TWI749735B - 收縮產生預測系統 - Google Patents
收縮產生預測系統 Download PDFInfo
- Publication number
- TWI749735B TWI749735B TW109129538A TW109129538A TWI749735B TW I749735 B TWI749735 B TW I749735B TW 109129538 A TW109129538 A TW 109129538A TW 109129538 A TW109129538 A TW 109129538A TW I749735 B TWI749735 B TW I749735B
- Authority
- TW
- Taiwan
- Prior art keywords
- aforementioned
- data
- shrinkage
- prediction
- rolling
- Prior art date
Links
- 230000009467 reduction Effects 0.000 title abstract description 10
- 238000005096 rolling process Methods 0.000 claims abstract description 165
- 230000003044 adaptive effect Effects 0.000 claims abstract description 112
- 239000000463 material Substances 0.000 claims abstract description 82
- 238000010276 construction Methods 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims description 55
- 230000008602 contraction Effects 0.000 claims description 51
- 238000012545 processing Methods 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 25
- 230000006978 adaptation Effects 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000007619 statistical method Methods 0.000 claims description 6
- 238000005452 bending Methods 0.000 claims description 3
- 239000007769 metal material Substances 0.000 claims description 3
- 238000004321 preservation Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 claims description 2
- 238000005098 hot rolling Methods 0.000 claims description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 18
- 238000010586 diagram Methods 0.000 description 17
- 238000013528 artificial neural network Methods 0.000 description 16
- 210000002569 neuron Anatomy 0.000 description 16
- 238000013480 data collection Methods 0.000 description 13
- 230000002159 abnormal effect Effects 0.000 description 12
- 230000008859 change Effects 0.000 description 12
- 241000270295 Serpentes Species 0.000 description 9
- 239000000047 product Substances 0.000 description 8
- 238000012795 verification Methods 0.000 description 7
- 229910000831 Steel Inorganic materials 0.000 description 6
- 239000000470 constituent Substances 0.000 description 6
- 239000010959 steel Substances 0.000 description 6
- 238000013500 data storage Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 238000011144 upstream manufacturing Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 208000032544 Cicatrix Diseases 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 231100000241 scar Toxicity 0.000 description 2
- 230000037387 scars Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005097 cold rolling Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- 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
- B21B37/68—Camber or steering control for strip, sheets or plates, e.g. preventing meandering
-
- 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
- B21B37/58—Roll-force control; Roll-gap control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B1/00—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations
- B21B1/22—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length
- B21B1/24—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length in a continuous or semi-continuous process
- B21B1/26—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length in a continuous or semi-continuous process by hot-rolling, e.g. Steckel hot mill
-
- 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]
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32182—If state of tool, product deviates from standard, adjust system, feedback
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Metal Rolling (AREA)
- General Factory Administration (AREA)
Abstract
本發明的收縮產生預測系統係採集並保存第1資料與第2資料作為適應性模型建構用資料,該第1資料係表示在對象軋延道次中有無收縮的產生及產生部位,該第2資料係含有軋延材在軋延順序比對象軋延道次居前的居前軋延道次軋延時的居前軋延道次的相關資訊與該軋延材的相關屬性。收縮產生預測系統係使用所保存的適應性模型建構資料建構適應性模型,保存建構完成的適應完成模型。收縮產生預測系統係採集含有預測對象的軋延材在軋延順序比對象軋延道次居前的居前軋延道次軋延時的該居前軋延道次的相關資訊與該軋延材的相關屬性之預測用資料。接著,收縮產生預測系統係將預測用資料輸入至適應完成模型,藉此,在預測對象的軋延材到達對象軋延道次之前,預測在對象軋延道次中有無收縮的產生及產生部位的全部或一部分。
Description
本發明係有關在將板狀的金屬材料加熱至高溫且以複數個軋延道次(pass)進行軋延的熱間軋延中,於事發前預測軋延材產生收縮之系統(system)。
軋延機係對鋼鐵材料和鋁、銅等非鐵材料的塊體進行軋延而使其薄化,藉此容易將其加工成汽車、電機製品。軋延機係有對板材進行軋延的熱間薄板軋延機、厚板軋延機、冷間軋延機、對棒線材進行軋延的軋延機等各種類型。其中,容易產生收縮的乃係批次(batch)地以高速將軋延材逐一軋延的熱間薄板軋延機。
圖12係顯示習知技術的熱間薄板軋延製程(process)的軋延機的構成的一例之圖。圖12所示的軋延機20係由加熱爐21、粗軋機22、粗軋材加熱器(bar heater)24、精軋機25、輸出台(runout table)26、盤捲機27等各種裝置所組成。經加熱爐21加熱的軋延材100係藉由粗軋機22進行軋延。經粗軋機22軋延的軋延材100係通過粗軋材加熱器24搬送至精軋機25。經精軋機25軋延的軋延材100係在輸出台26冷卻後,藉由盤捲
機27而捲收成盤元(coil)狀。將軋延材100薄薄地軋延而製成的盤元狀的薄板乃係最終製品。
圖12中所示的粗軋機22係具有:具有各一根上下工作輥(work roll)的軋延機座(stand)R1、及具有上下工作輥及輥徑比上下工作輥大的上下支撐輥(backup roll)之合計4根輥的軋延機座R2。圖12中所示的精軋機25係具有串列式排列的7台軋延機座F1至F7。精軋機25的各軋延機座F1至F7在圖12中所示的例子中係以上下4根輥構成,但亦有以含有位在工作輥與支撐輥之間的中間輥的上下6根輥構成的情形。另外,裝置的構成大多相似,但供驅動上下的軋延輥之用的大功率電動機、將輥與電動機結合的軸(shaft)等細部規格不同。
在粗軋機22與精軋機25的各軋延機座的入口側係設置未圖示的邊導器(side guide)。在粗軋機22中,大多是於材料的軋延前停下軋延材,縮窄邊導器的開度將軋延材夾住,使軋延材置中(centering)後再進行軋延。在精軋機25中,由於軋延材大多以高速進入軋延機座,故大多是預先以軋延材的寬度加上裕度而得的寬度來設定邊導器的開度。
軋延材的收縮乃係因軋延材在軋延機座正下方蛇行、亦即朝輥寬方向移動或朝寬度方向彎折而產生在軋延材的前端或尾端之現象。關於收縮,有在軋延材的前端產生的前端收縮、及在軋延材的尾端產生的尾端收縮。前端收縮乃係因在軋延材進入軋延機座之前,因軋延材的蛇行、軋延材的前端的彎曲而猛然撞上入口側邊導器,使得其前端一邊彎折一邊進入軋延機座而產生。尾端收縮乃係因在軋延材的尾端穿過軋延機座之前蛇行而使得尾端撞擊入口側邊導器等,從而在尾端折疊成兩片的情況下軋
延,使得荷重集中在該折疊的部分,使該部分被扯裂等而產生。
當收縮產生,會在輥表面留下傷痕。為了防止該傷痕轉印到下個軋延材的表面,會有暫先停止生產,並將輥抽出來進行檢查的情形。此外,也會有破裂的材料的斷片留在軋延機內的情形。該斷片會有妨礙下個進行軋延的材料的通板性的情形,故此時同樣需要進行檢查。該些作業係使得生產性降低,甚至使得輥耗表現變差。
另外,在粗軋機22中係進行5、6道次的反覆進行順向、反向軋延的所謂可逆(reversing)軋延,在精軋機25中,係在6、7台軋延機座F1至F7進行一條龍式的軋延。軋延材通過軋延機座下方一次稱為1道次。在粗軋機22中,係在1台軋延機座進行複數道次的軋延,在精軋機25中,係在1台軋延機座僅進行1道次的軋延。以下係就收縮的產生頻率特別高的精軋機25的尾端收縮進行說明。此處,1道次的軋延與在1個機座的軋延係視為同義。
在習知技術的熱間薄板軋延製程中,針對收縮一般而言係施行如下所述的對策。
對策A:針對容易產生收縮的軋延材,由操作人員(operator)於事發前給予處置。
對策B:對收縮產生一事進行反應,由操作人員立即進行對應。
對策C:使用抑制尾端的蛇行的自動蛇行控制。
關於容易產生收縮的軋延材,有製品厚度薄者、板冠高(crown)小者、及特定的鋼種等。在板厚薄、軋延速度變快的精軋機的後段特別容易產生收縮。針對如上述的軋延材及狀況,若是依據對策A,會是
操作人員一邊觀看著上游側的軋延材的蛇行的情形一邊給予處置。然而,操作人員係必須對於壓下、速度等各種狀況進行對應,且熟練程度會按每個操作人員不同,故未必能夠切確地進行對應。在對策B中,操作人員則是只要開始蛇行便試圖加以矯正。然而,由於蛇行是種急遽地進行的現象,操作人員未必能夠切確地進行對應。
對策C雖然在抑制蛇行上有效,但乃係在蛇行開始後才進行控制,並非於事發前預測蛇行的產生。此外,例如專利文獻1和專利文獻2所揭示,蛇行控制從以前就已經導入。專利文獻1、2所揭示的習知技術其具體方法雖有不同,但都是計算軋延材的蛇行量,使用該蛇行量進行控制,藉此抑制蛇行量來防止收縮。然而,蛇行控制的對象為不穩定的系統,控制困難且無有效的控制手段亦是事實。
[先前技術文獻]
[專利文獻]
專利文獻1:日本國特開2018-43255號公報
專利文獻2:日本國特開平4-118108號公報
在操作人員眼前進行軋延的軋延材是否有收縮產生及收縮產生在何處,有很大的比例是依賴操作人員的經驗與感覺,並無法正確地預測。雖然一直有將收縮的原因亦即板的蛇行以物理模型(model)建構的嘗
試,但在現實上,至今仍難以有具足夠精度的模型的建構。此外,使用模型進行的蛇行控制亦難謂能夠獲取足夠的性能。
本發明乃係有鑑於如上述的課題而研創者,目的在於提供能夠預測有無收縮產生及產生部位的收縮產生預測系統。
本發明的收縮產生預測系統係在將板狀的金屬材料加熱至高溫且以複數個軋延道次進行軋延的熱間軋延中,預測收縮的產生之系統,該收縮為因軋延材蛇行或朝寬度方向彎折而在軋延材的前端或尾端產生的現象;該系統係具備1台或複數台電腦(computer)。1台或複數台電腦經程式(program)設計成執行下述處理:採集並保存在供預測收縮的產生之用的適應性模型的建構中所使用的適應性模型建構用資料之處理;使用適應性模型建構用資料建構適應性模型之處理;保存建構完成的適應性模型亦即適應完成模型之處理;採集在收縮的產生的預測中所使用的預測用資料之處理;及藉由將預測用資料輸入至適應完成模型而預測收縮的產生之處理。
詳細而言,收縮產生預測系統所具備的1台或複數台電腦係在採集並保存適應性模型建構用資料之處理中,採集複數組的第1資料與第2資料作為適應性模型建構用資料,該第1資料係表示在作為收縮產生預測之對象的對象軋延道次中有無收縮的產生及產生部位,該第2資料係含有與第1資料聯結的軋延材在軋延順序比對象軋延道次居前的居前軋延道次軋延時的該居前軋延道次的相關資訊與該軋延材的相關屬性。在採集預測用資料之處理中,係採集含有預測對象的軋延材在軋延順序比前述對象軋延道次居前的居前軋延道次軋延時的該居前軋延道次的相關資訊與該
軋延材的相關屬性之資料,以作為預測用資料。在預測收縮的產生之處理中,係在預測對象的軋延材到達對象軋延道次之前,預測在對象軋延道次中有無收縮的產生及產生部位的全部或一部分。
亦可為,收縮產生預測系統所具備的1台或複數台電腦經程式設計成執行將收縮的產生的預測結果顯示於顯示裝置之處理。
亦可為,收縮產生預測系統所具備的1台或複數台電腦經程式設計成當預測到在對象軋延道次產生收縮時執行操作對象軋延道次的入口側邊導器之處理。亦可為,在操作入口側邊導器之處理中,具體指定出是在預測對象的軋延材的前端與尾端的哪一個端部產生收縮,配合產生收縮的那一方的端部的通過而將入口側邊導器打開。此外,亦可為,係具體指定出是在對象軋延道次的運轉室側與電動機側的哪一側產生收縮,並將產生收縮之側的入口側邊導器打開。亦可為,當無法具體指定出是在對象軋延道次的運轉室側與電動機側的哪一側產生收縮時,將運轉室側與電動機側的兩側的入口側邊導器打開。
亦可為,在建構適應性模型之處理中,藉由屬於人工智慧範疇的機器學習或統計手法建構適應性模型,每當新獲得一定數量的適應性模型建構用資料時便更新適應性模型。
亦可為,在採集並保存適應性模型建構用資料之處理中,藉由通過對象軋延道次的軋延材的圖像資料的解析,判定在對象軋延道次中有無收縮的產生及產生部位。或者,亦可為,根據施加在對象軋延道次的入口側邊導器的荷重,判定在前述對象軋延道次中有無收縮的產生及產生
部位。此外,亦可為,接收由操作人員經由HMI輸入的在對象軋延道次中有無收縮的產生及產生部位。
依據本發明的收縮產生預測系統,係採集含有有無軋延材的收縮產生預測的資訊之資料,藉由機器學習和統計手法建構適應性模型,將預測對象的軋延道次的上游側的資料輸入至適應完成模型,藉此,於事發前預測在下個軋延的材料中有無收縮的產生及產生部位。藉此,能夠擁有時間裕度而在軋延材通過對象軋延道次前,進行防止或減輕屬於收縮之原因之板的蛇行等的準備,因此能夠有助於收縮產生的減少及因此獲致之穩定生產的實現,更甚而能夠有助於輥耗表現的提升。此外,由於是根據實機資料進行預測,故亦有能夠追隨實機的狀況的變化的優點。
1:適應性模型建構資料採集保存部
2:適應性模型建構部
2a,302:適應性模型
3:預測用資料採集部
4:預測部
4a,312:適應完成模型
5:結果顯示部
10:預測裝置
31,32:入口側邊導器
100:軋延材
101~104,104a,201~206:步驟
301:第2資料
303:第1資料
311:預測用資料
313:輸出
DS:電動機側
F1~F7:軋延機座
LCL:管制下限
S:標準差
UCL:管制上限
WS:運轉室側
圖1係顯示本發明第1實施型態的收縮產生預測系統的構成之方塊圖。
圖2係顯示供操作人員輸入有無收縮產生及產生部位之用的HMI的一例之圖。
圖3係概念性顯示在本發明第1實施型態的收縮產生預測系統的適應性模型建構部進行的處理之圖。
圖4係概念性顯示在本發明第1實施型態的收縮產生預測系統的預測部進行的處理之圖。
圖5係詳細顯示藉由本實施型態的收縮產生預測系統進行的處理流程
(flow)之流程圖(flowchart)。
圖6係說明SOM的構成例及使用該構成例進行的預測方法的概要之圖。
圖7係針對ACC的動作概要進行具體說明之圖。
圖8係針對ACC的動作概要進行具體說明之圖。
圖9係針對ACC的動作概要進行具體說明之圖。
圖10係顯示藉由本實施型態的收縮產生預測系統進行的處理流程的變形例之流程圖。
圖11係顯示利用本發明第2實施型態的收縮產生預測系統的收縮預測結果進行的入口側邊導器的控制例之圖。
圖12係顯示習知技術的熱間薄板軋延製程的軋延機的構成的一例之圖。
參照圖式說明本發明的實施型態。但是,以下所示的實施型態僅是例示將本發明的技術思想具體化之用的裝置和方法,除了特別明示的情形外,並無將構成構件的構造和配置、處理的順序等限定於下述內容的意圖。本發明並非限定於以下所示的實施型態,在不脫離本發明主旨的範圍內,能夠進行各種變形來實施。
<第1實施型態>
1.收縮產生預測系統的構成
圖1係顯示本發明第1實施型態的收縮產生預測系統的構成之方塊圖。
本實施型態的收縮產生預測系統係適用在具有圖12所示構成的熱間薄板軋延製程。收縮產生預測系統係具備預測裝置10,該預測裝置10係進行與預測有關的資料的採集及保存、以及使用該資料進行的演算。預測裝置10係可為以單一台電腦構成,亦可為由連接於網路(network)的複數台電腦構成。
預測裝置10係具備適應性模型建構資料採集保存部1、適應性模型建構部2、預測用資料採集部3、預測部4、及結果顯示部5。上述要素當中,適應性模型建構資料採集保存部1、適應性模型建構部2、預測用資料採集部3、及預測部4係以處理器(processor)執行從電腦的記憶體(memory)讀出的程式而藉此利用處理器以軟體(software)的方式實現。在記憶體係記憶有收縮產生預測所用的各種程式、各種資料。另外,此處所說的記憶體係包括主記憶裝置與輔助記憶裝置雙方。結果顯示部5乃係結合到電腦的顯示裝置。
適應性模型建構資料採集保存部1係採集並保存供建構後述的適應性模型之用的適應性模型建構用資料。適應性模型建構用資料係含有第1資料與第2資料。第1資料乃係表示在作為預測收縮的產生之對象的軋延機座(軋延道次)中有無收縮的產生及產生部位之資料。收縮的產生部位在軋延材的搬送方向(長度方向)上分類為前端與尾端,而在軋延材的寬度方向上分類為運轉室側(Work Side:以下表記為WS)與電動機側(Drive Side:以下表記為DS)。在第1資料中,係使經對象軋延機座軋延的軋延材的識別號碼(ID)與板厚、板寬等製品資訊建立關聯,而與第1資料一起保存。
第2資料乃係含有軋延材在軋延順序比對象軋延機座居前的居前軋延機座軋延時的該居前軋延機座的相關資訊與該軋延材的相關屬性之製程資料。居前軋延機座的相關資訊係例如包括關於輥隙(roll gap)、輥移位(roll shift)量、軋延荷重、測厚計(gauge meter)厚度等資料項目的資訊,該些資訊係能夠藉由感測器(sensor)取得。在全部擁有n座軋延機座的精軋機中,預測收縮的產生的對象軋延道次亦即對象軋延機座,係例如能夠設為是第m座至最終第n座(m≦n)的機座。但是,由於在預測階段中不知道會是哪個軋延機座被指定為對象軋延機座,故採集並保存精軋機的全部機座的資料。此外,所謂的軋延材的相關屬性,乃係在居前軋延機座軋延的軋延材的屬性,且係指該軋延材的識別號碼、鋼種、目標板厚、目標板寬、目標板冠高、目標平坦度、目標溫度等。第1資料與第2資料係經由軋延材的識別號碼而聯結在一起。
適應性模型建構資料採集保存部1係結合到未圖示的HMI(Human-Machine Interface,人機介面)。適應性模型建構用資料的第1資料係含有有無收縮產生及產生部位。這些資料係能夠由操作人員經由HMI輸入。收縮的產生部位一般而言乃係在前端或尾端的WS或DS。然而,對操作人員而言,以目測判斷是WS還是DS未必容易。因此,為了吸收目測的不明確,亦可在WS與DS之外再設置稱為板寬中央附近(Center of width:以下表記為CW)的產生部位。另外,為了詳細分類並具體指定出產生部位,便需要非常大量的輸入至適應性模型的資料,此時,會在適應性模型的建構花費很多時間。因此,設為容許將產生部位粗略地進行區分,例如僅進行前端與尾端的分類等。
圖2係顯示供操作人員輸入有無收縮產生及產生部位之用的HMI的一例之圖。圖中所示的WS及DS乃係按鈕(button),係針對7座軋延機座F1-F7的各者,以及針對前端側(Head)與尾端側(Tail)的各者而設置。例如,目視到在第3軋延機座F3於尾端的WS產生收縮時,操作人員按下F3行(column)Tail列(row)的WS按鈕。此外,亦可在圖2所示的HMI中增添供吸收目測的不明確之用的CW按鈕。或者,亦可構成為,當有收縮但不知道是WS與DS中的何者時按下WS按鈕與DS按鈕雙方,藉此進行與按下CW按鈕進行相同的判斷,以取代增添CW按鈕。
就採集適應性模型建構用的第1資料的方法而言,除了由操作人員輸入有無收縮產生及產生部位以外,還能夠使用藉由圖像資料進行判定的方法。一般而言,在軋延機係設置有許多電視攝影機(TV camera)。藉由設置在精軋機的軋延機座間的電視攝影機拍攝通過軋延機座的軋延材,解析所獲得的圖像資料,藉此,能夠容易地判定是否有收縮產生在軋延材的前端或尾端。當有收縮產生,軋延材便被扯裂,可看到材料內部的高溫的部分呈現條狀。軋延材的表面溫度係比內部低而帶有黑色,故破裂的部分係可清楚看到內部的高溫部分呈橘黃色。此外,依據圖像資料,亦容易判定撞擊到邊導器的部位是WS或DS。
就採集適應性模型建構用的第1資料的其他方法而言,亦能夠使用藉由施加在軋延機座的邊導器的荷重來進行判定的方法。邊導器係能夠進行位置控制或力度控制,且能夠藉由感測器偵測施加在邊導器的力。收縮大多是因軋延材的蛇行而產生,只要施加在邊導器的力在某臨限值以上就能夠判定為有收縮產生。此外,施加在邊導器的力係能夠左右獨立偵
測,因此亦能夠判定收縮是在WS與DS中的何者產生。
重新回到圖1,繼續進行針對收縮產生預測系統的構成的說明。當以適應性模型建構資料採集保存部1採集到一定數量的資料,適應性模型建構資料採集保存部1便將所採集並保存起來的資料輸入至適應性模型建構部2。適應性模型建構部2係使用輸入的資料建構適應性模型2a。所謂的適應性模型,係指當資料輸入,內部的構成要素間的關係度便會變化、且輸出也變化的模型。
就適於進行收縮產生的預測的適應性模型的例子而言,能夠舉出屬於機器學習之範疇的類神經網路(Neural Network:以下表記為NN)、自組織映像(Self Organizing Map:以下表記為SOM)等、及使用統計手法的適應性管制圖(Adaptive Control Charts:以下表記為ACC)等。在被分類到機器學習的手法的學習方法中有監督式學習與非監督式學習兩種類。一般而言,NN係進行監督式學習,SOM係進行非監督式學習。這些方法係亦能夠適用於有無收縮的這類被分類成兩種值的問題。NN、SOM、ACC這些方法乃係一般廣為周知的方法。針對該些手法的概要係於後說明。
圖3係概念性顯示在適應性模型建構部2進行的處理之圖。適應性模型建構部2係將適應性模型建構用的第2資料301輸入至適應性模型302(圖1中所示的適應性模型2a)。藉此,內部的構成要素間的關係度會變化而進行適應性模型302的建構。此外,適應性模型建構部2係將適應性模型建構用的第1資料303作為教導資料或驗證用資料輸入至適應性模型302。當第1資料303作為教導資料使用時,從第2資料獲得的適
應性模型302的輸出與第1資料303之差係以反向傳播(back propagation)的形式反饋回適應性模型302。
重新回到圖1,繼續進行針對收縮產生預測系統的構成的說明。當適應性模型2a的建構完成,適應性模型建構部2便將建構完成的適應性模型2a另外保存為適應完成模型4a而有別於適應性模型2a。所保存的適應完成模型4a係在預測部4中利用於收縮的產生的預測。之所以將適應完成模型4a另外保存而有別於適應性模型2a,是因為適應完成模型的內部狀態在預測收縮的產生的期間不可以變化的緣故。
在利用適應完成模型4a進行的收縮的產生的預測中,係使用以預測用資料採集部3所採集到的預測用資料。預測用資料採集部3係採集與適應性模型建構用的第2資料相同種類的資料作為預測用資料。亦即,預測用資料採集部3係一邊將預測對象的軋延機座從第m座依序變更至最終第n座,一邊採集含有預測對象的軋延材在軋延順序比預測對象的軋延機座居前的居前軋延機座軋延時的該居前軋延機座的相關資訊與預測對象的軋延材的相關屬性之資料。預測用資料採集部3係將所採集到的預測用資料輸入至適應完成模型4a。
圖4係概念性顯示在預測部4進行的處理之圖。預測部4係將預測用資料311輸入至適應完成模型312(圖1中所示的適應完成模型4a),獲得有無收縮的預測結果作為適應完成模型4a的輸出313。此外,當有收縮時,亦獲得其產生部位的預測結果作為適應完成模型4a的輸出313。作為預測結果而獲得的收縮的產生部位並非一定要是全部的產生部位,亦可為一部分的產生部位。另外,使用適應完成模型312進行的預測係以在
預測對象的軋延材到達對象軋延機座之前獲得預測結果的方式進行。
重新回到圖1,繼續進行針對收縮產生預測系統的構成的說明。預測部4係將以適應完成模型312獲得的預測結果輸出至結果顯示部5。結果顯示部5係將預測結果以容易明白的方式顯示給操作人員。操作人員係參照顯示在結果顯示部5的預測結果,藉此而能夠對預測對象的軋延機座實施抑制收縮的產生之用的介入操作。
2.收縮產生預測的處理流程
圖5係詳細顯示藉由本實施型態的收縮產生預測系統進行的處理流程之流程圖。圖5中,左右並排的兩個流程圖當中的左側的流程圖代表適應性模型的建構階段的處理流程,右側的流程圖代表預測階段的處理流程。
首先,照著左側的流程圖,針對適應性模型的建構階段的處理流程進行說明。在適應性模型的建構階段中,第一步是執行步驟101。在步驟101中,係採集並保存適應性模型建構用的第1資料及第2資料。
此處,針對第2資料的採集方法詳細進行說明。例如,當為了預測在精軋機的第6機座F6的收縮產生而收集資料,便針對機座F6的上游側的機座F1、F2、F3的各者採集尾端附近的資料。採集的資料的資料項目為輥隙、輥移位量、軋延荷重、測厚計厚度等。其中,針對輥隙係採集WS、DS及中央部的資料,針對軋延荷重係採集WS及DS的資料。
所謂的採集尾端附近的資料,係指進行預測處理且能夠在通知操作人員之前獲取足夠時間的時間,例如從軋延材的最尾端往前端回溯30秒,從該處起往上游採集10秒間的資料。換言之,係採集靠近尾端的40秒間的資料當中的最初的10秒間的資料。此時,使用所採集到的10秒
間的資料建構適應性模型。30秒這個時間乃係與供預測處理及對於操作人員的通知、操作人員進行回避收縮的準備之用的時間的總和大致相等的時間之例示。藉由先確保如上述的時間,能夠在預測對象的軋延材到達預測對象的軋延機座之前,預測在預測對象的軋延機座中有無收縮的產生及產生部位的全部或一部分且通知操作人員,促使操作人員進行回避收縮的準備。
另外,視後述的機器學習的方法、統計手法而定,會有在不使用所採集到的第2資料的全部的項目、所採集到的全部的時間的資料時可獲得更佳精度的情況。因此,本實施型態的收縮產生預測系統係構成為能夠從作為第2資料所採集到的資料中適切地選擇性使用必要資料之架構。
在步驟102中,係判定是否已積存第1預定數以上的資料或是已增添第2預定數以上的資料。此處,第1預定數乃係足以適用機器學習、統計手法的資料的絕對數。當為機器學習時,雖也會依其方法而異,但一般需要3,000至10,000個以上的資料。關於第2預定數,其係因為資料會隨著軋延進行而不斷增加而在為了藉由新增添的資料不斷更新適應性模型之用的判斷中所必須者。其係能夠任意選擇,若將數量設定為較少,就會頻繁地更新,但計算負荷亦增加。若設定為較多,則更新頻率減少,但有無法追隨軋延的新狀況之虞。
以步驟101持續進行適應性模型建構用的第1資料及第2資料的採集與保存,直到步驟102的條件滿足為止。此外,只要步驟102的條件滿足,流程便前進至步驟103。步驟103乃係供適應性模型的建構
之用的主處理。以NN、SOM、ACC這些方法實現的適應性模型係藉由輸入資料更新其內部狀態,從而能夠有更正確的預測。
在步驟104,係將建構完成的適應性模型作為適應完成模型保存。當存在有使用舊資料建構的既存的適應完成模型時,既存的適應完成模型就會被本次所建構的適應性模型更新,而將更新後的適應完成模型保存。
接著,照著右側的流程圖,針對預測階段的處理流程進行說明。在預測階段中,第一步是執行步驟201。在步驟201,係設定收縮預測對象機座的機座號碼(k)。收縮係容易發生在精軋機的後段機座,故機座號碼(k)係亦可僅設為4、5、6、7。在步驟202,機座號碼(k)係每當執行時便逐一更新而重新設定。
在步驟203,係以與步驟101中說明的適應性模型建構用的第2資料相同的採集方法採集預測用資料。關於要取得預測資料的居前軋延機座,係必須考量預測處理花費的時間、經由顯示裝置的顯示對於操作人員進行通知所花費的時間、及操作人員進行回避收縮之操作的準備的時間來決定。以下的表係顯示預測對象的軋延機座(在表中係記載為預測對象機座)與要採集預測資料的居前軋延機座(在表中係記載為預測資料採集機座)的對應關係的一例。
在步驟204,係讀入在步驟104保存的適應完成模型,將預測資料輸入至適應完成模型。從適應完成模型針對各預測對象機座輸出有無收縮產生的預測結果、以及當收縮產生時其產生部位的預測結果。
在步驟205,係確認是否已在全部的預測對象機座實施預測。重複進行步驟202至步驟204的處理,直到在全部的預測對象機座的預測完成為止。接著,在全部的預測對象機座的預測完成之後,就前進至步驟206,對於操作人員進行預測結果的通知。此時,在運轉室內的操作人員大多是觀看著玻璃窗對面的實際的軋延狀態、或觀看著設置在運轉室內的電視監視器(TV monitor)的其中任一種情況。因此,較佳為預測結果的通知亦顯示在該兩處的易見處。另外,在此雖然是在預測全部的對象機座後對於操作人員進行預測結果的通知,但亦可為每當預測到收縮產生時便進行對於操作人員的通知。亦即,亦可構成為,在從第m機座起開始預測時,若預測到在第m機座有收縮產生便立即發出其意旨的通知,接著針對第m+1機座進行預測。
3.適於收縮產生的預測的適應性模型
3-1. NN
NN在最單純的結構中乃係輸入層、中間層、輸出層的3層結構,亦能夠不斷增加中間層。當中間層是以多個層構成時亦能夠進行深度學習。各層係由1個或複數個神經元(neuron)構成,各層的神經元以擁有權重的線連結。1個神經元的輸出狀態係依輸入值的等級(level)而改變。當為監督式學習時,一般而言,係使用比較NN的輸出與教導信號,不斷反向更新連結線的權重的稱為反向傳播的方法。
3-2. SOM
SOM不需要教導資料,僅使用正常資料,亦即在沒有收縮產生時所採集到的資料。當將SOM的區分定義為5×5、10×10、25×25等,各區分便成為1個神經元。在各神經元係備有達到所使用的變數之數量的平面。圖6係說明SOM的構成例及使用該構成例進行的預測方法的概要之圖。在圖6所示的SOM的構成例中,SOM係由10×10個神經元構成。
在各神經元係備有變數之個數份的平面。此處,設第2資料具有的輥隙、軋延荷重等資料項目的數量為20個。在各神經元係備有變數20個份的平面,詳細而言為具有變數的值之軸與時間之軸的平面。20個變數的各者係如同圖5所示處理流程中的步驟101之說明,擁有相當於軋延材的尾端附近的10秒間份的資料。
在適應性模型的建構階段亦即學習階段,各神經元內的初始平面的10秒間份的曲線係隨機(random)給予。當然,還給予在各神經元間不重複等限制。此外,10秒間、20變數的正常資料係作為一組(set)進行保存。資料係一組一組地取出一組,判定該一組資料全體而言最接近哪個神
經元的曲線。接著,設為隸屬於被判定為最接近的神經元者。對全部的正常資料的組進行相同的處理,最後以各神經元內的各變數決定成為重心的曲線。就此,完成適應性模型的建構亦即學習。
在預測階段亦即正常異常的判定階段,係比較判定對象資料亦即預測用資料的各變數值與100個神經元內的各變數值的重心值。接著,計算判定對象資料全體而言接近哪個神經元,選擇被判定為最接近的神經元。接著,計算所選擇的神經元內的各變數的重心的曲線與判定對象資料的各變數值之距離,若有該距離相較於他者大幅偏離的變數(在上例中為圖6中的變數1),含有該變數的資料便會被視為異常。亦即,判定為有收縮產生。
以下的表係顯示,藉由SOM使用正常資料建構適應性模型,且使用適應完成模型進行異常資料的檢測時的學習效果的驗證例。在該驗證例中,係在同一鋼種之全部7650條的資料中含有136條具有尾端收縮的異常資料,但仍可100%檢測出該些異常資料。只要使用該適應完成模型,便能夠以接近100%的精度預測有無收縮的產生。
3-3. ACC
ACC基本上乃係應用周知的管制圖(Control Charts)之手法。管制圖係將管制上限(Upper Control Limit:以下表記為UCL)與管制下限(Lower Control Limit:以下表記為LCL)固定,但ACC仍會配合資料的推移而變更該等上下限。假若有某時間序列資料且其期間呈現10秒間的推移,則例如按每0.1秒挪移標的,且從該處起以1秒間為1區間,而從各個區間的標準差求取出各個區間的UCL及LCL。此時,若資料存在偏態,則亦進行因此造成的UCL及LCL的補正。關於該補正的方法,已記載於「Betul Kan,and Berna Yazici” The Individuals Control Chart in Case of Non-Normality”,Journal of Modern Applied Statistical Methods,Vol.5,Issues 2,Article 28,Digital Commons @WayneState(2005)」。
以下,使用圖7至圖9,針對ACC的動作概要,以尾端收縮的偵測為例進一步具體說明。在適應性模型的建構階段係同SOM一樣,使用所選擇的20個變數的尾端附近的10秒間的正常資料作為適應性模型建構用的資料。所謂的尾端附近的10秒間,係指排除靠近尾端的30秒間,從該處起靠近前端的10秒間。換言之,係指靠近尾端的40秒間之中的最初的10秒間。
假若如圖7所示的表採集了資料。表中的行為盤元號碼,列為資料號碼。盤元的條數為P條。1條盤元的資料中,J為10秒間的資料的首個號碼,J+I為10秒間的資料的最後的號碼。因此,10秒間的資料係含有I個資料。以資料按每0.1秒記錄一次而言,此時,I=10÷0.1=100個。
表中,在盤元號碼p的列描繪有複數個框,各框代表計算標準差的窗(window)。將計算標準差的窗作為1秒間的區間,一邊按每0.1
秒將窗挪移一邊計算資料的標準差。對P條的正常盤元的20個變數全部進行如上述的計算。如此一來,可算出0到1秒間、0.1到1.1秒間等各時間段的標準差P個,建立出標準差的分布。例如,時間段1的標準差係以S[1,1]、S[2,1]、‧‧‧、S[P,1]的形式獲得。計算同一時間段i的標準差S[1~P,i]的標準差σ[i],藉此,能夠將UCL取為σ[i]的+側的例如3倍或4倍、將LCL取為σ[i]的-側的例如3倍或4倍。藉此,獲得如圖8所示的UCL及LCL。但是,圖8為變數1個份的UCL及LCL,要針對各變數計算UCL及LCL。在ACC中,如上述方式決定UCL及LCL係相當於適應性模型的建構。
在預測階段係如圖9所示,比較判定對象的資料與在適應性模型的建構階段決定的UCL及LCL。接著,以超過UCL或LCL的資料的數目和起自UCL或LCL的距離之和作為評價值,對於判定對象的資料偏離UCL和LCL到何種程度進行評價,判定是正常還是異常。
在NN中係輸入有收縮產生的異常資料與沒有收縮產生的正常資料雙方來進行藉由NN進行的模型的建構。相對於此,在SOM及ACC中係僅輸入沒有收縮產生的正常資料來建構模型,當大幅偏離該模型時判斷為有收縮的產生。一般而言,產生收縮的軋延材的數量係遠少於沒有產生收縮的軋延材的數量。此外,於設備的運轉中,同樣是正常運轉的時間遠多於屬於異常的狀態的時間。因此,一般而言,相較於表示正常的資料,表示異常的資料非常地少。在如上述的狀況中,有利的架構大多是藉由SOM、ACC以正常狀態的資料建構模型,並將正常狀態以外判定為異常。
3-4.各適應性模型的特徵
所謂的適應性模型,係定義為當資料輸入,內部的構成要素間的關係度便會變化、且輸出也變化的模型。其例子為藉由NN、SOM及ACC知各手法建構出的適應性模型。更詳言之,適於收縮產生的預測的適合模型中,係包括以下列的定義A、定義B、及定義C定義的適合模型。
(A)係當資料輸入,內部的構成要素間的關係度便會變化、且輸出也變化者,且為在藉由複數個輸入及輸出的組進行學習後,對於對象輸入進行評價,輸出評價值者。
(B)係當資料輸入,內部的構成要素間的關係度便會變化、且輸出也變化者,且為在藉由複數個輸入的組進行學習後,對於對象輸入進行評價,輸出評價值者。
(C)係當資料輸入,內部的構成要素間的關係度便會變化、且輸出也變化者,且為在藉由複數個輸入的組決定統計指標後,對於輸入的組進行評價,輸出評價值者。
NN乃係以定義A定義的適應性模型的一例。SOM乃係以定義B定義的適應性模型的一例。ACC乃係以定義C定義的適應性模型的一例。以下的表中,係針對NN、SOM及ACC的各者顯示與適應性模型的定義的關係。
4.收縮產生預測的處理流程的變形例
圖10係顯示藉由本實施型態的收縮產生預測系統進行的處理流程的變形例之流程圖。圖5所示處理流程與圖10所示處理流程的差異在於適應性模型的建構階段的處理流程。詳細而言,圖5所示處理流程中的步驟104的處理在圖10所示處理流程中係替換成了步驟104a的處理。步驟104a乃係供確認雖然在適應性模型建構階段更新了適應性模型,但是否已確保藉由更新後的結果獲得的預期精度之用的步驟。若新建構出的適應性模型的精度足夠,便更新並保存適應完成模型,若否則不保存。
關於供驗證建構出的適應性模型之用的方法,上述的3種手法間有若干的不同。在NN中係將學習用資料與驗證用資料拆開。例如,假若有10,000個資料,從中隨機選擇500個或1,000個資料作為驗證用資料,剩下的作為學習用資料。將驗證用資料輸入至藉由以學習用資料學習後的NN建構的模型,驗證是否已精度佳地預測有無收縮的產生。在SOM或ACC中係是以沒有收縮產生的正常資料建構模型,故為了驗證係僅使用異常資料。將異常資料輸入至藉由SOM或ACC建構出的模型,若可判定為有收縮產生,便能夠判斷為是高精度的模型。
<第2實施型態>
接著,針對本發明第2實施型態的收縮產生預測系統進行說明。在本實施型態中,係在預測有無收縮的產生後,不僅將其預測結果通知操作人員,且亦利用於入口側邊導器的控制。本實施型態的收縮產生預測系統係具備當藉由預測裝置預測到在預測對象的軋延機座產生收縮時,操作預測對象的軋延機座的入口側邊導器的控制裝置。作為控制裝置發揮功能的電腦係亦可為有別於作為預測裝置發揮功能的電腦之電腦。此外,亦可為藉由軟體使一台電腦作為預測裝置發揮功能,同時也使其作為控制裝置發揮功能。
圖11係顯示利用收縮預測結果進行的入口側邊導器31、32的控制例之圖。此處,係針對預測到在第k機座產生尾端收縮且該處為DS時的控制例進行說明。在圖11上半部所示的狀態中,軋延材100係在第k-1機座軋延。此時蛇行尚未發生。假設,於其後時間經過而變成下半部所示的狀態,軋延材100在尾端穿過第k-1機座後蛇行。被預測到產生尾端收
縮的一個例子乃係軋延材100為如上述的狀態時。此時,為了防止尾端撞上入口側邊導器而破裂,未圖示的控制裝置係進行配合尾端的通過而將DS的入口側邊導器31打開的操作。另外,當無法具體指定出是在WS與DS的哪一側產生收縮時,未圖示的控制裝置係進行配合尾端的通過而將WS與DS的兩側的入口側邊導器31、32打開的操作。
在圖11所示的例子中假設的是產生尾端收縮的事例(case),而在產生前端收縮的事例中亦能夠進行相同的控制。亦即,當預測到產生前端收縮時,未圖示的控制裝置係進行配合前端的通過而將入口側邊導器打開的操作。進行打開操作的入口側邊導器乃係產生收縮之側的邊導器,當無法具體指定出收縮的產生部位是WS還是DS時,係進行將WS與DS的兩側的邊導器打開的操作。
藉由對預測對象的軋延機座的入口側邊導器進行如上述的控制,能夠輔助操作人員,而實現穩定的生產。
<其他實施型態>
在上述的實施型態中係以精軋機作為對象進行了說明,但本發明係亦能夠適用於粗軋機。在粗軋機係進行複數次反覆進行順向、反向軋延的所謂可逆軋延。當將本發明適用在粗軋機時,軋延道次係指各次的軋延,軋延順序中居前的居前軋延道次係指前次以前所進行的軋延。
此外,在上述的實施型態中係以尾端收縮為中心進行了說明,但本發明係不僅能夠適用於尾端收縮,亦能夠適用於前端收縮。
此外,就適應性模型建構的手法而言係舉NN、SOM及ACC為例進行了說明,但能夠適用至本發明的適應性模型建構的手法並不限定
於該些手法。例如,應用搜尋樹概念的Random Forest(RF;隨機森林)、屬於RF的變形的Extra Trees(極限樹)、xgboost(極限梯度提升樹)等亦能夠適用。
1:適應性模型建構資料採集保存部
2:適應性模型建構部
2a:適應性模型
3:預測用資料採集部
4:預測部
5:結果顯示部
Claims (10)
- 一種收縮產生預測系統,係在將板狀的金屬材料加熱至高溫且以複數個軋延道次進行軋延的熱間軋延中,預測收縮的產生之系統,該收縮為因軋延材蛇行或朝寬度方向彎折而在前述軋延材的前端或尾端產生的現象;前述系統係具備1台或複數台電腦;前述1台或複數台電腦係執行下列處理:採集並保存在供預測收縮的產生之用的適應性模型的建構中所使用的適應性模型建構用資料之處理;使用前述適應性模型建構用資料建構前述適應性模型之處理;保存建構完成的前述適應性模型亦即適應完成模型之處理;採集在收縮的產生的預測中所使用的預測用資料之處理;及藉由將前述預測用資料輸入至前述適應完成模型而預測收縮的產生之處理;其中在採集並保存前述適應性模型建構用資料之處理中,係採集複數組的第1資料與第2資料作為前述適應性模型建構用資料,前述第1資料係表示在作為收縮產生預測之對象的對象軋延道次中有無收縮的產生及產生部位,前述第2資料係含有與前述第1資料聯結的軋延材在軋延順序比前述對象軋延道次居前的居前軋延道次軋延時的該居前軋延道次的相關資訊與該軋延材的相關屬性;在採集前述預測用資料之處理中,係採集含有預測對象的軋延材在軋延順序比前述對象軋延道次居前的居前軋延道次軋延時的該居前軋延道次 的相關資訊與該軋延材的相關屬性之資料,以作為前述預測用資料;在預測前述收縮的產生之處理中,係在前述預測對象的軋延材到達前述對象軋延道次之前,預測在前述對象軋延道次中有無收縮的產生及產生部位的全部或一部分。
- 如請求項1所述之收縮產生預測系統,其中,前述系統係具備顯示裝置;前述1台或複數台電腦係執行將收縮的產生的預測結果顯示於前述顯示裝置之處理。
- 如請求項1或請求項2所述之收縮產生預測系統,其中,前述1台或複數台電腦係當預測到在前述對象軋延道次產生收縮時執行操作前述對象軋延道次的入口側邊導器之處理。
- 如請求項3所述之收縮產生預測系統,其中,前述1台或複數台電腦係在操作前述入口側邊導器之處理中,具體指定出是在前述預測對象的軋延材的前端與尾端的哪一個端部產生收縮,配合產生收縮的那一方的端部的通過而將前述入口側邊導器打開。
- 如請求項3所述之收縮產生預測系統,其中,前述1台或複數台電腦係在操作前述入口側邊導器之處理中,具體指定出是在前述對象軋延道次的運轉室側與電動機側的哪一側產生收縮,並將產生收縮之側的前述入口側邊導器打開。
- 如請求項3所述之收縮產生預測系統,其中,前述1台或複數台電腦係在操作前述入口側邊導器之處理中,當無法具體指定出是在前述對象軋延道次的運轉室側與電動機側的哪一側產生收縮時,將前述運 轉室側與前述電動機側的兩側的前述入口側邊導器打開。
- 如請求項1或請求項2所述之收縮產生預測系統,其中,前述1台或複數台電腦係在建構前述適應性模型之處理中,藉由屬於人工智慧範疇的機器學習或統計手法建構前述適應性模型,每當新獲得一定數量的前述適應性模型建構用資料時便更新前述適應性模型。
- 如請求項1或請求項2所述之收縮產生預測系統,其中,前述1台或複數台電腦係在採集並保存前述適應性模型建構用資料之處理中,藉由通過前述對象軋延道次的軋延材的圖像資料的解析,判定在前述對象軋延道次中有無收縮的產生及產生部位。
- 如請求項1或請求項2所述之收縮產生預測系統,其中,前述1台或複數台電腦係在採集並保存前述適應性模型建構用資料之處理中,根據施加在前述對象軋延道次的入口側邊導器的荷重,判定在前述對象軋延道次中有無收縮的產生及產生部位。
- 如請求項1或請求項2所述之收縮產生預測系統,其中,前述1台或複數台電腦係在採集並保存前述適應性模型建構用資料之處理中,接收由操作人員經由HMI輸入的在前述對象軋延道次中有無收縮的產生及產生部位。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2019/035971 WO2021048984A1 (ja) | 2019-09-12 | 2019-09-12 | 絞り発生予測システム |
WOPCT/JP2019/035971 | 2019-09-12 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202126401A TW202126401A (zh) | 2021-07-16 |
TWI749735B true TWI749735B (zh) | 2021-12-11 |
Family
ID=74866315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109129538A TWI749735B (zh) | 2019-09-12 | 2020-08-28 | 收縮產生預測系統 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20220008976A1 (zh) |
EP (1) | EP3838432B1 (zh) |
JP (1) | JP7070796B2 (zh) |
KR (1) | KR102426172B1 (zh) |
CN (1) | CN112839746B (zh) |
TW (1) | TWI749735B (zh) |
WO (1) | WO2021048984A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114640753B (zh) * | 2022-04-01 | 2023-10-27 | 北京市疾病预防控制中心 | 基于实验视频处理的线虫咽泵运动频率自动识别方法 |
CN114833202B (zh) * | 2022-04-07 | 2024-04-12 | 中冶赛迪信息技术(重庆)有限公司 | 提高直轧平均温度的剔坯方法、系统、介质及电子终端 |
CN114682634B (zh) * | 2022-04-21 | 2024-05-07 | 重庆钢铁股份有限公司 | 一种预防折叠带尾进入轧机的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01205808A (ja) * | 1988-02-12 | 1989-08-18 | Nippon Steel Corp | 連続式圧延機の尻絞り防止方法 |
WO2012086043A1 (ja) * | 2010-12-24 | 2012-06-28 | 三菱日立製鉄機械株式会社 | 熱間圧延設備及び熱間圧延方法 |
TWI625174B (zh) * | 2017-07-27 | 2018-06-01 | 中國鋼鐵股份有限公司 | 鋼帶尾端破損的偵測方法 |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2672700B2 (ja) | 1990-09-04 | 1997-11-05 | 株式会社東芝 | 圧延材の蛇行制御装置 |
TW319720B (zh) * | 1995-07-10 | 1997-11-11 | Kawasaki Steel Co | |
KR100363432B1 (ko) * | 1998-12-15 | 2003-02-19 | 주식회사 포스코 | 사상압연시의 스트립꼬임을 방지하기 위한 방법 및 장치 |
JP2000246325A (ja) * | 1999-02-24 | 2000-09-12 | Mitsubishi Heavy Ind Ltd | 熱間圧延におけるスケール疵防止装置及び防止方法 |
AUPQ779900A0 (en) * | 2000-05-26 | 2000-06-22 | Bhp Steel (Jla) Pty Limited | Hot rolling thin strip |
KR100675061B1 (ko) * | 2005-08-10 | 2007-01-29 | 제이에프이 스틸 가부시키가이샤 | 강대 또는 표면 처리 강대의 제조 방법 |
KR100660216B1 (ko) * | 2005-12-23 | 2006-12-21 | 주식회사 포스코 | 판 꼬임 방지를 위한 열간 압연 제어 방법 |
EP2145703B1 (en) * | 2008-03-14 | 2015-01-07 | Nippon Steel & Sumitomo Metal Corporation | Rolling load prediction learning method for hot plate rolling |
CN102989839B (zh) * | 2011-09-16 | 2014-12-24 | 宝山钢铁股份有限公司 | 热连轧卷取机平行侧导板控制方法 |
JP5790636B2 (ja) * | 2012-12-19 | 2015-10-07 | Jfeスチール株式会社 | 圧延材の蛇行制御方法、圧延材の蛇行制御装置、圧延材の蛇行制御プログラム、及び圧延材の製造方法 |
TWI541081B (zh) * | 2013-09-14 | 2016-07-11 | 中國鋼鐵股份有限公司 | 鋼胚之熱軋方法 |
JP6517147B2 (ja) * | 2013-11-08 | 2019-05-22 | 東芝三菱電機産業システム株式会社 | 生産ラインのシミュレーション装置 |
WO2016125226A1 (ja) * | 2015-02-02 | 2016-08-11 | 東芝三菱電機産業システム株式会社 | 圧延ラインの蛇行制御装置 |
JP6330734B2 (ja) * | 2015-06-09 | 2018-05-30 | Jfeスチール株式会社 | 鋼板切断位置設定装置及び鋼板製造方法 |
WO2017018517A1 (ja) * | 2015-07-29 | 2017-02-02 | 新日鐵住金株式会社 | 熱間圧延用チタン素材 |
EP3202502A1 (de) * | 2016-02-04 | 2017-08-09 | Primetals Technologies Germany GmbH | Bandlageregelung |
JP2018015766A (ja) * | 2016-07-25 | 2018-02-01 | Jfeスチール株式会社 | 熱間仕上圧延における鋼板尾端蛇行制御方法 |
EP3293594A1 (de) * | 2016-09-13 | 2018-03-14 | Primetals Technologies Germany GmbH | Verwendung umfassender künstlicher intelligenz bei anlagen der grundstoffindustrie |
JP6688706B2 (ja) | 2016-09-13 | 2020-04-28 | 株式会社神戸製鋼所 | 蛇行予測システム及び蛇行予測方法 |
JP6953990B2 (ja) * | 2017-10-17 | 2021-10-27 | 日本製鉄株式会社 | 品質予測装置及び品質予測方法 |
CN108655190B (zh) * | 2018-04-17 | 2020-02-04 | 北京首钢股份有限公司 | 一种侧导板的控制方法及系统 |
-
2019
- 2019-09-12 CN CN201980065244.9A patent/CN112839746B/zh active Active
- 2019-09-12 US US17/275,205 patent/US20220008976A1/en active Pending
- 2019-09-12 WO PCT/JP2019/035971 patent/WO2021048984A1/ja unknown
- 2019-09-12 KR KR1020217008497A patent/KR102426172B1/ko active IP Right Grant
- 2019-09-12 EP EP19944643.6A patent/EP3838432B1/en active Active
- 2019-09-12 JP JP2021519916A patent/JP7070796B2/ja active Active
-
2020
- 2020-08-28 TW TW109129538A patent/TWI749735B/zh active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01205808A (ja) * | 1988-02-12 | 1989-08-18 | Nippon Steel Corp | 連続式圧延機の尻絞り防止方法 |
WO2012086043A1 (ja) * | 2010-12-24 | 2012-06-28 | 三菱日立製鉄機械株式会社 | 熱間圧延設備及び熱間圧延方法 |
TWI625174B (zh) * | 2017-07-27 | 2018-06-01 | 中國鋼鐵股份有限公司 | 鋼帶尾端破損的偵測方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3838432A1 (en) | 2021-06-23 |
CN112839746B (zh) | 2022-10-11 |
EP3838432A4 (en) | 2021-10-06 |
CN112839746A (zh) | 2021-05-25 |
JP7070796B2 (ja) | 2022-05-18 |
US20220008976A1 (en) | 2022-01-13 |
TW202126401A (zh) | 2021-07-16 |
WO2021048984A1 (ja) | 2021-03-18 |
EP3838432B1 (en) | 2023-01-04 |
KR102426172B1 (ko) | 2022-07-27 |
JPWO2021048984A1 (ja) | 2021-10-28 |
KR20210046738A (ko) | 2021-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI749735B (zh) | 收縮產生預測系統 | |
CN109996615B (zh) | 轧制设备的异常诊断方法及装置 | |
JP6922675B2 (ja) | 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 | |
CN107949813B (zh) | 制造设备诊断辅助装置及制造设备诊断辅助方法 | |
JP7158569B2 (ja) | 金属製品の製造をモニタリングするための方法および電子デバイス、関連するコンピュータプログラムならびに設備 | |
JP7176507B2 (ja) | 熱間圧延の反り予測方法、反り制御方法、熱延鋼板の製造方法、反り予測モデルの生成方法、及び熱延設備 | |
JP3397726B2 (ja) | 圧延機の異常診断方法および装置 | |
JP6438753B2 (ja) | タンデム圧延ミルの制御装置およびタンデム圧延ミルの制御方法 | |
JP4696775B2 (ja) | 板幅制御方法および装置 | |
CN113198853A (zh) | 一种检测带钢板廓缺陷的方法及装置 | |
KR102161348B1 (ko) | 슬라브 이미지 기반의 디스케일링 타입 결정 장치 및 방법 | |
JP2017225989A (ja) | 圧下レベリング制御装置および圧下レベリング制御方法 | |
JP7405106B2 (ja) | 熱間圧延におけるレベリング制御方法、レベリング制御装置及び熱間圧延設備 | |
JP2023086615A (ja) | 高温鋼材の割れ検出方法、高温鋼材の圧延方法及び高温鋼材の割れ検出モデルの生成方法 | |
JP7401738B2 (ja) | 圧延計画支援装置、圧延順序決定方法及びコンピュータプログラム | |
JP6822390B2 (ja) | 厚鋼板の粗圧延時間算出方法、厚鋼板の粗圧延時間算出装置、及び厚鋼板の製造方法 | |
JP2022108117A (ja) | 予測装置、学習装置、予測プログラム、及び学習プログラム | |
JP2017177135A (ja) | 圧下レベリング制御装置および圧下レベリング制御方法 | |
JP2022526923A (ja) | 金属ストリップの圧延に際する起伏の防止 | |
JP2023070052A (ja) | 鋼板の板プロフィル判定方法、処置工程設定方法、製造方法、及び板プロフィル判定モデルの生成方法 | |
JP2021070045A (ja) | 厚鋼板の圧延方法及び圧延装置 | |
JP5423524B2 (ja) | 熱延コイルの製造条件決定装置および方法ならびに熱延コイルの製造方法 | |
JP2024003856A (ja) | 鋼板の矯正機への通板可否判定方法、矯正方法、製造方法、及び矯正機への通板可否判定モデルの生成方法 | |
CN116612085A (zh) | 一种基于深度学习技术的带钢穿带异常监测方法及系统 | |
JPH07185620A (ja) | 圧延装置 |