TWI776731B - 冷軋機的軋製條件計算方法、冷軋機的軋製條件計算裝置、冷軋方法、冷軋機及鋼板的製造方法 - Google Patents

Abstract

本發明的冷軋機的軋製條件計算方法包含：推定步驟；對預測模型輸入基於軋製對象材的非常態軋製實績資料所生成的第二多維資料，藉此推定針對軋製對象材的目標常態軋製條件的軋製限制條件，所述預測模型是將基於藉由冷軋機對軋製材進行軋製的以往的軋製實績中的、非常態軋製實績資料所生成的第一多維資料作為說明變量，將常態軋製實績資料及常態軋製時的軋製限制條件資料作為目標變量進行學習而成；以及變更步驟，以所推定的軋製限制條件滿足既定條件的方式變更目標常態軋製條件。

Description

冷軋機的軋製條件計算方法、冷軋機的軋製條件計算裝置、冷軋方法、冷軋機及鋼板的製造方法

本發明是有關於一種冷軋機的軋製條件計算方法、冷軋機的軋製條件計算裝置、冷軋方法、冷軋機及鋼板的製造方法。

通常於軋製冷軋薄鋼板時，藉由確保鋼板的長度方向及寬度方向的板厚精度良好並且使鋼板的形狀（或平坦度）良好，從而以使鋼板的通板性穩定的狀態來進行軋製。冷軋機的控制因數大多由搭載於冷軋機的致動器（actuator）自動控制，操作員（operator）設定冷軋機的控制因數的機會逐漸減少。

另一方面，為了實現輕量化以抑制燃費等，高強度且薄規格的薄物硬質材的需求不斷高漲。於此種高負荷的難軋製材的冷軋時，以軋製荷重（及附帶計算的前滑率或力矩）為首的冷軋機的輥隙（roll gap）、工作輥彎曲（work-roll bender）或中間輥偏移、及熱凸度（thermal crown）所致的輥膨脹所代表的輥撓曲補正大多情況下成為達到冷軋機的規格極限的操作條件。於該情形時，操作員設定不超過冷軋機的設備限制般的、道次規程（pass schedule）或軋製速度。

此外，視軋製前步驟的製程條件或者冷軋機的設備狀態及冷媒（coolant）狀態的變化，有時容易產生下述現象，即：由潤滑不足或過度潤滑引起的、被稱為顫動（chattering）的於鉛垂方向或水平方向的軋機振動（mill vibration）以30 Hz～200 Hz左右的頻率產生，鋼板的板厚週期性地變動。於該情形時，操作員必須設定滿足冷軋機的設備限制且不妨礙生產性的軋製速度。

因此，近年來，冷軋機的操作速度或生產性容易受操作員的經驗所支配。在此種背景下，專利文獻1中提出有下述方法，即：使用神經網路（neural network）來學習以往的操作條件，使用學習結果來進行軋機的軋機設定（mill setup）。 [先前技術文獻] [專利文獻]

專利文獻1：日本專利第6705519號公報

[發明所欲解決之課題]

然而，即便軋機於軋機設定時間點成為最適的操作條件，亦若於操作時軋製速度增加，則操作條件因輥縫（roll bite）內的潤滑狀態或軋輥的熱膨脹、鋼板溫度的增加等而變化，有時難以達到板卷（coil）可達成的軋製速度。

本發明是鑑於所述課題而成，其目的在於提供一種冷軋機的軋製條件計算方法及軋製條件計算裝置，即便於軋製高負荷的難軋製材時，亦可算出確保軋製的穩定性並且不妨礙生產性的軋製條件。另外，本發明的另一目的在於提供一種冷軋方法及冷軋機，可穩定地且以良好的生產性軋製高負荷的難軋製材。另外，本發明的另一目的在於提供一種鋼板的製造方法，可高良率地製造具有所需的製品特性及機械特性的鋼板。 [解決課題之手段]

本發明的冷軋機的軋製條件計算方法包括：推定步驟，藉由對預測模型輸入基於軋製對象材的非常態軋製實績資料所生成的第二多維資料，從而推定針對軋製對象材的目標常態軋製條件的、軋製限制條件，所述預測模型是將基於藉由冷軋機對軋製材進行軋製的以往的軋製實績中的、非常態軋製實績資料所生成的第一多維資料作為說明變量，將常態軋製實績資料及常態軋製時的軋製限制條件資料作為目標變量進行學習而成；以及變更步驟，以所推定的軋製限制條件滿足既定條件的方式變更所述目標常態軋製條件。

所述軋製材可具有使先行材與後行材焊接的焊接部，所述非常態軋製實績資料為所述焊接部通過所述冷軋機的出側時的軋製實績資料。

所述常態軋製實績資料中，可包含表示以往軋製的軋製材的常態軋製時的目標軋製速度的、資料，所述變更步驟包含下述步驟：以所推定的軋製限制條件滿足既定條件的方式，變更所述軋製對象材的常態軋製時的目標軋製速度。

本發明的冷軋機的軋製條件計算裝置包括：推定機構，藉由對預測模型輸入基於軋製對象材的非常態軋製實績資料所生成的第二多維資料，從而推定針對軋製對象材的目標常態軋製條件的、軋製限制條件，所述預測模型是將基於藉由冷軋機對軋製材進行軋製的以往的軋製實績中的、非常態軋製實績資料所生成的第一多維資料作為說明變量，將常態軋製實績資料及常態軋製時的軋製限制條件資料作為目標變量進行學習而成；以及變更機構，以所推定的軋製限制條件滿足既定條件的方式變更所述目標常態軋製條件。

本發明的冷軋方法包括下述步驟：使用利用本發明的冷軋機的軋製條件計算方法進行了變更的目標常態軋製條件，對軋製對象材進行軋製。

本發明的冷軋機包括本發明的冷軋機的軋製條件計算裝置。

本發明的鋼板的製造方法包括：冷軋步驟，使用本發明的冷軋方法對軋製材進行冷軋；以及退火步驟，針對經所述冷軋步驟冷軋的軋製材，實施均熱溫度600℃～950℃、爐內張力0.1 kgf/mm ²～3.0 kgf/mm ²的退火處理。 [發明的效果]

根據本發明的冷軋機的軋製條件計算方法及軋製條件計算裝置，即便於軋製高負荷的難軋製材時，亦可算出確保軋製的穩定性並且不妨礙生產性的軋製條件。另外，根據本發明的冷軋方法及冷軋機，可穩定地且以良好的生產性軋製高負荷的難軋製材。另外，根據本發明的鋼板的製造方法，可高良率地製造具有所需的製品特性及機械特性的鋼板。

以下，參照圖式對本發明的一實施形態的冷軋機的軋製條件計算方法、冷軋機的軋製條件計算裝置、冷軋方法及冷軋機加以說明。再者，以下所示的實施形態例示用以使本發明的技術思想具體化的裝置或方法，且並非將結構零件的材質、形狀、結構、配置等特別指定為以下所示的實施形態。另外，圖式為示意性，因此需注意厚度與平面尺寸的關係、比率等與現實不同，在圖式相互間包含相互的尺寸的關係或比率不同的部分。

〔冷軋機的結構〕 首先，參照圖1對本發明的一實施形態的冷軋機的結構加以說明。再者，本說明書中，有時將「冷軋」簡單地記載為「軋製」，本說明書中「冷軋」與「軋製」為相同含意。另外，以下的說明中，作為由冷軋機進行軋製的軋製材（軋製對象材），列舉鋼板為例。然而，軋製材不限定於鋼板，亦可適用鋁板等其他金屬帶。

圖1為表示本發明的一實施形態的冷軋機的結構的示意圖。如圖1所示，本發明的一實施形態的冷軋機1為自鋼板S的入側（朝向圖1的紙面為左側）向出側（朝向圖1的紙面為右側）依次包括第一軋機座～第五軋機座（#1STD～#5STD）此五台軋機座的、冷連軋機。該冷軋機1中，在相鄰的軋機座間，適當設置有未圖示的張力輥（tension roll）及導向輥（deflector roll）、板厚計及形狀計。軋機座的結構或鋼板S的搬送裝置等並無特別限定，亦可適當適用公知的技術。

對冷軋機1的各軋機座供給有乳液軋製油（以下的說明中，有時將「乳液軋製油」簡稱為「軋製油」）13。冷軋機1包括污油箱（dirty tank，回收用箱）5及清潔箱7作為軋製油蓄積箱，自該些軋製油蓄積箱供給的軋製油通過供給線9供給於各軋機座。

由配置於第一軋機座～第五軋機座的下方的油盤（oil pan）10所回收的軋製油、即冷軋中經使用的軋製油通過返回配管11流入至污油箱5。

蓄積於清潔箱7的軋製油為藉由將溫水（稀釋水）與軋製油的原液（添加有界面活性劑）混合從而生成的軋製油。該經混合的溫水與軋製油的原液是藉由調整攪拌機12的攪拌翼的轉速，即藉由調整攪拌程度，從而製成具有所需的平均粒徑或濃度範圍的目標軋製油。

關於軋製油的原液，可適用通常的冷軋所用的原液，例如可使用以天然油脂、脂肪酸酯及烴系合成潤滑油中的任一者作為基油的原液。進而，亦可於該些軋製油中添加油性改良劑、極壓添加劑及抗氧化劑等通常用於冷軋油的添加劑。

關於添加至軋製油的界面活性劑，可使用離子系及非離子系的任一種，只要使用通常的循環式冷媒系統（循環式軋製油供給方式）所用的界面活性劑即可。而且，只要將軋製油的原液稀釋至較佳為濃度2質量%～8質量%、更佳為濃度3質量%～6.0質量%，並使用界面活性劑製成油分散於水的水包油（Oil in Water，O/W）乳液軋製油即可。再者，軋製油的平均粒徑較佳為設為15 μm以下，更佳為設為3 μm～10 μm。

操作開始以後，回收至污油箱5的軋製油經由包含鐵粉量控制裝置等的鐵粉去除裝置6流入至清潔箱7。回收至污油箱5的軋製油中，含有因軋輥與鋼板S之間的摩擦而產生的磨耗粉（鐵粉）。因此，鐵粉去除裝置6以所回收的軋製油的油溶鐵分成為作為蓄積於清潔箱7的軋製油所容許的油溶鐵分的方式去除磨耗粉。

乳液軋製油自污油箱5側經由鐵粉去除裝置6向清潔箱7側的移動可連續地進行，亦可間歇地進行。鐵粉去除裝置6較佳為使用電磁過濾器或磁選機（magnet separator）等磁過濾器將鐵粉吸附並去除，但不限於此。鐵粉去除裝置6亦可為使用離心分離等方法的公知裝置。

再者，供給於軋機座的軋製油的一部分被鋼板S帶出至系統外，或者因蒸發而消失。因此，清潔箱7成為下述結構，即：以清潔箱7內的軋製油的蓄積水準或濃度成為既定範圍內的方式，自原液箱（未圖示）適當補給（供給）有軋製油的原液。另外，用於稀釋軋製油的溫水亦適當補給（供給）於清潔箱7。再者，清潔箱7內的乳液軋製油的蓄積水準或濃度可由未圖示的感測器測定。

繼而，對冷軋機1的軋製油供給系統加以詳細說明。冷軋機1的軋製油供給系統包括污油箱5、鐵粉去除裝置6、清潔箱7及自清潔箱7吸取軋製油的泵8。再者，亦可於清潔箱7與泵8之間配置用以去除異物的濾器（strainer）。

冷軋機1的軋製油供給系統包括：供給線9，將一端部連接於清潔箱7；以及五組潤滑用冷媒頭3及五組冷卻用冷媒頭4，在供給線9的另一端部（軋機側）分支，分別配置於與各機座對應的位置。

各潤滑用冷媒頭3配置於軋機座的入側，藉由自分別設置的噴霧噴嘴（spray nozzle）向輥縫噴射作為潤滑油的軋製油，從而向輥縫或工作輥供給潤滑油。冷卻用冷媒頭4配置於軋機座的出側，藉由自分別設置的噴霧噴嘴向軋輥噴射軋製油，從而將軋輥冷卻。

藉由此種結構，清潔箱7內的乳液軋製油由泵8於供給線9中壓送，並供給於配置於各軋機座的潤滑用冷媒頭3及冷卻用冷媒頭4，自分別設置的噴霧噴嘴向噴射部位供給。另外，供給於軋輥的乳液軋製油除了被鋼板S帶出至系統外或因蒸發而消失的部分以外，由油盤10回收，經由返回配管11回到污油箱5內。然後，蓄積於污油箱5內的乳液軋製油的一部分是使用鐵粉去除裝置6將因冷軋而產生的油溶鐵分去除一定量後，回到清潔箱7內。

藉由以上的軋製油供給系統，對軋輥循環供給進行了磨耗部分的去除處理的軋製油。即，將所供給的乳液軋製油循環使用。再者，清潔箱7對應於以往的循環供油方式中的循環用的軋製油箱，如上文所述，適當向清潔箱7補給（供給）有軋製油的原液。

〔常態軋製速度預測模型〕 繼而，對本發明的一實施形態的常態軋製速度預測模型加以說明。

與本發明的一實施形態的常態軋製速度預測模型有關的功能是藉由圖1所示的軋製控制裝置14及運算單元15來實現。

軋製控制裝置14基於來自運算單元15的控制訊號而控制冷軋機1的軋製條件。

圖2為表示圖1所示的運算單元15的結構的方塊圖。如圖2所示，運算單元15包括運算裝置71、輸入裝置88、儲存裝置89及輸出裝置90。

運算裝置71經由匯流排87與輸入裝置88、儲存裝置89及輸出裝置90進行有線連接。然而，運算裝置71、輸入裝置88、儲存裝置89及輸出裝置90不限於該連接態樣，亦可藉由無線而連接，亦可以將有線與無線組合的態樣連接。

輸入裝置88作為輸入軋製控制裝置14的控制資訊或來自操作監視裝置91的資訊的輸入埠發揮功能。作為來自操作監視裝置91的資訊，包含常態軋製速度預測模型的執行指令資訊、與軋製對象的鋼板S有關的資訊（前步驟條件、鋼種、尺寸）及於冷軋前由過程電腦（process computer）或操作員設定的冷軋條件資訊（數值資訊、字符資訊及圖像資訊）。

儲存裝置89例如由硬碟驅動器、半導體驅動器、光學驅動器等構成，為儲存本系統中必要的資訊（實現後述的預測模型製作部77及預測模型執行部78的功能所需要的資訊）的裝置。

作為實現預測模型製作部77的功能所需要的資訊，例如包含鋼板S的要求特性（鋼種、板厚、板寬等）或軋機設備限制、鋼板S的焊接點通過後的軋製資訊、軋機座所使用的冷媒性狀、目標軋製速度等表示與冷軋有關的說明變量及目標變量（針對目標軋製速度的限制判定）的資訊。

作為實現預測模型執行部78的功能所需要的資訊，例如可列舉：由預測模型製作部77所製作的鋼板S的每種軋製狀態的常態軋製速度預測模型、及對常態軋製速度預測模型輸入的各種資訊。

輸出裝置90作為對軋製控制裝置14輸出來自運算裝置71的控制訊號的輸出埠發揮功能。

操作監視裝置91包括液晶顯示器或有機顯示器等任意的顯示器。操作監視裝置91自軋製控制裝置14接收表示冷軋機1的操作狀態的各種資訊，並將該些資訊顯示於用於由操作員監視冷軋機1的操作狀態的運轉畫面（操作畫面）。

運算裝置71包括隨機存取記憶體（Random Access Memory，RAM）72、唯讀記憶體（Read Only Memory，ROM）73及運算處理部76。

ROM73儲存預測模型製作程式74及預測模型執行程式75。

運算處理部76具有運算處理功能，經由匯流排87與RAM72及ROM73連接。

RAM72、ROM73及運算處理部76經由匯流排87連接於輸入裝置88、儲存裝置89及輸出裝置90。

運算處理部76包括預測模型製作部77及預測模型執行部78作為功能塊。

預測模型製作部77為製作由機械學習方法所得的常態軋製速度預測模型的處理部，所述機械學習方法將冷軋機1的、以往的軋製實績與和以往的軋製實績對應的軋製限制條件相結合。作為由機械學習方法所得的常態軋製速度預測模型，本實施形態中使用神經網路模型。機械學習的方法不限定於神經網路，亦可採用其他公知的機械學習的方法。

預測模型製作部77包括學習用資料獲取部77A、前處理部77B、第一資料變換部77C、模型製作部77D及結果保存部77E。預測模型製作部77於自操作監視裝置91接到製作常態軋製速度預測模型的指示時，執行儲存於ROM73的預測模型製作程式74，藉此作為學習用資料獲取部77A、前處理部77B、第一資料變換部77C、模型製作部77D及結果保存部77E發揮功能。常態軋製速度預測模型在預測模型製作部77每次執行時更新。

作為用以生成常態軋製速度預測模型的事前處理，學習用資料獲取部77A獲取多個學習用資料，該多個學習用資料將以往的軋製實績資料中的、非常態軋製實績資料作為輸入實績資料（說明變量），將常態軋製實績資料及常態軋製時的軋製限制條件資料作為輸出實績資料（目標變量）。具體而言，學習用資料獲取部77A獲取以下多個學習用資料，即：將焊接點通過後的軋製條件的操作實績資料（使先行材與後行材焊接的焊接部通過冷軋機的出側時的軋製實績資料）及目標軋製速度作為輸入實績資料，將使用該輸入實績資料的冷軋時的目標軋製速度的限制判定值作為輸出實績資料。學習用資料獲取部77A自儲存裝置89獲取所述輸入實績資料及輸出實績資料而製作學習用資料。各學習用資料包含輸入實績資料與輸出實績資料的組。學習用資料儲存於儲存裝置89。學習用資料獲取部77A亦可不使學習用資料儲存於儲存裝置89，而向前處理部77B或模型製作部77D供給學習用資料。

輸入實績資料中，包含將說明變量於時間方向連結的多維排列資訊。本實施形態中，採用圖3的（a）～圖3的（c）所示般的資訊作為多維排列資訊。

圖3的（a）表示縱列（垂直方向）為板卷條件，橫列（水平方向）包含選自冷軋機1的操作條件中的說明變量的輸入實績資料的一例。說明變量的列數並無特別限定。本實施形態中，製作針對每個板卷條件於時間方向（縱深方向）連結而成的多維排列資訊作為輸入實績資料。於時間方向連結時的時間間隔並無特別限定。於不存在時序資料的情形、或為不因時間而變化的說明變量的情形時，時間間隔成為0秒，複製相同資料。

圖3的（b）表示縱列（垂直方向）為某板卷的焊接點通過後的經過時間，橫列（水平方向）設為選自冷軋機1的操作條件中的說明變量的輸入實績資料的一例。與圖3的（a）的例子同樣地，製作對每個板卷條件於時間方向（縱深方向）連結的多維排列資訊，成為輸入實績資料。

圖3的（c）表示縱列（垂直方向）為某板卷的焊接點通過後的經過時間，橫列（水平方向）設為選自冷軋機1的操作條件中的說明變量的輸入實績資料的一例。輸入實績資料於時間方向（縱深方向）連結，因而無需為同一板卷，本例中製作將多個板卷的時序操作資訊連結的多維排列資訊作為輸入實績資料。

再者，於儲存裝置89未儲存有以往的軋製實績資料的情形（例如，為以往並無實績的軋製條件或鋼種條件的情形）或樣本量少的情形時，學習用資料獲取部77A要求操作員一次或多次不使用常態軋製速度預測模型來執行冷軋。另外，儲存於儲存裝置89的學習用資料的數量越多，則常態軋製速度預測模型的預測精度越提高。因此，於學習用資料的數量少於預先設定的臨限值的情形時，學習用資料獲取部77A亦可要求操作員不使用常態軋製速度預測模型來執行冷軋，直至資料數達到臨限值為止。

前處理部77B將學習用資料獲取部77A所獲取的學習用資料加工成常態軋製速度預測模型製作用。具體而言，前處理部77B為了使神經網路模型讀入構成學習用資料的軋製實績資料，視需要於0～1之間使輸入實績資料的值域標準化（歸一化）。

輸入實績資料為多維資訊。因此，第一資料變換部77C使用卷積神經網路300以殘留特徵量的狀態對輸入實績資料進行維度壓縮，製成一維資訊（參照圖4）。輸入實績資料以成為一維資訊的狀態於圖4所示的輸入層101連接。

此處，參照圖5對第一資料變換部77C的處理例加以說明。圖5為表示將多維排列資訊變換為一維資訊的處理的流程的流程圖。如圖5所示，將多維排列資訊變換為一維資訊的處理、即多維排列資訊的保存方法具有將多個過濾器的輸入輸出多段地相連的結構。即，將多維排列資訊變換為一維資訊的處理自輸入側起依序包含第一卷積步驟S10、第一池化步驟S11、第二卷積步驟S12、第二池化步驟S13及全連接步驟S14。

第一卷積步驟S10中，第一資料變換部77C輸入橫64×縱64的多維排列資訊，藉由卷積運算而輸出64×64的第一特徵映射。第一特徵映射表示於輸入排列的何處具有何種局部特徵。卷積運算中，例如設為橫3×縱3像素、32通道的過濾器，將過濾器的適用間隔設為1，將以0填埋周邊的（填充）長度設為1。

第一池化步驟S11中，第一資料變換部77C輸入由第一卷積步驟S10所輸出的第一特徵映射，將第一特徵映射的橫3×縱3像素內的最大值設為新的一像素。第一資料變換部77C一方面移動像素一方面對整個映射實施該操作。藉此，第一池化步驟S11中，第一資料變換部77C輸出將第一特徵映射壓縮的第二特徵映射。

第二卷積步驟S12中，第一資料變換部77C輸入第二特徵映射，藉由卷積運算而輸出第三特徵映射。卷積運算中，例如設為橫3×縱3像素、32通道的過濾器，將過濾器的適用間隔設為1，將以0填埋周邊的（填充）長度設為1。

第二池化步驟S13中，第一資料變換部77C輸入由第二卷積步驟S12輸出的第三特徵映射，將第三特徵映射的橫3×縱3像素內的最大值設為新的一像素。第一資料變換部77C一方面移動像素一方面對整個映射實施該操作。藉此，第二池化步驟S13中，第一資料變換部77C輸出將第三特徵映射壓縮的第四特徵映射。

全連接步驟S14中，第一資料變換部77C將由第二池化步驟S13輸出的第四特徵映射的資訊排列成一列。而且，自全連接步驟S14輸出的100個神經元（neuron）成為輸入層101。再者，卷積的方法或輸出神經元數不限定於所述。另外，卷積神經網路的方法亦可使用谷歌網（GoogleNet）或視覺幾何組（Visual Geometry Group，VGG）16、移動網（MOBILENET）、效率網（EFFICIENTNET）等已知的模型。

模型製作部77D藉由使用前處理部77B所獲取的多個學習用資料的、機械學習（亦包含經第一資料變換部77C變換的資訊），生成常態軋製速度預測模型，該常態軋製速度預測模型包含非常態軋製實績資料作為輸入實績資料，且以目標軋製速度的軋製限制判定值作為輸出實績資料。

本實施形態中，機械學習的方法採用神經網路，故而模型製作部77D製作神經網路模型作為常態軋製速度預測模型。即，模型製作部77D製作將經加工成常態軋製速度預測模型製作用的學習用資料中的輸入實績資料（包含目標軋製速度的軋製實績資料）與輸出實績資料（目標軋製速度的軋製限制判定值）相結合的、作為常態軋製速度預測模型的神經網路模型。神經網路模型例如以函數式表現。

具體而言，模型製作部77D進行用於神經網路模型的超參數（hyperparameter）的設定，並且藉由使用該些超參數的神經網路模型進行學習。作為超參數的調優計算，模型製作部77D首先針對學習用資料製作使超參數中的若干個階段性地變更的神經網路模型，選擇對驗證用資料的預測精度達到最高般的超參數。

作為超參數，通常設定隱藏層的個數、各隱藏層中的神經元數、各隱藏層的丟棄率（將神經元的傳遞以某一定的概率阻斷）、各隱藏層的激活函數及輸出數，但不限定於此。另外，超參數的調優方法並無特別限定，可使用階段性地變更參數的網格搜索（grid search）或隨機選擇參數的隨機搜索（random search）、或者利用貝葉斯優化（Bayesian Optimization）的搜索。

再者，模型製作部77D作為運算裝置71的一部分而組入，但結構不限定於此。例如，亦可預先製作常態軋製速度預測模型並保存，並適當讀出該些常態軋製速度預測模型。

如圖4所示，作為本實施形態的常態軋製速度預測模型的神經網路模型自輸入側起依序包括輸入層101、中間層102及輸出層103。

圖3的（a）～圖3的（c）中製作的多維排列資訊由學習用資料獲取部77A使用卷積神經網路以殘留特徵量的狀態進行維度壓縮，以成為一維資訊的狀態保存於輸入層101。

中間層102由多個隱藏層構成，於各隱藏層配置有多個神經元。於中間層102內構成的隱藏層的個數或配置於各隱藏層的神經元的個數並無特別限定。中間層102中，自某神經元向接下來的隱藏層的神經元的傳遞是經由激活函數與利用權重係數的變量加權一起進行。關於激活函數，可使用S形函數（Sigmoid function）或雙曲正切函數（hyperbolic tangent function）、或者斜坡函數（ramp function）。

輸出層103將由中間層102所傳遞的神經元的資訊結合，作為針對最終的目標軋製速度的限制判定值而輸出。於輸出層103內構成的輸出數並無特別限定。基於該所輸出的結果、以及以往的鋼板S的冷軋時的常態軋製實績及此時的軋製限制實績（軋製荷重判定、軋製動力判定、前滑率判定、顫動判定、板形狀判定、邊緣破裂判定、板厚精度判定），使神經網路模型內的權重係數逐漸最適化，藉此進行學習。

學習了神經網路模型的權重係數後，模型製作部77D將評價用資料（成為使用常態軋製速度預測模型的軋製對象的、鋼板S的軋製條件實績）輸入至所述權重係數經學習的神經網路模型，獲得針對評價用資料的推定結果。

回到圖2。結果保存部77E使學習用資料、評價用資料、神經網路模型的參數（權重係數）、針對學習用資料的神經網路模型的輸出結果、及針對評價用資料的神經網路模型的輸出結果儲存於儲存裝置89。

預測模型執行部78於鋼板S的冷軋中，使用預測模型製作部77所製作的常態軋製速度預測模型，預測與軋製對象的鋼板S的軋製條件對應的、冷軋中的鋼板S的常態軋製速度。而且，預測模型執行部78決定軋製對象的鋼板S的常態軋製速度。

為了進行所述處理，預測模型執行部78包括資訊讀取部78A、第二資料變換部78B、軋製速度預測部78C、軋製條件決定部78D及結果輸出部78E。此處，預測模型執行部78於自軋製控制裝置14經由輸入裝置88接到告知實施有冷軋的訊號時，執行儲存於ROM73的預測模型執行程式75，藉此作為資訊讀取部78A、軋製速度預測部78C、軋製條件決定部78D及結果輸出部78E發揮功能。

資訊讀取部78A自儲存裝置89讀入由過程電腦及操作員於操作監視裝置91所設定的、軋製對象的鋼板S的軋製條件。

第二資料變換部78B進行將成為對常態軋製速度預測模型的輸入資料的多維排列資訊卷積成一維資訊的處理。第二資料變換部78B的處理與第一資料變換部77C的處理相同，故而省略處理的詳細說明。亦可將第一資料變換部77C及第二資料變換部78B作為一個處理部而次常式（subroutine）化。

軋製速度預測部78C將經第二資料變換部78B卷積後的一維資訊輸入至常態軋製速度預測模型，預測軋製對象的鋼板S的常態軋製速度。另外，軋製速度預測部78C預測針對軋製對象的鋼板S的目標軋製速度的、限制判定值。

軋製條件決定部78D進行下述處理，即：對目標軋製速度進行設定變更，反覆執行所述資訊讀取部78A、第二資料變換部78B及軋製速度預測部78C的處理並返回，直至針對目標軋製速度的限制判定值成為預先設定的臨限值以下為止。

若針對目標軋製速度的限制判定值成為預先設定的臨限值以下，則結果輸出部78E運作，輸出所決定的軋製對象的鋼板S的軋製條件（目標軋製速度）。

繼而，參照圖6對預測模型執行部78的處理加以說明。

圖6為表示預測模型執行部78的處理流程的流程圖。如圖6所示，於執行常態軋製速度預測模型時，首先預測模型執行部78的資訊讀取部78A於步驟S41的處理中，自儲存裝置89讀入與軋製對象的鋼板S的要求特性對應的、作為常態軋製速度預測模型的神經網路模型。

繼而，資訊讀取部78A於步驟S42的處理中，自上位計算機經由輸入裝置88讀入儲存於儲存裝置89的、所要求的限制判定臨限值。繼而，資訊讀取部78A於步驟S43的處理中，自上位計算機經由輸入裝置88讀入儲存於儲存裝置89的、軋製對象的鋼板S的軋製條件。

繼而，預測模型執行部78的軋製速度預測部78C於步驟S44的處理中，使用步驟S41的處理中讀入的作為常態軋製速度預測模型的神經網路模型，將步驟S43的處理中讀入的軋製對象的鋼板S的軋製條件作為經多維排列化的輸入實績資料，求出對應的冷軋中的、針對鋼板S的目標軋製速度的限制判定值。再者，神經網路模型的預測結果於輸出層103輸出。

繼而，預測模型執行部78的軋製條件決定部78D於步驟S45的處理中，判定步驟S44的處理中求出的針對目標軋製速度的鋼板S的限制判定值是否為步驟S42的處理中讀入的限制判定臨限值以內。再者，於計算的收斂不充分的情形時，亦可於實際上步驟S45的處理中可執行的計算時間的範圍內對收斂的重複次數設置上限。再者，限制判定值為限制判定臨限值以內相當於滿足本發明的既定條件。

而且，於判定為限制判定值為限制判定臨限值以內的情形（步驟S45中的判定結果為是（Yes）的情形）時，預測模型執行部78結束處理。另一方面，於判定為限制判定值並非限制判定臨限值以內的情形（步驟S45中的判定結果為否（No）的情形）時，預測模型執行部78使處理進入步驟S46的處理。

步驟S46的處理中，軋製條件決定部78D變更步驟S43的處理中讀入的軋製對象的鋼板S的軋製條件（目標軋製速度）的一部分，進入步驟S47的處理。步驟S47的處理中，預測模型執行部78的結果輸出部78E經由輸出裝置90將與所決定的軋製條件的一部分有關的資訊向軋製控制裝置14傳送。

於步驟S46的處理中變更軋製條件的一部分時，於步驟S47的處理中，軋製條件決定部78D將步驟S47的處理中軋製條件的一部分、具而言目標軋製速度或軋製道次規程、軋機座間單元張力的操作量經變更的軋製對象的鋼板S的軋製條件，決定為經最適化的鋼板S的軋製條件。而且，軋製條件決定部78D基於此時的軋製條件來決定軋製速度的操作量。軋製控制裝置14於冷軋階段中，基於自結果輸出部78E傳送的與軋製速度有關的資訊來變更軋製條件。

作為焊接點通過後的軋製條件的變更量的計算方法，軋製條件決定部78D基於步驟S44的處理中求出的針對目標軋製速度的限制判定值、與步驟S42的處理中讀入的限制判定臨限值之差異，算出軋製對象的鋼板S的適當的軋製條件。而且，軋製條件決定部78D將所計算出的軋製條件與步驟S43的處理中讀入的軋製對象的鋼板S的軋製條件比較，於步驟S47的處理中變更軋製條件。

回到步驟S43的處理，軋製速度預測部78C讀入軋製條件的一部分經變更的、軋製對象的鋼板S的軋製條件。另外，步驟S44的處理中，軋製速度預測部78C藉由作為常態軋製速度預測模型的神經網路模型，求出與步驟S43的處理中讀入的一部分經變更的軋製對象的鋼板S的軋製條件對應的、冷軋中的針對鋼板S的目標軋製速度的限制判定值。另外，步驟S45的處理中，軋製條件決定部78D判定步驟S44的處理中求出的限制判定值是否為步驟S42的處理中讀入的限制判定臨限值以內。而且，反覆執行步驟S43、步驟S44、步驟S45、步驟S46及步驟S47的一系列處理，直至所述判定結果成為是（Yes）為止。藉此，預測模型執行部78進行的處理（軋製速度控制決定步驟）結束。

由以上的說明所表明，本實施形態中，預測模型製作部77製作由機械學習方法所得的常態軋製速度預測模型，所述機械學習方法將以往的鋼板S的軋製實績、與和該軋製實績對應的以往的常態軋製實績相結合。另外，預測模型執行部78於鋼板S的冷軋中，藉由所製作的常態軋製速度預測模型來求出針對軋製對象的鋼板S的目標軋製速度的、限制判定值。而且，預測模型執行部78以所求出的限制判定值成為臨限值以內的方式，決定軋製對象的鋼板S的焊接點通過後的軋製條件。藉此，可預測不依賴於操作員的經驗或主觀的、滿足軋製操作的各種限制的常態軋製速度，防止冷軋中的板厚變動或斷裂等故障（trouble）並且維持生產性。進而，根據本實施形態，作為用於冷軋中的鋼板S的常態軋製速度預測的說明變量，將自軋製實績資料所採集的數值資訊連結，將多維排列資訊用作輸入資料，因而可於神經網路模型上識別在冷軋中產生的限制或對達成最大常態軋製速度的幫助大的因數。

針對藉由冷軋而製成最終板厚的鋼板，為了調整機械特性及製品特性而實施退火處理。該退火處理較佳為以水平爐進行，較佳為均熱溫度為600℃～950℃，爐內張力為0.1 kgf/mm ²～3.0 kgf/mm ²。若均熱溫度小於600℃或爐內張力小於0.1 kgf/mm ²，則再結晶未充分進行，無法獲得良好的磁氣特性，此外無法充分獲得退火時的形狀矯正效果。另一方面，若均熱溫度超過950℃或爐內張力超過3.0 kgf/mm ²，則結晶粒徑粗大化而鋼板的機械強度降低，伴隨賦予張力而鋼板內殘留應變，製品特性降低。

〔變形例〕 以上，對本發明的實施形態進行了說明，但本發明不限定於此，可進行各種變更、改良。例如，本實施形態中，作為步驟S43的處理中讀入的軋製對象的鋼板S的軋製條件，不僅為目標軋製速度，亦可變更焊接點通過時的軋製條件（連軋機的各軋機座的輥隙、軋機座間張力、輥偏移量、輥彎曲量）的一部分。另外，本實施形態中，貫穿初期非常態軋製階段～末期非常態軋製階段利用常態軋製速度預測模型來反覆預測鋼板S的常態軋製速度及決定軋製條件，但亦可於一部分進行。另外，作為冷軋機1，不限定於四段式，亦可為二段式（2Hi）或六段式（6Hi）等的多重軋機，軋機座的個數亦無特別限定。另外，亦可為多輥（cluster）軋機或森吉米爾（Sendzimir）軋機。

另外，在由運算單元15算出超過軋製速度的變更上下極限值的異常控制量的情形或無法算出控制量的情形時，軋製控制裝置14無法執行基於來自運算單元15的指令的控制。因此，軋製控制裝置14可於判定為來自運算單元15的控制量異常或未自運算單元15供給有控制量的情形等，不進行本實施。

另外，圖2所示的結構例中，輸出裝置90與操作監視裝置91未連接，但兩者亦可為可通信地連接。藉此，可將預測模型執行部78的處理結果（尤其是由軋製速度預測部78C所得的軋製中的鋼板S的常態軋製速度預測資訊、及由軋製條件決定部78D所決定的變更後的軋製條件）顯示於操作監視裝置91的運轉畫面。 [實施例]

以下，基於實施例對本發明進行說明。

使用圖1所示的實施形態的包含全五軋機座的冷連軋機，將母材厚2.0 mm、板寬1000 mm的含有2.5 mass%的矽（Si）的電磁鋼板用材料鋼板作為軋製材，進行冷軋至加工厚度0.300 mm為止的實驗。作為軋製油的原液，使用下述原液，即：針對在合成酯油添加有植物油脂的基油，分別添加各為1質量%的油性劑及抗氧化劑，而且以相對油的濃度為3質量%而添加有作為界面活性劑的非離子系界面活性劑。另外，循環使用的乳液軋製油是製備成軋製油的濃度3.5質量%、平均粒徑5 μm、溫度55℃的乳液軋製油。作為事前學習，首先使用學習用資料（3000件左右的以往的鋼板的軋製實績資料）實施利用神經網路模型的學習，將以往的鋼板的非常態軋製實績與以往的鋼板的常態軋製實績相結合，製作用於預測常態軋製速度的神經網路模型。

發明例中，作為以往的鋼板的軋製實績資料，使用包含鋼板的母材厚、母材凸度、變形阻力、板厚、焊接點通過時的軋製道次規程（軋製荷重、張力、鋼板形狀、板厚精度）、乳液性狀、工作輥的尺寸/凸度/粗糙度資訊、彎曲量及工作輥偏移量的資訊。進而，使用將所述軋製實績資料於時間方向連結而成的多維排列資訊作為輸入實績資料。作為以往的鋼板的常態軋製實績資料，學習常態軋製速度及此時成為限制的操作條件（軋製荷重、力矩、前滑率、顫動、板厚精度、鋼板形狀）的判定實績。於冷連軋機中進行輥隙的調整，鋼板的焊接點通過後，於軋製控制裝置14接通的階段中，預測由所製作的神經網路模型所得的、冷軋後的鋼板的常態軋製速度及限制判定值。而且，以所預測的限制判定值成為既定的臨限值以下的方式逐漸變更軋製條件，設定焊接點通過後的軋製條件。

比較例中亦與發明例同樣地，進行將母材厚2.0 mm、板寬1000 mm的含有2.8 mass%的Si的電磁鋼板用材料鋼板（軋製對象）冷軋至板厚0.3 mm為止的實驗。條件1、條件4、條件7、條件10、條件13的比較例中，使用不將以往的鋼板的軋製實績資料於時間方向連結而設為一維排列的輸入資料，將以往的顫動實績資料相結合，製作用於預測顫動的神經網路模型。另外，條件17～條件19的比較例中，除了基於操作員的經驗進行直至常態軋製速度為止的加速以外，與發明例同樣地進行軋製。

將發明例及比較例的100板卷軋製後的鋼板的平均常態軋製速度示於表1。如表1所示，比較例中因未充分學習，或每個操作員基於經驗差設定常態軋製速度，故而產生未充分進行操作限制而成為低速軋製的情形、或超過操作限制而產生顫動或斷裂等故障。

根據以上內容可確認，較佳為使用本發明的冷軋方法及冷軋機，適當預測鋼板的軋製中的常態軋製速度及限制判定值，以所述預測的限制判定值成為預先設定的臨限值以下的方式逐漸變更軋製條件而決定常態軋製速度。另外，藉此確認到，藉由適用本發明，不僅可防止冷軋中的顫動或板斷裂等製品故障，而且可大大有助於軋製步驟或後續步驟以後的生產性提高或品質提高。

[表1]

No.	Si量 （mass%）	加工板厚 （mm）	操作者	說明變量的維度	於垂直方向及/或縱深方向連結的資料的時間間隔（s）	時序學習資料	將多個板卷實績連結	平均常態軋製速度 （mpm）	常態軋製速度的保持時間（min.）	備註	備註
1	2.5	0.30		一維	0			1100	10	因超速而產生顫動	比較例
2	2.5	0.30		二維	0			1024	25		發明例
3	2.5	0.30		三維	0			1015	24		發明例
4	2.5	0.20		一維	0			850	12	產生形狀不良	比較例
5	2.5	0.20		二維	0			785	28		發明例
6	2.5	0.20		三維	0			780	25		發明例
7	2.5	0.30		一維	0	有		1125	12	產生邊緣破裂	比較例
8	2.5	0.30		二維	0	有		1050	22		發明例
9	2.5	0.30		三維	0	有		1030	21		發明例
10	2.5	0.30		一維	0		有	1110	13	因超速而產生顫動	比較例
11	2.5	0.30		二維	0		有	1042	23		發明例
12	2.5	0.30		三維	0		有	1010	26		發明例
13	3.0	0.30		一維	0			800	9	因超速而產生顫動	比較例
14	3.0	0.30		二維	0			750	18		發明例
15	3.0	0.30		三維	0			760	17		發明例
16	2.5	0.30		二維	1			1020	24		發明例
17	2.5	0.30	操作員A					1080	15	因超速而產生顫動	比較例
18	2.5	0.30	操作員B					800	23	因經驗不足而無法進行加速判斷	比較例
19	2.5	0.30	操作員C					950	18	擔心形狀不良而緩慢加速	比較例

以上，對適用本發明者等人作出的發明的實施形態進行了說明，但本發明不受本實施形態的成為本發明的揭示的一部分的描述及圖式限定。即，基於本實施形態由本領域技術人員得出的其他實施形態、實施例及運用技術等全部包含於本發明的範疇。 [產業上的可利用性]

根據本發明，可提供一種冷軋機的軋製條件計算方法及軋製條件計算裝置，即便於軋製高負荷的難軋製材時，亦可算出確保軋製的穩定性並且不妨礙生產性的軋製條件。另外，根據本發明，可提供一種冷軋方法及冷軋機，可穩定地且以良好的生產性軋製高負荷的難軋製材。另外，根據本發明，可提供一種鋼板的製造方法，可高良率地製造具有所需的製品特性及機械特性的鋼板。

1:冷軋機 3:潤滑用冷媒頭 4:冷卻用冷媒頭 5:污油箱（回收用箱） 6:鐵粉去除裝置 7:清潔箱（蓄積箱） 8:泵 9:供給線 10:油盤 11:返回配管 12:攪拌機 13:乳液軋製油 14:軋製控制裝置 15:運算單元 71:運算裝置 72:RAM 73:ROM 74:預測模型製作程式 75:預測模型執行程式 76:運算處理部 77:預測模型製作部 77A:學習用資料獲取部 77B:前處理部 77C:第一資料變換部 77D:模型製作部 77E:結果保存部 78:預測模型執行部 78A:資訊讀取部 78B:第二資料變換部 78C:軋製速度預測部 78D:軋製條件決定部 78E:結果輸出部 88:輸入裝置 89:儲存裝置 90:輸出裝置 91:操作監視裝置 101:輸入層 102:中間層 103:輸出層 S:鋼板（軋製材） S10:第一卷積步驟 S11:第一池化步驟 S12:第二卷積步驟 S13:第二池化步驟 S14:全連接步驟 S41～S47:步驟 #1STD:第一軋機座 #2STD:第二軋機座 #3STD:第三軋機座 #4STD:第四軋機座 #5STD:第五軋機座

圖1為表示本發明的一實施形態的冷軋機的結構的示意圖。 圖2為表示圖1所示的運算單元的結構的方塊圖。 圖3的（a）～圖3的（c）為表示多維排列資訊的一例的圖。 圖4為表示常態軋製速度預測模型的結構例的圖。 圖5為表示將多維排列資訊變換為一維資訊的處理的流程的流程圖。 圖6為表示預測模型執行部的處理流程的流程圖。

S41～S47:步驟

Claims (7)

1. 一種冷軋機的軋製條件計算方法，包括：推定步驟，對預測模型輸入軋製對象材的非常態軋製實績資料於時間方向連結所生成的第二多維資料，藉此推定針對軋製對象材的目標常態軋製條件的軋製限制條件，所述預測模型是將藉由冷軋機對軋製材進行軋製的以往的軋製實績中的、非常態軋製實績資料於時間方向連結所生成的第一多維資料作為說明變量，將常態軋製實績資料及常態軋製時的軋製限制條件資料作為目標變量進行學習而成；以及變更步驟，以所推定的軋製限制條件滿足既定條件的方式變更所述目標常態軋製條件。
2. 如請求項1所述的冷軋機的軋製條件計算方法，其中，所述軋製材具有使先行材與後行材焊接的焊接部，所述非常態軋製實績資料為所述焊接部通過所述冷軋機的出側時的軋製實績資料。
3. 如請求項1或請求項2所述的冷軋機的軋製條件計算方法，其中，所述常態軋製實績資料中，包含表示以往軋製的軋製材的常態軋製時的目標軋製速度的資料，所述變更步驟包含下述步驟：以所推定的軋製限制條件滿足既定條件的方式，變更所述軋製對象材的常態軋製時的目標軋製 速度。
4. 一種冷軋機的軋製條件計算裝置，包括：推定機構，對預測模型輸入軋製對象材的非常態軋製實績資料於時間方向連結所生成的第二多維資料，藉此推定針對軋製對象材的目標常態軋製條件的軋製限制條件，所述預測模型是將藉由冷軋機對軋製材進行軋製的以往的軋製實績中的、非常態軋製實績資料於時間方向連結所生成的第一多維資料作為說明變量，將常態軋製實績資料及常態軋製時的軋製限制條件資料作為目標變量進行學習而成；以及變更機構，以所推定的軋製限制條件滿足既定條件的方式變更所述目標常態軋製條件。
5. 一種冷軋方法，包含下述步驟：使用利用如請求項1至請求項3中任一項所述的冷軋機的軋製條件計算方法進行了變更的目標常態軋製條件，對軋製對象材進行軋製。
6. 一種冷軋機，包括如請求項4所述的冷軋機的軋製條件計算裝置。
7. 一種鋼板的製造方法，包括：冷軋步驟，使用如請求項5所述的冷軋方法對軋製材進行冷軋；以及退火步驟，針對經所述冷軋步驟冷軋的軋製材，實施均熱溫度600℃~950℃、爐內張力0.1kgf/mm²~3.0kgf/mm²的退火處理。

Images