 특성값은, 인장 강도, 항복 강도, 신장(elongation), 구멍 확장률, 굽힘성, r값, 경도, 피로 특성, 충격값, 지연 파괴값(delayed fracture value), 마모값, 화성 처리성(chemical convertibility), 고온 특성, 저온 인성, 내식성, 자기(magnetic) 특성 및 표면 성상 중 적어도 1개를 포함하면 좋다. 금속학 모델은, 금속의 물리 화학 현상에 기초하는 예측식이다. 여기에서, 금속학 모델은, 복수의 모델로 구성되면 좋다. 예를 들면, 금속학 모델은, 제조 조건 인자를 입력하여 금속학 현상 인자를 출력하는 제1 금속학 모델과, 그 금속학 현상 인자를 입력하여 재료 특성값을 출력하는 제2 금속학 모델을 포함하면 좋다. 금속학 현상 인자는, 체적 분율, 표면 성상, 석출물 치수, 석출물 밀도, 석출물 형상, 석출물 분산 상태, 재결정률(recrystallization ratio), 상 분율(phase fraction), 결정립 형상, 집합 조직, 잔류 응력, 전위 밀도 및 결정 입경 중 적어도 1개를 포함하면 좋다. 금속학 현상을 실측할 수 있는 경우는, 금속학 현상 인자 실측값을 이용하면 좋다. 금속학 현상을 측정하는 방법으로서는, 예를 들면 인 라인 X선 측정기, 초음파 탐상 측정기, 자기 측정기 등을 들 수 있다.
금속학 모델은, 물리 화학 현상의 이론식에 기초하여, 금속학 현상을 고정밀도로 나타낸다. 금속학 모델은, 추가로 제조 장치의 조업 실적에 기초하는 경험칙을 반영하는 것이면 좋다. 금속학 모델은, 금속학 파라미터, 제조 조건 인자 및 재료 특성값의 관계를 정밀도 좋게 나타낼 수 있다. 또한, 금속학 모델은, 기계 학습에 의하지 않고 생성되는 것이고, 학습 데이터의 수의 다소에 따라 정밀도가 변화하는 것은 아니다. 따라서, 과거의 제조 실적이 적거나 또는 없을 때라도, 금속학 모델을 이용하여 역해석을 행함으로써, 제조 조건 인자의 조정을 정확하게 행하는 것이 가능하다. 역해석에서는, 예를 들면, 제조 조건 인자를 입력값으로서 구축한 금속학 모델에 의한 재료 특성값의 예측 모델에, 모델의 적용 범위에서 랜덤으로 입력값을 부여하고, 재료 특성값을 추정하여 목표의 재료 특성값에 가까운 입력값을 최적의 제조 조건 인자로 한다.
도 5는, 예측 모델(122)을 이용한 열연 강판의 인장 강도의 예측의 흐름을 나타내는 도면이다. 예를 들면, 제강 공정에서 제조된 슬래브를 열간 압연 공정, 냉간 압연 공정 및 어닐링 공정에서 처리하여 최종적으로 강판을 제조하는 과정의 도중에, 도 5에 나타나는 인장 강도의 예측이 실행된다.
재료 특성값 예측 시스템(100)의 정보 처리 장치(10)는, 슬래브의 성분이 설정 범위로부터 벗어나 있다고 판정한 경우에, 그 후의 열간 압연 공정에 있어서의 설비 출력 인자, 외란 인자 및 열연 강판의 성분값을 포함하는 입력 데이터를 취득한다. 설비 출력 인자는, 예를 들면 열간 압연 공정에 있어서의 가열로(heating furnace) 히터 출력, 가열로 연속 출력 시간, 반송 롤 회전수, 바 히터(bar heater) 출력값, 압연 하중, 상하 롤 압연 하중차, 스탠드간 스프레이 압력(interstand spray pressure), 런아웃 테이블 냉각수량(run-out table coolant volume) 및 런아웃 테이블 냉각수압의 적어도 1개를 포함한다. 외란 인자는, 예를 들면 열간 압연 공정에 있어서의 냉각 수온 및 기온의 적어도 1개를 포함한다. 성분값은, 예를 들면 열연 강판에 대해서 측정된 C, Si, Mn, P, S, Al, N, O, Ca, Ni, B, Ti, Nb, Mo, Cr, Sn, W 및 Ta의 적어도 1개의 값을 포함한다. 여기에서, 외란 인자는, 예를 들면, 열연 공정에서의 냉각 수온, 기온, 추가로 각 공정을 통과할 때의 예상되는 기온 등이 이용되면 좋다. 또한, 성분값은, 제강 공정의 값이 사용되면 좋다.
정보 처리 장치(10)는, 기계 학습 모델에 입력 데이터를 입력하여, 제조 조건 인자를 얻는다. 도 5의 예에 있어서, 기계 학습 모델은 열간 압연 공정에 있어서 설정 가능한 제조 조건 인자를 출력한다. 제조 조건 인자는, 예를 들면 열간 압연 공정에 있어서의 조압연율, 마무리 압연율, 압연 입측 온도, 압연 출측 온도, 냉각 개시 시간, 냉각 속도, 라인 속도 및 권취 온도 중 적어도 1개를 포함한다.
정보 처리 장치(10)는, 금속학 모델에 제조 조건 인자를 입력하여, 예측값인 강판의 인장 강도를 얻는다. 도 5의 예에 있어서, 금속학 모델은, 제조 조건 인자를 입력하여 금속학 현상 인자를 출력하는 제1 금속학 모델과, 금속학 현상 인자를 입력하여 재료 특성값을 출력하는 제2 금속학 모델을 포함한다. 제1 금속학 모델은, 예를 들면 Zener-Hollomon칙(law)을 베이스로 한 모델이다. 제2 금속학 모델은, 예를 들면 Hall-Petch칙을 베이스로 한 모델이다.
Zener-Hollomon칙이란, 금속이 고온에서 가공되었을 때의 금속 조직의 재결정을 추정하는 경험칙이다. 본 개시에서는, 입력값에 제조 실적값을 이용한 Zener-Hollomon칙을 베이스로 한 개량 모델에 의해 금속학 현상 인자, 예를 들면 결정 입경을 출력한다.
Hall-Petch칙이란, 금속 조직의 결정 입경으로부터 재료 강도를 추정하는 경험칙이다. 본 개시에서는, 입력값에 제조 실적값을 이용한 Hall-Petch칙을 베이스로 한 개량 모델에 의해 금속 조직의 결정 입경으로부터 인장 강도를 출력한다.
기계 학습 모델 및 금속학 모델을 포함하는 예측 모델(122)은, 금속판의 제조 설비의 공정에 맞추어 생성된다. 도 5는, 열간 압연 공정에 있어서의 예측 모델(122)의 예이다. 예를 들면 냉간 압연 공정 및 어닐링 공정에 대해서, 각각 상이한 예측 모델(122)이 준비된다.
열간 압연 공정의 후의 냉간 압연 공정에 있어서의 예측 모델(122)은, 예를 들면 열간 압연 공정이 실행되어 열연 강판의 압연 조건이 설정 범위로부터 벗어나 있다고 판정된 경우에, 재료 특성값의 예측에 이용된다. 이 때, 정보 처리 장치(10)는 냉간 압연 공정에 있어서의 입력 데이터를 취득한다. 기계 학습 모델에 입력되는 설비 출력 인자는, 예를 들면 냉간 압연 공정에 있어서의 압연 하중, 상하 롤 압연 하중차, 롤 지름, 롤 회전수 및 윤활 조건의 적어도 1개를 포함한다. 또한, 기계 학습 모델이 출력하는 제조 조건 인자는, 예를 들면 냉간 압연 공정에 있어서의 압연율, 냉압률 및 마찰 계수 중 적어도 1개를 포함한다.
또한, 냉간 압연 공정의 후의 어닐링 공정에 있어서의 예측 모델(122)은, 예를 들면 냉간 압연 공정이 실행되어 냉연 강판의 압연 조건이 설정 범위로부터 벗어나 있다고 판정된 경우에, 재료 특성값의 예측에 이용된다. 이 때, 정보 처리 장치(10)는 어닐링 공정에 있어서의 입력 데이터를 취득한다. 기계 학습 모델에 입력되는 설비 출력 인자는, 예를 들면 어닐링 공정에 있어서의 어닐링로 출력값, 냉각 가스 분사량, 가스종의 분율 및 합금화로 출력값 중 적어도 1개를 포함한다. 또한, 기계 학습 모델이 출력하는 제조 조건 인자는, 예를 들면 어닐링 공정에 있어서의 라인 속도, 어닐링 온도, 어닐링 시간, 승온 속도, 냉각 온도, 냉각 시간, 냉각 속도, 재가열 온도, 재가열 속도 및 재가열 시간 중 적어도 1개를 포함한다.
또한, 예를 들면 제강 공정에서 제조된 슬래브를 열간 압연 공정, 냉간 압연 공정, 어닐링 공정, 도금 공정 및 재가열 공정에서 처리하여 최종적으로 도금 강판을 제조하는 과정의 도중에도, 인장 강도의 예측이 실행될 수 있다.
예측 모델(122)은, 예를 들면 슬래브의 성분이 설정 범위로부터 벗어나 있다고 판정된 경우에, 도금 강판의 재료 특성값의 예측에 이용된다. 이 때, 정보 처리 장치(10)는 제강 공정보다도 후의 공정, 즉 어닐링 공정, 도금 공정 및 재가열 공정에 있어서의 입력 데이터를 취득한다. 기계 학습 모델에 입력되는 설비 출력 인자는, 예를 들면 어닐링로 출력값, 냉각 가스 분사량, 가스종의 분율 및 합금화로 출력값의 적어도 1개를 포함한다. 또한, 기계 학습 모델이 출력하는 제조 조건 인자는, 예를 들면 라인 속도, 어닐링 온도, 어닐링 시간, 승온 속도, 냉각 온도, 냉각 시간, 냉각 속도, 재가열 온도, 재가열 속도, 재가열 시간, 합금화 온도, 합금화 시간 및 노점 중 적어도 1개를 포함한다. 이 예에 있어서, 입력 데이터는, 제강 공정의 후의 복수의 공정의 설비 출력 인자, 즉 어닐링 공정의 설비 출력 인자, 도금 공정의 설비 출력 인자 및 재가열 공정의 설비 출력 인자를 포함한다. 또한, 기계 학습 모델의 출력은, 제강 공정의 후의 복수의 공정의 제조 조건 인자, 즉 어닐링 공정의 제조 조건 인자, 도금 공정의 제조 조건 인자 및 재가열 공정의 제조 조건 인자를 포함한다. 기계 학습 모델은, 후의 공정에 관한 입력 데이터로부터 후의 공정에 관한 제조 조건 인자를 출력하지만, 후의 공정이 1개의 공정이면 좋고, 이 예와 같이 복수의 공정이면 좋다.
(기계 학습 모델의 생성)
정보 처리 장치(10)는, 상기의 예측을 실행하기 전에, 실적 데이터베이스(121)로부터 학습 데이터를 취득하고, 학습 데이터를 이용하여 기계 학습 모델을 생성한다. 학습 데이터는, 기계 학습 모델이 이용되는 금속판의 제조 방법의 공정에 따라서 선택된다. 예를 들면 열간 압연 공정을 대상으로 하는 기계 학습 모델을 생성하기 위한 학습 데이터는, 입력으로서, 가열로 히터 출력, 가열로 연속 출력 시간, 반송 롤 회전수, 바 히터 출력값, 압연 하중, 상하 롤 압연 하중차, 스탠드간 스프레이 압력, 런아웃 테이블 냉각수량 및 런아웃 테이블 냉각수압을 포함하고, 출력으로서, 조압연율, 마무리 압연율, 압연 입측 온도, 압연 출측 온도, 압연 패스간 온도, 냉각 개시 시간, 냉각 온도, 냉각 속도, 라인 속도 및 권취 온도를 포함하는 것이 선택되면 좋다. 예를 들면 냉간 압연 공정을 대상으로 하는 기계 학습 모델을 생성하기 위한 학습 데이터는, 입력으로서 압연 하중, 상하 롤 압연 하중차, 롤 지름, 롤 회전수 및 윤활 조건을 포함하고, 출력으로서 압연율, 냉압률 및 마찰 계수를 포함하는 것이 선택되면 좋다. 예를 들면 냉연 강판의 제조 공정을 대상으로 하는 기계 학습 모델을 생성하기 위한 학습 데이터는, 입력으로서, 어닐링로 출력값 및 냉각 가스 분사량을 포함하고, 출력으로서, 라인 속도, 어닐링 온도, 어닐링 시간, 승온 속도, 냉각 온도, 냉각 시간, 냉각 속도, 재가열 온도, 재가열 속도 및 재가열 시간을 포함하는 것이 선택되면 좋다. 예를 들면 도금 강판의 제조 공정을 대상으로 하는 기계 학습 모델을 생성하기 위한 학습 데이터는, 입력으로서 어닐링로 출력값, 냉각 가스 분사량, 가스종의 분율 및 합금화로 출력값을 포함하고, 출력으로서 라인 속도, 어닐링 온도, 어닐링 시간, 승온 속도, 냉각 온도, 냉각 시간, 냉각 속도, 재가열 온도, 재가열 속도, 재가열 시간, 합금화 온도, 합금화 시간 및 노점을 포함하는 것이 선택되면 좋다.
여기에서, 모든 학습 데이터는, 입력으로서 적어도 1개의 외란 인자를 포함한다. 그 때문에, 기계 학습 모델은, 제조물의 재료 특성값에 영향을 미치는 외란을 고려한 것이 된다. 또한, 모든 학습 데이터의 입력은 적어도 1개의 성분값을 포함한다. 이러한 학습 데이터를 이용하여 기계 학습 모델을 생성하는 수법은, 예를 들면 뉴럴 네트워크이면 좋지만, 이에 한정되지 않는다. 다른 예로서, 결정목(decision trees) 또는 랜덤 포레스트(random forests) 등의 수법에 의해 기계 학습 모델이 생성되면 좋다.
(금속판의 제조 방법)
금속판의 제조 방법은, 상기의 재료 특성값 예측 시스템(100)을 이용하여, 금속판의 재료 특성값을 예측하는 공정을 포함하여 실행될 수 있다. 도 6은, 금속판의 제조에 있어서 실행되는 재료 특성값의 예측에 관한 처리를 나타내는 플로우차트이다.
재료 특성값 예측 시스템(100)은, 실행된 금속판의 제조 공정이 검증 대상 공정이 아니면 대기하고(스텝 S1의 No), 검증 대상 공정이면 스텝 S2의 처리로 진행된다(스텝 S1의 Yes). 여기에서, 검증 대상 공정은, 금속판의 제조 공정으로부터 선택되는 일부의 공정으로서, 스텝 S2의 판정을 실행하는 공정이다. 예를 들면, 금속판의 제조 공정이 제강 공정, 열간 압연 공정, 제1 산 세정 공정, 냉간 압연 공정, 어닐링 공정, 제2 산 세정 공정, 스킨 패스 공정, 검사 공정 및 출하 공정으로 구성되는 경우에, 검증 대상 공정은, 제강 공정, 열간 압연 공정, 냉간 압연 공정 및 어닐링 공정이면 좋다. 검증 대상 공정은, 이와 같이 복수이면 좋고, 1개이면 좋다. 또한, 검증 대상 공정은, 복수의 제조 조건 인자를 갖는 것, 즉 복수의 파라미터로 제조 조건을 조정 가능한 것을 조건으로 선택되면 좋다.
재료 특성값 예측 시스템(100)은, 검증 대상 공정에 관한 파라미터가 설정 범위를 벗어나 있지 않으면 스텝 S1의 처리로 되돌아오고(스텝 S2의 No), 파라미터가 설정 범위를 벗어나 있으면 스텝 S3의 처리로 진행된다(스텝 S2의 Yes). 여기에서, 검증 대상 공정에 관한 파라미터는, 최종적인 제조물의 재료 특성값이 목표(소망하는 재료 특성값)의 범위로부터 벗어나는 것을 예측시킬 수 있는, 제조 도중의 제조물의 측정값 또는 제조 설비의 측정값이다. 예를 들면, 검증 대상 공정인 제강 공정이 실행된 경우에, 파라미터는 슬래브의 C의 성분의 측정값이면 좋다. 그리고, 슬래브의 C의 성분의 측정값이, 통상의 기준값으로부터 오차의 범위를 크게 초과하여 벗어나 있는 경우에, 재료 특성값 예측 시스템(100)은 스텝 S3의 처리로 진행되면 좋다.
재료 특성값 예측 시스템(100)은, 상기와 같이, 예측 모델(122)을 이용하여 재료 특성값을 예측한다(스텝 S3). 여기에서, 재료 특성값 예측 시스템(100)은, 제조 도중의 제조물에 이상이 있다고 판정하는 경우에만 재료 특성값을 예측한다. 환언하면, 제조 조건에 문제가 없다고 판정되는 경우에는, 재료 특성값의 예측 연산을 실행하지 않고, 후술하는 제조 조건의 수정도 행하지 않는다. 그 때문에, 효율적으로 금속판의 제조를 진행시킬 수 있다.
재료 특성값 예측 시스템(100)은, 예측된 재료 특성값과 소망하는 재료 특성값에 기초하여, 금속학 모델을 이용하여, 후의 공정의 제조 조건 인자를 산출한다(스텝 S4). 재료 특성값 예측 시스템(100)은, 금속학 모델을 이용하여 역해석을 행하여, 예를 들면 예측된 재료 특성값과 소망하는 재료 특성값의 차이를 작게 하기 위한 제조 조건 인자의 수정값을 산출한다. 예를 들면, 제강 공정이 실행되어 슬래브의 성분이 설정 범위를 벗어난 경우에, 재료 특성값 예측 시스템(100)은, 그 후의 공정인 열간 압연 공정에 있어서의 예측 모델(122)을 이용하여, 최종적인 제조물의 재료 특성값을 예측하면 좋다. 그리고, 재료 특성값 예측 시스템(100)은, 예측된 재료 특성값을 제조 당초의 목표값에 근접시키기 위해, 금속학 모델을 역해석하여 열간 압연 공정의 제조 조건 인자의 수정값을 산출하면 좋다.
재료 특성값 예측 시스템(100)은, 스텝 S4에서 산출한 값에 기초하여, 후의 공정의 제조 조건을 수정한다(스텝 S5). 그 후, 재료 특성값 예측 시스템(100)은 스텝 S1의 처리로 되돌아와, 다음의 검증 대상 공정에서 동일한 처리를 실행한다. 예를 들면 상기와 같이 열간 압연 공정의 제조 조건이 수정되어, 검증 대상 공정인 열간 압연 공정이 실행된 경우에, 일련의 처리가 실행되면 좋다. 수정된 제조 조건에서도 열연 강판의 성분이 설정 범위를 벗어나 있는 경우에, 재료 특성값 예측 시스템(100)은, 그 후의 공정인 냉간 압연 공정에 있어서의 예측 모델(122)을 이용하여, 최종적인 제조물의 재료 특성값을 예측하면 좋다. 그리고, 재료 특성값 예측 시스템(100)은, 예측된 재료 특성값을 제조 당초의 목표값에 근접시키기 위해, 금속학 모델을 역해석하여 냉간 압연 공정의 제조 조건 인자의 수정값을 산출하면 좋다. 재료 특성값 예측 시스템(100)은, 수정값에 기초하여 냉간 압연 공정의 제조 조건을 수정하면 좋다.
이상과 같이, 본 실시 형태에 따른 재료 특성값 예측 시스템(100)은, 상기의 구성에 의해, 최종적인 제조물의 재료 특성값에 크게 영향을 미치는 외란을 고려한 예측 모델(122)을 이용하여, 재료 특성값을 고정밀도로 예측할 수 있다. 또한, 본 실시 형태에 따른 금속판의 제조 방법은, 재료 특성값 예측 시스템(100)이 예측한 재료 특성값에 기초하여 후의 공정의 제조 조건을 적절히 변경함으로써, 제품의 수율을 향상시키는 것이 가능하다.
본 개시를 도면 및 실시예에 기초하여 설명해 왔지만, 통상의 기술자이면 본 개시에 기초하여 여러 가지의 변형 및 수정을 행하는 것이 용이한 것에 주의하기 바란다. 따라서, 이들 변형 및 수정은 본 개시의 범위에 포함되는 것에 유의하기 바란다. 예를 들면, 각 수단, 각 스텝 등에 포함되는 기능 등은 논리적으로 모순되지 않도록 재배치 가능하고, 복수의 수단 및 스텝 등을 1개로 조합하거나, 혹은 분할하거나 하는 것이 가능하다.
여기에서, 재료 특성값 예측 시스템(100)을 이용하여 제조되는 금속판은, 특정의 분야에서 사용되는 것에 한정되지 않는다. 즉, 재료 특성값 예측 시스템(100)을 이용하여 제조되는 금속판은, 자동차, 건설 기계, 전철, 열차 등의 수송 기기, 의료, 식료 및 가전 등 폭넓게 사용되는 것이다.
또한, 상기의 실시 형태에 있어서, 기온 및 냉각수 등의 수온의 예기할 수 없는 변화를 외란으로서 예시했지만, 외란은 이들에 한정되지 않는다.
1 : 전로
2 : 연속 주조기
3 : 가열로
4 : 스케일 브레이커
5 : 조압연기
6 : 마무리 압연기
7 : 냉각 장치
8 : 권취 장치
9 : 강대
10 : 정보 처리 장치
11 : 가열대
12 : 균열대
13 : 냉각대
14 : 스나우트
15 : 아연 도금조
16 : 와이핑 장치
17 : 합금화대
18 : 보열대
19 : 최종 냉각대
100 : 재료 특성값 예측 시스템
110 : 제어부
111 : 재료 특성값 예측부
120 : 기억부
121 : 실적 데이터베이스
122 : 예측 모델
130 : 통신부
140 : 입력부
150 : 출력부

Claims (14)

  1. 금속판을 제조하는 설비에 있어서의 설비 출력 인자, 외란 인자 및 제조 중의 상기 금속판의 성분값을 포함하는 입력 데이터를 취득하고, 상기 입력 데이터를 입력하는 예측 모델을 이용하여, 제조되는 상기 금속판의 재료 특성값을 예측하는, 재료 특성값 예측부를 구비하고,
    상기 예측 모델은,
    상기 입력 데이터를 입력하여 제조 조건 인자를 출력하는, 기계 학습에 의해 생성된 기계 학습 모델과,
    상기 제조 조건 인자를 입력하여 상기 재료 특성값을 출력하는 금속학 모델을 포함하는, 재료 특성값 예측 시스템.
  2. 제1항에 있어서,
    상기 금속학 모델은 금속의 물리 화학 현상에 기초하는 예측식인, 재료 특성값 예측 시스템.
  3. 제1항 또는 제2항에 있어서,
    상기 금속학 모델은, 상기 제조 조건 인자를 입력하여 금속학 현상 인자를 출력하는 제1 금속학 모델과, 상기 금속학 현상 인자를 입력하여 상기 재료 특성값을 출력하는 제2 금속학 모델을 포함하고,
    상기 금속학 현상 인자는, 체적 분율, 표면 성상, 석출물 치수, 석출물 밀도, 석출물 형상, 석출물 분산 상태, 재결정률, 상 분율, 결정립 형상, 집합 조직, 잔류 응력, 전위 밀도 및 결정 입경 중 적어도 1개를 포함하는, 재료 특성값 예측 시스템.
  4. 제1항 내지 제3항 중 어느 한 항에 있어서,
    상기 재료 특성값은, 인장 강도, 항복 강도, 신장, 구멍 확장률, 굽힘성, r값, 경도, 피로 특성, 충격값, 지연 파괴값, 마모값, 화성 처리성, 고온 특성, 저온 인성, 내식성, 자기 특성 및 표면 성상 중 적어도 1개를 포함하는, 재료 특성값 예측 시스템.
  5. 제1항 내지 제4항 중 어느 한 항에 있어서,
    상기 금속판은 철강인, 재료 특성값 예측 시스템.
  6. 열간 압연 공정, 냉간 압연 공정 및 어닐링 공정을 포함하는 금속판의 제조 방법으로서,
    제1항 내지 제5항 중 어느 한 항에 기재된 재료 특성값 예측 시스템을 이용하여, 상기 열간 압연 공정에 있어서의 상기 입력 데이터를 취득하고, 상기 금속판의 재료 특성값을 예측하는 공정을 구비하고,
    상기 제조 조건 인자는, 조압연율, 마무리 압연율, 압연 입측 온도, 압연 출측 온도, 압연 패스간 온도, 냉각 개시 시간, 냉각 온도, 냉각 속도, 라인 속도 및 권취 온도 중 적어도 1개를 포함하는, 금속판의 제조 방법.
  7. 제6항에 있어서,
    상기 설비 출력 인자는, 가열로 히터 출력, 가열로 연속 출력 시간, 반송 롤 회전수, 바 히터 출력값, 압연 하중, 상하 롤 압연 하중차, 스탠드간 스프레이 압력, 런아웃 테이블 냉각수량 및 런아웃 테이블 냉각수압 중 적어도 1개를 포함하는, 금속판의 제조 방법.
  8. 열간 압연 공정, 냉간 압연 공정 및 어닐링 공정을 포함하는 금속판의 제조 방법으로서,
    제1항 내지 제5항 중 어느 한 항에 기재된 재료 특성값 예측 시스템을 이용하여, 상기 냉간 압연 공정에 있어서의 상기 입력 데이터를 취득하고, 상기 금속판의 재료 특성값을 예측하는 공정을 구비하고,
    상기 제조 조건 인자는, 압연율, 냉압률 및 마찰 계수 중 적어도 1개를 포함하는, 금속판의 제조 방법.
  9. 제8항에 있어서,
    상기 설비 출력 인자는, 압연 하중, 상하 롤 압연 하중차, 롤 지름, 롤 회전수 및 윤활 조건 중 적어도 1개를 포함하는, 금속판의 제조 방법.
  10. 열간 압연 공정, 냉간 압연 공정 및 어닐링 공정을 포함하는 금속판의 제조 방법으로서,
    제1항 내지 제5항 중 어느 한 항에 기재된 재료 특성값 예측 시스템을 이용하여, 상기 어닐링 공정에 있어서의 상기 입력 데이터를 취득하고, 상기 금속판의 재료 특성값을 예측하는 공정을 구비하고,
    상기 제조 조건 인자는, 라인 속도, 어닐링 온도, 어닐링 시간, 승온 속도, 냉각 온도, 냉각 시간, 냉각 속도, 재가열 온도, 재가열 속도 및 재가열 시간 중 적어도 1개를 포함하는, 금속판의 제조 방법.
  11. 제10항에 있어서,
    상기 설비 출력 인자는, 어닐링로 출력값, 냉각 가스 분사량, 가스종의 분율 및 합금화로 출력값 중 적어도 1개를 포함하는, 금속판의 제조 방법.
  12. 어닐링 공정, 도금 공정 및 재가열 공정을 포함하는 금속판의 제조 방법으로서,
    제1항 내지 제5항 중 어느 한 항에 기재된 재료 특성값 예측 시스템을 이용하여, 상기 어닐링 공정, 상기 도금 공정 및 상기 재가열 공정에 있어서의 상기 입력 데이터를 취득하고, 상기 금속판의 재료 특성값을 예측하는 공정을 구비하고,
    상기 제조 조건 인자는, 라인 속도, 어닐링 온도, 어닐링 시간, 승온 속도, 냉각 온도, 냉각 시간, 냉각 속도, 재가열 온도, 재가열 속도, 재가열 시간, 합금화 온도, 합금화 시간 및 노점 중 적어도 1개를 포함하는, 금속판의 제조 방법.
  13. 제12항에 있어서,
    상기 설비 출력 인자는, 어닐링로 출력값, 냉각 가스 분사량, 가스종의 분율 및 합금화로 출력값 중 적어도 1개를 포함하는, 금속판의 제조 방법.
  14. 제6항 내지 제13항 중 어느 한 항에 있어서,
    예측된 상기 금속판의 재료 특성값과 소망하는 재료 특성값에 기초하여, 제조 조건을 수정하는 공정을 포함하는, 금속판의 제조 방법.
KR1020237011473A 2020-09-14 2021-08-16 재료 특성값 예측 시스템 및 금속판의 제조 방법 KR20230061513A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2020154166A JP7200982B2 (ja) 2020-09-14 2020-09-14 材料特性値予測システム及び金属板の製造方法
JPJP-P-2020-154166 2020-09-14
PCT/JP2021/029901 WO2022054500A1 (ja) 2020-09-14 2021-08-16 材料特性値予測システム及び金属板の製造方法

Publications (1)

Publication Number Publication Date
KR20230061513A true KR20230061513A (ko) 2023-05-08

Family

ID=80632272

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020237011473A KR20230061513A (ko) 2020-09-14 2021-08-16 재료 특성값 예측 시스템 및 금속판의 제조 방법

Country Status (7)

Country Link
US (1) US20230323503A1 (ko)
EP (1) EP4183495A4 (ko)
JP (1) JP7200982B2 (ko)
KR (1) KR20230061513A (ko)
CN (1) CN116056813A (ko)
MX (1) MX2023002990A (ko)
WO (1) WO2022054500A1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022203248A1 (de) * 2022-04-01 2023-10-05 Sms Group Gmbh Verfahren zum Herstellen eines Metallproduktes
TWI810000B (zh) * 2022-07-29 2023-07-21 中國鋼鐵股份有限公司 用於鋼帶連續退火製程之自動溫控方法及電腦程式產品
CN117724433B (zh) * 2024-02-07 2024-04-19 东北大学 基于多通道分布式深度集成预测的冷轧生产前馈控制方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013084057A (ja) 2011-10-06 2013-05-09 Nippon Steel & Sumitomo Metal 製品品質の管理方法、及び製品品質の管理装置
JP2018010521A (ja) 2016-07-14 2018-01-18 新日鐵住金株式会社 製品の状態予測装置、製品の状態制御装置、製品の状態予測方法及びプログラム
JP2019074969A (ja) 2017-10-17 2019-05-16 新日鐵住金株式会社 品質予測装置及び品質予測方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19806267A1 (de) * 1997-11-10 1999-05-20 Siemens Ag Verfahren und Einrichtung zur Steuerung einer hüttentechnischen Anlage
AT411026B (de) 2001-11-30 2003-09-25 Voest Alpine Ind Anlagen Verfahren zum stranggiessen
JP2005315703A (ja) 2004-04-28 2005-11-10 Nippon Steel Corp 鋼材の材質予測方法
JP5396889B2 (ja) 2009-02-02 2014-01-22 東芝三菱電機産業システム株式会社 圧延製品の特性予測方法
JP6889173B2 (ja) * 2016-09-30 2021-06-18 株式会社Uacj アルミニウム製品の特性予測装置、アルミニウム製品の特性予測方法、制御プログラム、および記録媒体
JP6922675B2 (ja) 2017-11-09 2021-08-18 日本製鉄株式会社 製造プロセスの状態予測装置、方法及びプログラム、並びに製造プロセスの制御システム
JP7056592B2 (ja) * 2019-01-17 2022-04-19 Ｊｆｅスチール株式会社 金属材料の製造仕様決定方法、製造方法、および製造仕様決定装置
JP6617842B1 (ja) 2019-01-17 2019-12-11 Ｊｆｅスチール株式会社 金属材料の設計支援方法及び設計支援装置
WO2020152750A1 (ja) 2019-01-21 2020-07-30 Ｊｆｅスチール株式会社 金属材料の設計支援方法、予測モデルの生成方法、金属材料の製造方法、及び設計支援装置
US11915105B2 (en) * 2019-02-05 2024-02-27 Imagars Llc Machine learning to accelerate alloy design

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013084057A (ja) 2011-10-06 2013-05-09 Nippon Steel & Sumitomo Metal 製品品質の管理方法、及び製品品質の管理装置
JP2018010521A (ja) 2016-07-14 2018-01-18 新日鐵住金株式会社 製品の状態予測装置、製品の状態制御装置、製品の状態予測方法及びプログラム
JP2019074969A (ja) 2017-10-17 2019-05-16 新日鐵住金株式会社 品質予測装置及び品質予測方法

Also Published As

Publication number Publication date
JP2022048038A (ja) 2022-03-25
JP7200982B2 (ja) 2023-01-10
EP4183495A4 (en) 2024-01-24
EP4183495A1 (en) 2023-05-24
CN116056813A (zh) 2023-05-02
WO2022054500A1 (ja) 2022-03-17
MX2023002990A (es) 2023-04-10
US20230323503A1 (en) 2023-10-12

Similar Documents

Publication Publication Date Title
EP4183495A1 (en) System for predicting material characteristic value, and method for producing metal sheet
CN113272079B (zh) 金属材料的制造规格决定方法、制造方法和制造规格决定装置
US20170002440A1 (en) Method for optimally producing metal steel and iron alloys in hot-rolled and thick plate factories using a microstructure simulator, monitor, and/or model
CN102632082B (zh) 基于性能预报模型的热轧带钢力学性能的动态控制方法
KR102545735B1 (ko) 연속 처리 라인을 운영하는 방법
EP3916651A1 (en) Design assistance method for metal material, prediction model generation method, metal material manufacturing method, and design assistance device
US20230321706A1 (en) Steel strip and method of producing same
JP7342812B2 (ja) 鋼帯の材質予測方法、材質制御方法、製造方法および材質予測モデルの生成方法
JP2014133246A (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
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
JP7197037B2 (ja) 金属材料の製造仕様決定方法、製造方法、および製造仕様決定装置
JP2002294351A (ja) 高強度冷延鋼板の製造方法
CN117120639A (zh) 连续退火设备、连续退火方法、冷轧钢板的制造方法和镀覆钢板的制造方法
JP7294242B2 (ja) 表面粗さの予測方法、鋼帯の製造方法および学習済の機械学習モデルの生成方法
WO2022049859A1 (ja) 鋼帯の鋼中水素量予測方法、鋼中水素量制御方法、製造方法、鋼中水素量予測モデルの生成方法及び鋼中水素量予測装置
JP7088244B2 (ja) 鋼帯の鋼中水素量予測方法、鋼中水素量制御方法、製造方法、鋼中水素量予測モデルの生成方法及び鋼中水素量予測装置
Lotter et al. Application of the Metallurgically Oriented Simulation System “TKS‐StripCam” to Predict the Properties of Hot Strip Steels from the Rolling Conditions
Junpradub et al. Mathematical modeling to predict the mechanical properties of hot rolled steel sheets
JP7281958B2 (ja) 特徴予測装置、製造条件最適化装置、特徴予測装置の制御方法、制御プログラム
Wigley Property prediction of continuous annealed steels
JP2022042843A (ja) 鋼帯の鋼中水素量予測方法、鋼中水素量制御方法、製造方法、鋼中水素量予測モデルの生成方法及び鋼中水素量予測装置
Lotter et al. Structure of the metallurgically oriented modelling system TK-StripCam for simulation of hot strip manufacture and application in research and production practice
JP2005133158A (ja) 脱炭層深さ予測方法、脱炭層深さ制御方法及び鋼材の圧延方法