TWI798047B - 鋼板軋延力預測方法與軋延系統 - Google Patents
鋼板軋延力預測方法與軋延系統 Download PDFInfo
- Publication number
- TWI798047B TWI798047B TW111113534A TW111113534A TWI798047B TW I798047 B TWI798047 B TW I798047B TW 111113534 A TW111113534 A TW 111113534A TW 111113534 A TW111113534 A TW 111113534A TW I798047 B TWI798047 B TW I798047B
- Authority
- TW
- Taiwan
- Prior art keywords
- rolling
- steel plate
- historical
- rolling force
- machine learning
- Prior art date
Links
Images
Abstract
一種適用於以熱機處理技術所製造的鋼板之鋼板軋延力預測方法,包括:將關於鋼板的多筆歷史資料切分成訓練集與驗證集,其中每筆歷史資料包含多個歷史製程參數與歷史軋延力;以訓練集來訓練機器學習模型並以驗證集來驗證機器學習模型,其中所述多個歷史製程參數是作為機器學習模型的輸入且歷史軋延力是作為機器學習模型的輸出;及將多個待測製程參數輸入機器學習模型以產生預測軋延力並根據預測軋延力對鋼板進行軋延。
Description
本發明是關於一種鋼板軋延力預測方法與軋延系統,且特別是關於一種適用於以熱機處理技術(Thermo Mechanical Controlled Process,TMCP)所製造的鋼板之鋼板軋延力預測方法與軋延系統。
在目前的鋼板軋延系統中,通常是透過一些物理模型來預測鋼板的軋延力,但如果預測的軋延力與實際的軋延力偏差過大時,則會使得鋼板產生厚度不均(off gauge)的情形。因此,如何更加準確的預測軋延力,為此領域技術人員所關心的議題。
本發明之目的在於提出一種適用於以熱機處理技術(Thermo-Mechanical Controlled Process,TMCP)所製造的鋼板之鋼板軋延力預測方法,包括:將關於鋼板的多筆歷史資料切分成訓練集與驗證集,其中每筆歷史資料包含多個歷史製程參數與歷史軋延力;以訓練集來訓練機器學習模型並以驗證集來驗證機器學習模型,其中所述多個歷史製程參數是作為機器學習模型的輸入且歷史軋延力是作為機器學習模型的輸出;及將多個待測製程參數輸入機器學習模型以產生預測軋延力並根據預測軋延力對鋼板進行軋延。
在一些實施例中,上述歷史製程參數包括合金成分、鋼板厚度、鋼板寬度、出爐溫度、均熱區溫度、加熱時間、目標完軋溫度、工輥轉速、休軋厚度、休軋溫度、休軋時間。
在一些實施例中,上述合金成分包含以下各元素的百分比:碳、矽、鋁、鈮、鉬、釩、銅、鎳、鉻、硫、磷、鈦、硼。
在一些實施例中,以上述熱機處理技術所製造的鋼板之軋延依序包含第一階段軋延與第二階段軋延,上述休軋時間為從第一階段軋延的結束時點至第二階段軋延的開始時點的總時長。
在一些實施例中,上述鋼板軋延力預測方法更包括:於第二階段軋延,根據預測軋延力對鋼板進行軋延。
本發明之目的在於另提出一種軋延系統,包括:軋機與計算模組。軋機用以使用熱機處理技術來對鋼板進行軋延。計算模組包括程控電腦系統與鋼板軋延力預測系統,程控電腦系統通訊連接至軋機與鋼板軋延力預測系統,程控電腦系統用以自軋機取得關於鋼板的多筆歷史資料並傳送至鋼板軋延力預測系統。鋼板軋延力預測系統用以執行多個步驟:將所述多筆歷史資料切分成訓練集與驗證集,其中每筆歷史資料包含多個歷史製程參數與歷史軋延力;以訓練集來訓練機器學習模型並以驗證集來驗證機器學習模型,其中所述多個歷史製程參數是作為機器學習模型的輸入且歷史軋延力是作為機器學習模型的輸出;及將多個待測製程參數輸入機器學習模型以產生預測軋延力並回傳預測軋延力給程控電腦系統以使程控電腦系統控制軋機根據預測軋延力對鋼板進行軋延。
在一些實施例中,上述歷史製程參數包括合金成分、鋼板厚度、鋼板寬度、出爐溫度、均熱區溫度、加熱時間、目標完軋溫度、工輥轉速、休軋厚度、休軋溫度、休軋時間。
在一些實施例中,上述合金成分包含以下各元素的百分比:碳、矽、鋁、鈮、鉬、釩、銅、鎳、鉻、硫、磷、鈦、硼。
在一些實施例中,上述軋機所使用之熱機處理技術對鋼板進行之軋延依序包含第一階段軋延與第二階段軋延,上述休軋時間為從第一階段軋延的結束時點至第二階段軋延的開始時點的總時長。
在一些實施例中,上述程控電腦系統用以控制軋機於第二階段軋延根據預測軋延力對鋼板進行軋延。
為讓本發明的上述特徵和優點能更明顯易懂,下文特舉實施例,並配合所附圖式作詳細說明如下。
以下仔細討論本發明的實施例。然而,可以理解的是,實施例提供許多可應用的概念,其可實施於各式各樣的特定內容中。所討論、揭示之實施例僅供說明,並非用以限定本發明之範圍。關於本文中所使用之『第一』、『第二』、…等,並非特別指次序或順位的意思,其僅為了區別以相同技術用語描述的元件或操作。
圖1係根據本發明的實施例之軋延系統100的示意圖,軋延系統100包括計算模組110與軋機120。在此為了簡化起見,圖1並沒有繪示軋延系統100中的所有設備,例如軋延系統100還可包括冷卻平台及除銹箱等。在本發明的實施例中,計算模組110用以根據一機器學習模型來產生預測軋延力,並且控制軋機120根據預測軋延力來對鋼板130進行軋延。
在本發明的實施例中,軋機120使用熱機處理技術(Thermo-Mechanical Controlled Process,TMCP)來對鋼板130進行軋延,換言之,鋼板130為以熱機處理技術(TMCP)所製造的鋼板(或可稱為熱機處理(TMCP)鋼板)。
一般而言,在熱機處理技術(TMCP)的軋延過程中,須對溫度及裁減量進行精確的控制,以控制後續相變化,因此熱機處理技術(TMCP)的軋延通常會進行兩階段軋延。換言之,鋼板130(熱機處理(TMCP)鋼板)之軋延依序包含第一階段軋延與第二階段軋延。在第一階段軋延會使鋼胚經過修整、軋寬、軋至休軋厚度後,開始於冷卻平台上等待至再結晶溫度之下,再進行第二階段軋延。然而對於習知的熱機處理技術(TMCP)而言,由於設定模式的誤差、製程條件的變化、考量力學理論所發展之數學公式無法完全掌握現場複雜的環境變化,因此常會造成鋼板在第二階段軋延之再起軋之首道次軋延力產生極大誤差,傳統上通常會需要現場人員以其軋延經驗,將計算模式乘上一修正係數,但此種粗略的調整方法之結果仍無法令人滿意。
具體而言,軋延力模式的計算誤差之成因,除了材料溫度計算值不夠準確(材料溫度模型計算的準確度不佳)與材料的硬度係數不夠準確外,還包括鋼板的合金成分與製程條件的變動、以及現場人員在操作習性的差異。此外,由於習知的熱機處理技術(TMCP)之程控模式僅考慮應變、應變率、與材料溫度,故在習知的熱機處理技術(TMCP)之程控架構下,已難以有效改善其準確性。
據此,本發明提出一種鋼板軋延力預測方法與軋延系統,以監督式學習方式,從合金成分、鋼板尺寸、加熱條件及軋延條件等製程參數,建構出機器學習模型,同時建立自動學習機制,使機器學習模型能配合換輥週期自動更新,使其在製程環境變動下仍能維持其準確度。
本發明之鋼板軋延力預測方法與軋延系統除了補足習知的熱機處理技術(TMCP)之程控架構所欠缺的影響因子外,同時在溫度模型未進一步調適前,直接以影響溫度的加熱條件、休軋時間等,來部分取代溫度模型的影響,進而有效解決習知的熱機處理技術(TMCP)之程控架構之軋延力模式的計算誤差所衍生的種種問題。
在本發明的實施例中,計算模組110包括了程控電腦系統111與鋼板軋延力預測系統112,程控電腦系統111通訊連接至軋機120與鋼板軋延力預測系統112。程控電腦系統111可以包括一或多個控制器、驅動器、感測器或合適的電路,用以控制或監視軋機120的各種參數(在本文中以製程參數稱之)。鋼板軋延力預測系統112可以是一個獨立的電腦,例如為個人電腦或是伺服器。程控電腦系統111所取得的製程參數會傳送至鋼板軋延力預測系統112以產生預測軋延力,所產生的預測軋延力會再回傳至程控電腦系統111,從而使得程控電腦系統111能夠控制軋機120根據預測軋延力來對鋼板130進行軋延。
上述的“通訊連接”可以透過任意的通訊手段來完成,例如互聯網、區域網路、廣域網路、蜂巢式網路(或稱行動網路)、近場通訊、紅外線通訊、藍芽、無線保真(WiFi)、或有線傳輸等。
圖2係根據本發明的實施例之鋼板軋延力預測方法的流程圖。請一併參照圖1與圖2。計算模組110的鋼板軋延力預測系統112用以執行圖2所示的多個步驟S1-S3。於步驟S1,計算模組110的鋼板軋延力預測系統112自程控電腦系統111取得關於鋼板的多筆歷史資料並將所述多筆歷史資料切分成訓練集與驗證集。
在本發明的實施例中,所述多筆歷史資料係為過去以熱機處理技術(TMCP)所製造之多個鋼板所分別對應的多筆歷史資料。在本發明的實施例中,每筆歷史資料包含多個歷史製程參數與歷史軋延力。在本發明的實施例中,多個歷史製程參數包括合金成分、鋼板厚度、鋼板寬度、出爐溫度、均熱區(Soaking Zone)溫度、加熱時間、目標完軋溫度、工輥轉速、休軋厚度、休軋溫度、休軋時間。在本發明的實施例中,某筆歷史資料的歷史軋延力為某筆歷史資料所對應的鋼板於第二階段軋延時,軋機對鋼板進行軋延的軋延力,更詳細的來說,某筆歷史資料的歷史軋延力為某筆歷史資料所對應的鋼板於第二階段軋延再起軋之首道次軋延,軋機對鋼板進行軋延的軋延力。
在本發明的實施例中,歷史製程參數之合金成分為鋼板的合金成分,包含以下各元素的重量百分比:碳(C)、矽(Si)、鋁(Al)、鈮(Nb)、鉬(Mo)、釩(V)、銅(Cu)、鎳(Ni)、鉻(Cr)、硫(S)、磷(P)、鈦(Ti)、硼(B)。
在本發明的實施例中,歷史製程參數之鋼板厚度及鋼板寬度為鋼板的目標尺寸。
在本發明的實施例中,歷史製程參數之出爐溫度、均熱區溫度及加熱時間為鋼板之產品實際值,意即,鋼板之關於加熱爐的加熱條件。
在本發明的實施例中,歷史製程參數之目標完軋溫度、工輥轉速、休軋厚度、休軋溫度、休軋時間為鋼板之軋延條件。在本發明的實施例中,歷史製程參數之目標完軋溫度為產品設定值。在本發明的實施例中,歷史製程參數之工輥轉速、休軋厚度、休軋溫度、休軋時間為能夠自程控電腦系統111所取得的實際值或計算值。在本發明的實施例中,歷史製程參數之休軋時間為從第一階段軋延的結束時點至第二階段軋延的開始時點的總時長。
於步驟S2,計算模組110的鋼板軋延力預測系統112以訓練集來訓練機器學習模型並以驗證集來驗證機器學習模型,其中所述多個歷史製程參數是作為機器學習模型的輸入且歷史軋延力是作為機器學習模型的輸出。
在本發明的實施例中,所述機器學習模型可以是XGBoost、線性迴歸模型、決策樹、隨機森林、支持向量機、或各種類型的神經網路(例如多層次神經網路、卷積神經網路)等等,本發明並不在此限。
在本發明的實施例中,機器學習模型可例如使用k折交叉驗證(k-fold cross validation)來驗證機器學習模型,其將多筆歷史資料隨機切分成k份,使用k份中的1分做為驗證集,其他k-1份做為訓練集,交叉驗證重複k次,從而評斷機器學習模型的準確性。舉例而言,若k=4,即是將多筆歷史資料以3:1的比例,隨機切分成訓練集與驗證集,先以訓練集來建立並訓練機器學習模型,而後再以驗證集代入機器學習模型來進行驗證,從而確保機器學習模型的準確性。本技術領域具有通常知識者當可理解機器學習模型之訓練與驗證的過程,在此並不詳細贅述。
於步驟S3,計算模組110的鋼板軋延力預測系統112將多個待測製程參數輸入機器學習模型以產生預測軋延力並回傳至程控電腦系統111,計算模組110的程控電腦系統111控制軋機120根據預測軋延力對鋼板130進行軋延。
在本發明的實施例中,多個待測製程參數為一待測鋼板的製程參數,包括待測鋼板之合金成分、鋼板厚度、鋼板寬度、出爐溫度、均熱區溫度、加熱時間、目標完軋溫度、工輥轉速、休軋厚度、休軋溫度、休軋時間。
具體而言,步驟S2為機器學習模型的訓練階段,而步驟S3為機器學習模型的測試階段。在測試階段時是輸入待測製程參數至訓練完的機器學習模型,而機器學習模型的輸出為預測軋延力。
在本發明的實施例中,於步驟S3,計算模組110的程控電腦系統111是於第二階段軋延,控制軋機120根據預測軋延力對鋼板130進行軋延,更詳細的來說,計算模組110的程控電腦系統111是於第二階段軋延再起軋之首道次軋延,軋機120對鋼板130進行軋延所施加的預測軋延力。
在上述的鋼板軋延力預測方法與系統中,以監督式學習方式,透過機器學習模型基於合金成分、鋼板尺寸、加熱條件及軋延條件來預測熱機處理技術於第二階段軋延起軋時對鋼板所應施加的軋延力,可提升軋延力預測準確度,改善了習知的熱機處理技術(TMCP)之程控模式所產生之軋延力有著誤差極大的缺陷,減少厚度不均的情形,可提高產率,避免軋程改變或造成軋機設備損壞的風險。
以上概述了數個實施例的特徵,因此熟習此技藝者可以更了解本發明的態樣。熟習此技藝者應了解到,其可輕易地把本發明當作基礎來設計或修改其他的製程與結構,藉此實現和在此所介紹的這些實施例相同的目標及/或達到相同的優點。熟習此技藝者也應可明白,這些等效的建構並未脫離本發明的精神與範圍,並且他們可以在不脫離本發明精神與範圍的前提下做各種的改變、替換與變動。
100:軋延系統
110:計算模組
111:程控電腦系統
112:鋼板軋延力預測系統
120:軋機
130:鋼板
S1-S3:步驟
從以下結合所附圖式所做的詳細描述,可對本發明之態樣有更佳的了解。需注意的是,根據業界的標準實務,各特徵並未依比例繪示。事實上,為了使討論更為清楚,各特徵的尺寸都可任意地增加或減少。
[圖1]係根據本發明的實施例之軋延系統的示意圖。
[圖2]係根據本發明的實施例之鋼板軋延力預測方法的流程圖。
S1-S3:步驟
Claims (8)
- 一種鋼板軋延力預測方法,適用於以一熱機處理技術(Thermo-Mechanical Controlled Process,TMCP)所製造的一鋼板,該鋼板軋延力預測方法包括:將關於該鋼板的複數筆歷史資料切分成一訓練集與一驗證集,其中每一該些歷史資料包含複數個歷史製程參數與一歷史軋延力;以該訓練集來訓練一機器學習模型並以該驗證集來驗證該機器學習模型,其中該些歷史製程參數是作為該機器學習模型的輸入且該歷史軋延力是作為該機器學習模型的輸出;及將複數個待測製程參數輸入該機器學習模型以產生一預測軋延力並根據該預測軋延力對該鋼板進行軋延;其中該些歷史製程參數包括一休軋時間;其中以該熱機處理技術所製造的該鋼板之軋延依序包含一第一階段軋延與一第二階段軋延,其中該休軋時間為從該第一階段軋延的一結束時點至一第二階段軋延的一開始時點的總時長。
- 如請求項1所述之鋼板軋延力預測方法,其中該些歷史製程參數包括一合金成分、一鋼板厚度、一鋼板寬度、一出爐溫度、一均熱區溫度、一加熱時間、一目標完軋溫度、一工輥轉速、一休軋厚度、一休軋溫度。
- 如請求項2所述之鋼板軋延力預測方法,其中該合金成分包含以下各元素的百分比:碳、矽、鋁、鈮、鉬、釩、銅、鎳、鉻、硫、磷、鈦、硼。
- 如請求項1所述之鋼板軋延力預測方法,更包括:於該第二階段軋延,根據該預測軋延力對該鋼板進行軋延。
- 一種軋延系統,包括:一軋機,用以使用一熱機處理技術來對一鋼板進行軋延;以及一計算模組,包括一程控電腦系統與一鋼板軋延力預測系統,該程控電腦系統通訊連接至該軋機與該鋼板軋延力預測系統,該程控電腦系統用以自該軋機取得關於該鋼板的複數筆歷史資料並傳送至該鋼板軋延力預測系統,其中該鋼板軋延力預測系統用以執行多個步驟:將該些歷史資料切分成一訓練集與一驗證集,其中每一該些歷史資料包含複數個歷史製程參數與一歷史軋延力;以該訓練集來訓練一機器學習模型並以該驗證集來驗證該機器學習模型,其中該些歷史製程參數是作為該機器學習模型的輸入且該歷史軋延力是作為該機器學習模型的輸出;及 將複數個待測製程參數輸入該機器學習模型以產生一預測軋延力並回傳該預測軋延力給該程控電腦系統以使該程控電腦系統控制該軋機根據該預測軋延力對該鋼板進行軋延;其中該些歷史製程參數包括一休軋時間;其中以該熱機處理技術所製造的該鋼板之軋延依序包含一第一階段軋延與一第二階段軋延,其中該休軋時間為從該第一階段軋延的一結束時點至一第二階段軋延的一開始時點的總時長。
- 如請求項5所述之軋延系統,其中該歷史製程參數包括一合金成分、一鋼板厚度、一鋼板寬度、一出爐溫度、一均熱區溫度、一加熱時間、一目標完軋溫度、一工輥轉速、一休軋厚度、一休軋溫度。
- 如請求項6所述之軋延系統,其中該合金成分包含以下各元素的百分比:碳、矽、鋁、鈮、鉬、釩、銅、鎳、鉻、硫、磷、鈦、硼。
- 如請求項5所述之軋延系統,其中該程控電腦系統用以控制該軋機於該第二階段軋延根據該預測軋延力對該鋼板進行軋延。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111113534A TWI798047B (zh) | 2022-04-08 | 2022-04-08 | 鋼板軋延力預測方法與軋延系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111113534A TWI798047B (zh) | 2022-04-08 | 2022-04-08 | 鋼板軋延力預測方法與軋延系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI798047B true TWI798047B (zh) | 2023-04-01 |
TW202339867A TW202339867A (zh) | 2023-10-16 |
Family
ID=86945124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111113534A TWI798047B (zh) | 2022-04-08 | 2022-04-08 | 鋼板軋延力預測方法與軋延系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI798047B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI829600B (zh) * | 2023-06-02 | 2024-01-11 | 中國鋼鐵股份有限公司 | 一種條線軋延製程數據擷取之鋼材追蹤應用方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008012881A1 (fr) * | 2006-07-26 | 2008-01-31 | Toshiba Mitsubishi-Electric Industrial Systems Corporation | Appareil de contrôle de matériaux et de prévision de matériaux pour ligne de laminage |
US8185232B2 (en) * | 2008-03-14 | 2012-05-22 | Nippon Steel Corporation | Learning method of rolling load prediction for hot rolling |
TWI554340B (zh) * | 2014-09-10 | 2016-10-21 | 東芝三菱電機產業系統股份有限公司 | 壓延模擬裝置 |
CN110569566A (zh) * | 2019-08-19 | 2019-12-13 | 北京科技大学 | 一种板带力学性能预测方法 |
CN111159649A (zh) * | 2020-01-03 | 2020-05-15 | 北京科技大学 | 一种冷连轧机变规格风险预测方法 |
CN113392594A (zh) * | 2021-08-13 | 2021-09-14 | 北京科技大学 | 一种基于abc极限学习机的力学性能区间预测方法及装置 |
-
2022
- 2022-04-08 TW TW111113534A patent/TWI798047B/zh active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008012881A1 (fr) * | 2006-07-26 | 2008-01-31 | Toshiba Mitsubishi-Electric Industrial Systems Corporation | Appareil de contrôle de matériaux et de prévision de matériaux pour ligne de laminage |
US8185232B2 (en) * | 2008-03-14 | 2012-05-22 | Nippon Steel Corporation | Learning method of rolling load prediction for hot rolling |
TWI554340B (zh) * | 2014-09-10 | 2016-10-21 | 東芝三菱電機產業系統股份有限公司 | 壓延模擬裝置 |
CN110569566A (zh) * | 2019-08-19 | 2019-12-13 | 北京科技大学 | 一种板带力学性能预测方法 |
CN111159649A (zh) * | 2020-01-03 | 2020-05-15 | 北京科技大学 | 一种冷连轧机变规格风险预测方法 |
CN113392594A (zh) * | 2021-08-13 | 2021-09-14 | 北京科技大学 | 一种基于abc极限学习机的力学性能区间预测方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI829600B (zh) * | 2023-06-02 | 2024-01-11 | 中國鋼鐵股份有限公司 | 一種條線軋延製程數據擷取之鋼材追蹤應用方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202339867A (zh) | 2023-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220126342A1 (en) | Rolling load prediction method, rolling load prediction device, and rolling control method | |
US6546310B1 (en) | Process and device for controlling a metallurgical plant | |
TWI798047B (zh) | 鋼板軋延力預測方法與軋延系統 | |
Lee et al. | Application of neural-network for improving accuracy of roll-force model in hot-rolling mill | |
WO2023130666A1 (zh) | 一种基于数据驱动和机理模型融合的板带钢凸度预测方法 | |
JP7135962B2 (ja) | 鋼板の仕上出側温度制御方法、鋼板の仕上出側温度制御装置、及び鋼板の製造方法 | |
JP7059990B2 (ja) | 形状予測モデルの生成方法、圧延形状予測方法、金属板の圧延方法、金属板の製造方法、及び金属板の圧延設備 | |
JP2014018844A (ja) | 鋼材の熱伝達係数予測装置及び冷却制御方法 | |
JP7034046B2 (ja) | 制御装置および制御方法 | |
Saravanakumar et al. | Prediction of mechanical properties of low carbon steel in hot rolling process using artificial neural network model | |
JP5682131B2 (ja) | 鋼材の材質予測装置 | |
TWI708128B (zh) | 製程參數的調控方法與電子裝置 | |
JP2007504355A (ja) | 鋼の製造設備の制御方法および制御装置 | |
Agarwal et al. | An on-line hierarchical decomposition based Bayesian model for quality prediction during hot strip rolling | |
KR102448426B1 (ko) | 어닐링 로의 작동 방법 | |
JP5407444B2 (ja) | 熱間圧延における変形抵抗予測方法 | |
JP6652095B2 (ja) | 鋼板の圧延方法及び鋼板の製造方法 | |
JP2019215668A (ja) | 制御設定値決定装置、制御設定値決定方法、及びプログラム | |
JP2021183354A (ja) | 形鋼の曲がり予測方法、形鋼の製造方法、学習済の機械学習モデルの生成方法および形鋼の曲率予測装置 | |
JP2010235972A (ja) | 高張力鋼板の製造制御装置及び製造方法 | |
JP2021030264A (ja) | 学習モデル生成方法、データベース構築方法、ミルセットアップ設定方法、圧延材の製造方法、処理対象の製造方法、及び学習モデル生成装置 | |
Cuznar et al. | Optimization of cold rolling process recipes based on historical data | |
KR102045652B1 (ko) | 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치 | |
JP5007630B2 (ja) | 製品品質の制御方法及び制御装置 | |
JP7420157B2 (ja) | 圧延制御装置および圧延制御方法 |