TWI802366B - 冷軋機的軋製條件設定方法、冷軋方法、鋼板的製造方法、冷軋機的軋製條件設定裝置及冷軋機 - Google Patents
冷軋機的軋製條件設定方法、冷軋方法、鋼板的製造方法、冷軋機的軋製條件設定裝置及冷軋機 Download PDFInfo
- Publication number
- TWI802366B TWI802366B TW111113748A TW111113748A TWI802366B TW I802366 B TWI802366 B TW I802366B TW 111113748 A TW111113748 A TW 111113748A TW 111113748 A TW111113748 A TW 111113748A TW I802366 B TWI802366 B TW I802366B
- Authority
- TW
- Taiwan
- Prior art keywords
- rolling
- cold rolling
- cold
- rolling mill
- data
- Prior art date
Links
- 238000005096 rolling process Methods 0.000 title claims abstract description 223
- 238000005097 cold rolling Methods 0.000 title claims abstract description 194
- 238000000034 method Methods 0.000 title claims abstract description 83
- 229910000831 Steel Inorganic materials 0.000 title claims description 126
- 239000010959 steel Substances 0.000 title claims description 126
- 238000004519 manufacturing process Methods 0.000 title claims description 13
- 239000000463 material Substances 0.000 claims abstract description 39
- 239000013077 target material Substances 0.000 claims abstract description 18
- 230000001131 transforming effect Effects 0.000 claims description 3
- 239000010731 rolling oil Substances 0.000 description 48
- 230000008569 process Effects 0.000 description 35
- 238000012545 processing Methods 0.000 description 28
- 238000003062 neural network model Methods 0.000 description 26
- 238000006243 chemical reaction Methods 0.000 description 23
- 238000003860 storage Methods 0.000 description 21
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 17
- 239000003921 oil Substances 0.000 description 16
- 235000019198 oils Nutrition 0.000 description 16
- 230000006870 function Effects 0.000 description 15
- 239000011550 stock solution Substances 0.000 description 11
- 230000000052 comparative effect Effects 0.000 description 10
- 239000000839 emulsion Substances 0.000 description 10
- 238000004140 cleaning Methods 0.000 description 9
- 238000012806 monitoring device Methods 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 9
- 238000011176 pooling Methods 0.000 description 9
- 239000003507 refrigerant Substances 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 239000004094 surface-active agent Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000010960 cold rolled steel Substances 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 229910052742 iron Inorganic materials 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 239000007921 spray Substances 0.000 description 3
- 239000002436 steel type Substances 0.000 description 3
- 229910000976 Electrical steel Inorganic materials 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 239000003963 antioxidant agent Substances 0.000 description 2
- 230000003078 antioxidant effect Effects 0.000 description 2
- 239000002199 base oil Substances 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000001050 lubricating effect Effects 0.000 description 2
- 239000010687 lubricating oil Substances 0.000 description 2
- 239000002736 nonionic surfactant Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000011295 pitch Substances 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 238000003756 stirring Methods 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 239000005069 Extreme pressure additive Substances 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 239000000654 additive Substances 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
- 230000000903 blocking effect Effects 0.000 description 1
- 238000005119 centrifugation Methods 0.000 description 1
- 244000145845 chattering Species 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000014113 dietary fatty acids Nutrition 0.000 description 1
- 238000007865 diluting Methods 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000010696 ester oil Substances 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 239000000194 fatty acid Substances 0.000 description 1
- 229930195729 fatty acid Natural products 0.000 description 1
- -1 fatty acid esters Chemical class 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005098 hot rolling Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000002563 ionic surfactant Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 239000006148 magnetic separator Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012889 quartic function Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 239000010689 synthetic lubricating oil Substances 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 235000015112 vegetable and seed oil Nutrition 0.000 description 1
- 239000008158 vegetable oil Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000013585 weight reducing agent Substances 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
-
- 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
- B21B37/16—Control of thickness, width, diameter or other transverse dimensions
- B21B37/24—Automatic variation of thickness according to a predetermined programme
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B3/00—Rolling materials of special alloys so far as the composition of the alloy requires or permits special rolling methods or sequences ; Rolling of aluminium, copper, zinc or other non-ferrous metals
- B21B3/02—Rolling special iron alloys, e.g. stainless steel
-
- 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
- B21B37/16—Control of thickness, width, diameter or other transverse dimensions
- B21B37/165—Control of thickness, width, diameter or other transverse dimensions responsive mainly to the measured thickness of the product
-
- 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
- B21B2001/221—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 by cold-rolling
-
- 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
- B21B37/28—Control of flatness or profile during rolling of strip, sheets or plates
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B45/00—Devices for surface or other treatment of work, specially combined with or arranged in, or specially adapted for use in connection with, metal-rolling mills
- B21B45/02—Devices for surface or other treatment of work, specially combined with or arranged in, or specially adapted for use in connection with, metal-rolling mills for lubricating, cooling, or cleaning
- B21B45/0239—Lubricating
- B21B45/0245—Lubricating devices
- B21B45/0248—Lubricating devices using liquid lubricants, e.g. for sections, for tubes
- B21B45/0251—Lubricating devices using liquid lubricants, e.g. for sections, for tubes for strips, sheets, or plates
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B45/00—Devices for surface or other treatment of work, specially combined with or arranged in, or specially adapted for use in connection with, metal-rolling mills
- B21B45/02—Devices for surface or other treatment of work, specially combined with or arranged in, or specially adapted for use in connection with, metal-rolling mills for lubricating, cooling, or cleaning
- B21B45/0269—Cleaning
- B21B45/029—Liquid recovering devices
- B21B45/0296—Recovering lubricants
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Control Of Metal Rolling (AREA)
- Metal Rolling (AREA)
Abstract
本發明的冷軋機的軋製條件設定方法中,預測模型是以將包含冷軋機的入側的軋製材的冷軋前資料的以往的軋製實績資料變換為多維資料而得的第一多維資料為說明變量,以冷軋機的出側的軋製材的冷軋後資料為目的變量而生成,所述冷軋機的軋製條件設定方法包括:藉由將根據包含冷軋機的入側的軋製對象材的冷軋前資料與冷軋機的目標軋製條件的資訊而生成的第二多維資料輸入至預測模型,來推定冷軋機的出側的所述軋製對象材的軋製後的形狀的步驟;以及以所推定的軋製後的形狀滿足既定條件的方式變更冷軋機的目標軋製條件的步驟。
Description
本發明是有關於一種冷軋機的軋製條件設定方法、冷軋方法、鋼板的製造方法、冷軋機的軋製條件設定裝置及冷軋機。
通常於冷軋冷軋薄鋼板等軋製材時,理想的是藉由確保軋製材的長度方向及寬度方向的厚度精度良好並且使軋製材的形狀(或平坦度)良好,從而以使軋製材的通板性穩定化的狀態進行冷軋。另一方面,為了實現輕量化以抑制燃費等,高負荷且軋製前板厚薄的薄物硬質材等難軋製材的需求不斷高漲。於此種難軋製材的冷軋時,為了抑制軋製負荷,難軋製材是於利用前步驟的熱軋進行拉薄後被送至冷軋步驟。
近年來,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。可是,於如上所述的難壓軋材的冷軋時,存在板凸度(寬度方向的厚度分佈)沿著長度方向大幅變動的情況。於板凸度沿著長度方向大幅變動時,相對於以軋製荷重(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的變動多數情況下無法藉由自動控制來吸收。
因此,於此種情況下,操作員設定道次規程(pass schedule)或形狀控制致動器,以便滿足冷軋機的設備限制且不妨礙生產性。因此,近年來,冷軋機的操作速度乃至生產性容易受操作員的經驗或主觀所支配。根據此種背景,於專利文獻1中提出有以下方法,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冷軋機的軋機設定(mill setup)。另外,於專利文獻2中提出有以下方法,即:使用在冷軋機的入側所測定的板厚輪廓來進行邊部減薄(edge-drop)的前饋(feedforward)控制。
[現有技術文獻]
[專利文獻]
[專利文獻1]日本專利第6705519號公報
[專利文獻2]日本專利第4784320號公報
[發明所欲解決之課題]
但是,專利文獻1中記載的方法中,即便冷軋機於軋機設定時間點成為最適的操作條件,於板凸度沿著長度方向變動的情況下,冷壓機的出側的軋製材的形狀大幅變動,有可能產生由形狀不良所致的軋製速度的限制或最壞時的軋製材的斷裂。另一方面,專利文獻2中記載的方法中,由於板厚輪廓僅為長度方向的一剖面及使用線性回歸式來預測邊部減薄,因此同樣無法應對板凸度沿著長度方向變動的情況。
本發明是鑒於所述課題而成,其目的在於提供一種冷軋機的軋製條件設定方法及軋製條件設定裝置,即便於軋製高負荷且軋製前板厚薄的難軋製材時,亦可設定確保冷軋的穩定性並且高生產性地進行冷軋的軋製條件。另外,本發明的另一目的在於提供一種冷軋方法及冷軋機,即便於冷軋高負荷且軋製前板厚薄的難軋製材時,亦可確保冷軋的穩定性並且高生產性地進行冷軋。另外,本發明的又一目的在於提供一種鋼板的製造方法,可高良率地製造鋼板。
[解決課題之手段]
本發明的冷軋機的軋製條件設定方法是使用預測軋製對象材的冷軋後的狀態的預測模型,來設定冷軋該軋製對象材時的冷軋機的目標軋製條件的冷軋機的軋製條件設定方法,所述預測模型是以將包含所述冷軋機的入側的軋製材的冷軋前資料的以往的軋製實績資料變換為多維資料而得的第一多維資料為說明變量,以所述冷軋機的出側的軋製材的冷軋後資料為目的變量而生成,且所述冷軋機的軋製條件設定方法包括:藉由將根據包含所述冷軋機的入側的所述軋製對象材的冷軋前資料與所述冷軋機的目標軋製條件的資訊而生成的第二多維資料輸入至所述預測模型,來推定所述冷軋機的出側的所述軋製對象材的軋製後的形狀的步驟;以及以所推定的所述軋製後的形狀滿足既定條件的方式變更所述冷軋機的目標軋製條件的步驟。
可於所述冷軋前資料中包含所述冷軋機的入側的鋼板的厚度資訊及溫度資訊的至少一者。
可於所述冷軋後資料中包含根據所述冷軋機的出側的鋼板的形狀而算出的形狀參數。
本發明的冷軋方法包括使用利用本發明的冷軋機的軋製條件設定方法進行變更所得的冷軋機的目標軋製條件,來對軋製對象材進行冷軋的步驟。
本發明的鋼板的製造方法包括使用本發明的冷軋方法來製造鋼板的步驟。
本發明的冷軋機的軋製條件設定裝置是使用預測軋製對象材的冷軋後的狀態的預測模型,來設定冷軋軋製對象材時的冷軋機的目標軋製條件的冷軋機的軋製條件設定裝置,所述預測模型是以將包含所述冷軋機的入側的軋製材的冷軋前資料的以往的軋製實績資料變換為多維資料而得的第一多維資料為說明變量,以所述冷軋機的出側的軋製材的冷軋後資料為目的變量而生成,且所述冷軋機的軋製條件設定裝置包括:藉由將根據包含所述冷軋機的入側的所述軋製對象材的冷軋前資料與所述冷軋機的目標軋製條件的資訊而生成的第二多維資料輸入至所述預測模型,來推定所述冷軋機的出側的所述軋製對象材的軋製後的形狀的機構;以及以所推定的所述軋製後的形狀滿足既定條件的方式變更所述冷軋機的目標軋製條件的機構。
可於所述冷軋前資料中包含所述冷軋機的入側的鋼板的厚度資訊及溫度資訊的至少一者。
可於所述冷軋後資料中包含根據所述冷軋機的出側的鋼板的形狀而算出的形狀參數。
本發明的冷軋機包括本發明的冷軋機的軋製條件設定裝置。
[發明的效果]
根據本發明的冷軋機的軋製條件設定方法及軋製條件設定裝置,即便於冷軋高負荷且軋製前板厚薄的難軋製材時,亦可設定確保冷軋的穩定性並且高生產性地進行冷軋的軋製條件。另外,根據本發明的冷軋方法及冷軋機,即便於冷軋高負荷且軋製前板厚薄的難軋製材時,亦可確保冷軋的穩定性並且高生產性地進行冷軋。另外,根據本發明的鋼板的製造方法,可高良率地製造鋼板。
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設定方法、冷軋方法、鋼板的製造方法、冷軋機的軋製條件設定裝置及冷軋機加以說明。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、配置等限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或比率等與現實不同,於圖式相互間亦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板。
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,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」)OL。冷軋機1包括污油箱(dirty tank,回收用箱)2及清潔箱3作為軋製油蓄積箱,自該些箱供給的軋製油OL通過供給線11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)5回收的軋製油、即冷軋中經使用的軋製油通過返回配管6流入至污油箱2。
蓄積於清潔箱3的軋製油OL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7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OL。
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2的軋製油經由包含鐵粉量控制裝置等的鐵粉去除裝置8流入至清潔箱3。回收至污油箱2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8以所回收的軋製油的油溶鐵分成為作為蓄積於清潔箱3的軋製油OL所容許的油溶鐵分的方式去除磨耗粉。
軋製油自污油箱2側經由鐵粉去除裝置8向清潔箱3側的移動可連續地進行,亦可間歇地進行。鐵粉去除裝置8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8亦可為使用離心分離等方法的公知裝置。
可是,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3成為以下結構,即:以清潔箱3內的軋製油OL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3。再者,清潔箱3內的乳液軋製油OL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2、鐵粉去除裝置8、清潔箱3及自清潔箱3吸取軋製油OL的泵9。再者,亦可於清潔箱3與泵9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11,將一端部連接於清潔箱3;以及五組潤滑用冷媒頭12及五組冷卻用冷媒頭13,在供給線11的另一端部(軋機側)分支,分別配置於與各軋機座對應的位置。
各潤滑用冷媒頭12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OL,從而向輥縫或工作輥供給潤滑油。冷卻用冷媒頭13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OL,從而將軋輥冷卻。
藉由此種結構,清潔箱3內的乳液軋製油OL由泵9於供給線11中壓送,並供給於配置於各軋機座的潤滑用冷媒頭12及冷卻用冷媒頭13,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OL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5回收,經由返回配管6回到污油箱2內。然後,蓄積於污油箱2內的乳液軋製油的一部分是使用鐵粉去除裝置8將因冷軋而產生的油溶鐵分去除一定量後,回到清潔箱3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3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3補給(供給)有軋製油的原液。
〔形狀控制預測模型〕
繼而,參照圖1~圖6對本發明的一實施形態的形狀控制預測模型進行說明。
與本發明的一實施形態的形狀控制預測模型有關的功能是藉由圖1所示的軋製控制裝置100、運算單元200及鋼板資訊測定裝置300來實現。
軋製控制裝置100基於來自運算單元200的控制訊號來控制冷軋機1的軋製條件。
圖2為表示圖1所示的運算單元200的結構的方塊圖。如圖2所示,運算單元200包括運算裝置210、輸入裝置220、儲存裝置230及輸出裝置240。
運算裝置210經由匯流排250與輸入裝置220、儲存裝置230及輸出裝置240進行有線連接。然而,運算裝置210、輸入裝置220、儲存裝置230及輸出裝置240不限於該連接態樣,亦可藉由無線而連接,亦可以將有線連接與無線連接組合的態樣連接。
輸入裝置220作為輸入基於軋製控制裝置100的冷軋機1的控制資訊或由鋼板資訊測定裝置300測定的軋製入側鋼板資訊(與冷軋機1的入側的鋼板S有關的資訊(例如鋼種、軋製前的板厚、板寬度等))及來自操作監視裝置400的資訊的輸入埠發揮功能。作為來自操作監視裝置400的資訊,包含形狀控制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230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生成部214及預測模型執行部215的功能所需要的資訊)的裝置。
作為實現預測模型生成部214的功能所需要的資訊,例如包含表示由鋼板資訊測定裝置300測定的軋製入側鋼板資訊、鋼板S的要求特性(鋼種、製品的板厚、板寬等)或冷軋機1的設備限制、鋼板S的焊接點通過後的軋製資訊(包含板卷資訊、形狀致動器位置)、軋機座所使用的冷媒性狀、軋製條件(包含目標軋製速度)等與冷軋有關的說明變量、及軋製出側鋼板資訊(包含出側鋼板形狀的1次成分~4次成分、陡峭度、邊部減薄比率(鋼板端部的板厚減少率)等形狀參數)等與冷軋有關的目標變量的資訊。
再者,作為出側鋼板形狀的1次成分~4次成分的Λ1~Λ4可使用以下所示的數式(1)~數式(4)來算出。即,表示對稱成分的形狀參數Λ2、形狀參數Λ4是由以下所示的數式(1)、數式(2)算出,表示非對稱成分的形狀參數Λ1、形狀參數Λ3是由以下所示的數式(3)、數式(4)算出。然而,數式(1)~數式(4)中的參數λ1~參數λ4表示以下係數,即:取伸長率作為鋼板形狀Y,並取於寬度方向以板寬度無因次所得的坐標x(-1≦x≦1),利用以下的數式(5)所示的4次式函數將鋼板形狀Y近似時的係數。另外,所謂陡峭度,是指使用軋製後的鋼板S的波的高度δ與其間距P並利用λ=δ/P定義的值。
[數式1]
Λ2=λ2+λ4 …(1)
[數式2]
Λ4=(1/2)×λ2+(1/4)×λ4 …(2)
[數式3]
Λ1=λ1+λ3 …(3)
[數式5]
Y=λ0+λ1×x+λ2×x
2+λ3×x
3+λ4×x
4…(5)
作為實現預測模型執行部215的功能所需要的資訊,例如可列舉由預測模型生成部214生成的鋼板S的每種軋製狀態的形狀控制預測模型及對形狀控制預測模型輸入的各種資訊及形狀限制條件。此處,所謂形狀限制條件,是指成為判定冷軋機1的出側的鋼板形狀是否合格的基準的條件,例如相對於上文所述的出側鋼板形狀的1次成分~4次成分、陡峭度、邊部減薄比率,分別預先適當設定判定為合格的範圍。
輸出裝置240作為對軋製控制裝置100輸出來自運算裝置210的控制訊號的輸出埠發揮功能。
操作監視裝置400包括液晶顯示器或有機顯示器等任意的顯示裝置。操作監視裝置400自軋製控制裝置100接收表示冷軋機1的操作狀態的各種資訊,並將所接收的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210包括隨機存取記憶體(Random Access Memory,RAM)211、唯讀記憶體(Read Only Memory,ROM)212及運算處理部213。
ROM 212儲存作為電腦程式的預測模型生成程式212a及預測模型執行程式212b。
運算處理部213具有運算處理功能,經由匯流排250與RAM 211及ROM 212連接。
RAM 211、ROM 212及運算處理部213經由匯流排250連接於輸入裝置220、儲存裝置230及輸出裝置240。
運算處理部213包括預測模型生成部214及預測模型執行部215作為功能塊。
預測模型生成部214為生成由機械學習方法所得的形狀控制預測模型的處理部,所述機械學習方法將冷軋機1的、以往的軋製實績中的鋼板S的軋製前資料及軋製條件與和以往的軋製實績中的各軋製前資料對應的鋼板S的軋製後資料相結合。作為由機械學習方法所得的形狀控制預測模型,本實施形態中使用神經網路模型。然而,機械學習方法不限定於神經網路,亦可採用其他公知的機械學習方法。
預測模型生成部214包括學習用資料獲取部214a、前處理部214b、第一資料變換部214c、模型生成部214d及結果保存部214e。預測模型生成部214於自操作監視裝置400接到生成形狀控制預測模型的指示時,執行儲存於ROM 212的預測模型生成程式212a,藉此作為學習用資料獲取部214a、前處理部214b、第一資料變換部214c、模型生成部214d及結果保存部214e發揮功能。形狀控制預測模型在預測模型生成部214每次執行時更新。
作為用以生成形狀控制預測模型的事前處理,學習用資料獲取部214a獲取以下多個學習用資料,即:將以往的軋製實績資料中的、來自鋼板資訊測定裝置300的軋製入側鋼板資訊與軋製條件作為輸入實績資料(說明變量),將軋製出側鋼板資訊作為輸出實績資料(目標變量)。具體而言,學習用資料獲取部214a獲取以下多個學習用資料,即:將於軋機入側所測定的鋼板S的寬度方向及長度方向的板厚資訊及溫度資訊的至少一者與該板卷中的以往的軋製實績作為輸入實績資料,將根據使用該輸入實績資料的冷軋時的冷軋機1的出側的鋼板形狀而算出的形狀參數作為輸出實績資料。學習用資料獲取部214a自儲存裝置230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230。學習用資料獲取部214a亦可不使學習用資料儲存於儲存裝置230,而向前處理部214b或模型生成部214d供給學習用資料。
於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)表示鋼板資訊測定裝置300的測定點為一個時的例子。於該情況下,學習用資料獲取部214a針對於鋼板S的長度方向連續測定的測定點,於鋼板S的寬度方向複製資料,製作縱列(垂直方向)成為寬度方向、橫列(水平方向)成為採取間距的排列,進而製作使選自該板卷的資訊及以往的軋製實績中的說明變量連結而成的多維排列資訊並作為輸入實績資料。縱列、橫列及說明變量的列數並無特別限定。
圖3的(b)表示於鋼板S的寬度方向掃描鋼板資訊測定裝置300的測定點時的例子。於該情況下,學習用資料獲取部214a針對於鋼板S的長度方向連續且呈波狀測定的測定點,於鋼板S的長度方向複製資料。與圖3的(a)所示的例子同樣地,製作使說明變量連結而成的多維排列資訊,成為輸入實績資料。
圖3的(c)表示鋼板資訊測定裝置300的測定點於鋼板S的寬度方向存在多個時的例子。於該情況下,學習用資料獲取部214a針對於鋼板S的長度方向連續測定的測定點群,與圖3的(a)所示的例子同樣地,藉由使說明變量連結來製作多維排列資訊並作為輸入實績資料。
再者,由鋼板資訊測定裝置300測定的資訊設為板厚資訊及溫度資訊的至少一者。板厚計的測定方法並無特別限定,可為接觸式,亦可為非接觸式(γ射線、X射線等)。溫度計亦同樣地不限定,可為接觸式,亦可為輻射溫度計之類的非接觸式。另外,於鋼板資訊測定裝置300為溫度計的情況下,可將用以對鋼板S賦予溫度的鋼板加熱裝置設置於上游側。
再者,於儲存裝置230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214a要求操作員一次或多次不使用形狀控制預測模型來執行冷軋。另外,儲存於儲存裝置230的學習用資料的數量越多,則形狀控制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214a亦可要求操作員不使用形狀控制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214b將學習用資料獲取部214a所獲取的學習用資料加工成形狀控制預測模型生成用。具體而言,前處理部214b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214c使用卷積神經網路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所示的神經網路模型的輸入層501連接。
此處,參照圖5對第一資料變換部214c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S1、第一池化步驟S2、第二卷積步驟S3、第二池化步驟S4及全連接步驟S5。
第一卷積步驟S1中,第一資料變換部214c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S2中,第一資料變換部214c輸入由第一卷積步驟S1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214c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S2中,第一資料變換部214c輸出將第一特徵映射壓縮的第二特徵映射。
第二卷積步驟S3中,第一資料變換部214c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S4中,第一資料變換部214c輸入由第二卷積步驟S3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214c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S4中,第一資料變換部214c輸出將第三特徵映射壓縮的第四特徵映射。
全連接步驟S5中,第一資料變換部214c將由第二池化步驟S4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S5輸出的100個神經元(neuron)成為圖4所示的神經網路模型的輸入層501。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。
回到圖2。模型生成部214d藉由使用前處理部214b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214c變換的資訊),生成形狀控制預測模型,該形狀控制預測模型包含軋製入側鋼板資訊或說明變量(該板卷資訊或以往軋製實績)作為輸入實績資料,且將軋製出側鋼板資訊作為輸出實績資料。
本實施形態中,機械學習的方法採用神經網路,故而模型生成部214d生成神經網路模型作為形狀控制預測模型。即,模型生成部214d生成將經加工成形狀控制預測模型生成用的學習用資料中的輸入實績資料(包含軋製入側鋼板資訊的軋製實績資料)與輸出實績資料(軋製出側鋼板資訊)相結合的、作為形狀控制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,模型生成部214d進行用於神經網路模型的超參數(hyperparameter)的設定,並且藉由使用超參數的神經網路模型進行學習。作為超參數的調優計算,模型生成部214d首先針對學習用資料生成使超參數內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,模型生成部214d作為運算裝置210的一部分而組入,但結構不限定於此。例如,亦可預先生成形狀控制預測模型並保存,並適當讀出該些形狀控制預測模型。
如圖4所示,作為本實施形態的形狀控制預測模型的神經網路模型自輸入側起依序包括輸入層501、中間層502及輸出層503。
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214a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501。
中間層502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502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502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503將由中間層502傳遞的神經元的資訊結合,作為針對最終的冷軋的形狀限制判定值而輸出。於輸出層503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的冷軋時的軋製實績(軋製入側鋼板資訊及操作條件)及此時的軋製限制實績(板形狀判定),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,模型生成部214d將評價用資料(成為使用形狀控制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214e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230。
預測模型執行部215於鋼板S的冷軋中,使用預測模型生成部214所生成的形狀控制預測模型,預測與軋製對象的鋼板S的軋製條件對應的、冷軋後的鋼板S的形狀參數。而且,預測模型執行部215決定軋製對象的鋼板S的目標軋製條件。
為了進行所述處理,預測模型執行部215包括資訊讀取部215a、第二資料變換部215b、軋製形狀預測部215c、軋製條件決定部215d及結果輸出部215e。此處,預測模型執行部215於經由輸入裝置220自軋製控制裝置100接到告知實施有冷軋的訊號時,執行儲存於ROM 212的預測模型執行程式212b,藉此作為資訊讀取部215a、第二資料變換部215b、軋製形狀預測部215c、軋製條件決定部215d及結果輸出部215e發揮功能。
資訊讀取部215a自儲存裝置230讀入由過程電腦及操作員於操作監視裝置400中設定的、軋製對象的鋼板S的軋製條件。
第二資料變換部215b進行將成為對形狀控制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215b的處理與第一資料變換部214c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214c及第二資料變換部215b作為一個處理部而次常式(subroutine)化。
軋製形狀預測部215c將經第二資料變換部215b卷積後的一維資訊輸入至形狀控制預測模型,預測軋製對象的鋼板S的冷軋機出側的形狀參數。
軋製條件決定部215d進行以下處理,即:以使鋼板S的形狀參數成為另行設定的形狀限制判定臨限值以內的方式設定變更說明變量中的目標軋製條件,反覆執行所述資訊讀取部215a、第二資料變換部215b及軋製形狀預測部215c的處理並返回。
若鋼板S的軋製後的形狀參數成為預先設定的形狀限制判定臨限值以內,則結果輸出部215e運作,輸出所決定的軋製對象的鋼板S的軋製條件(形狀控制致動器量)。
繼而,參照圖6對預測模型執行部215的處理加以說明。
圖6為表示預測模型執行部215的處理流程的流程圖。如圖6所示,於執行形狀控制預測模型時,首先,作為步驟S11的處理,預測模型執行部215的資訊讀取部215a自儲存裝置230讀入與軋製對象的鋼板S的要求特性對應的、作為形狀控制預測模型的神經網路模型。
繼而,作為步驟S12的處理,資訊讀取部215a自上位計算機經由輸入裝置220讀入儲存於儲存裝置230的、所要求的形狀限制判定臨限值。繼而,作為步驟S13的處理,資訊讀取部215a自上位計算機經由輸入裝置220讀入儲存於儲存裝置230的、軋製對象的鋼板S的軋製條件。
繼而,作為步驟S14的處理,軋製形狀預測部215c使用步驟S11的處理中讀入的作為形狀控制預測模型的神經網路模型,將步驟S13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的形狀參數。再者,神經網路模型的預測結果於圖4所示的神經網路模型的輸出層503輸出。
繼而,作為步驟S15的處理,軋製條件決定部215d判定步驟S14的處理中求出的鋼板S的形狀參數是否為步驟S12的處理中讀入的形狀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S15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。形狀參數為形狀限制判定臨限值以內相當於滿足本發明的既定條件。
而且,於形狀參數為形狀限制判定臨限值以內的情形(步驟S15:是(Yes))時,預測模型執行部215結束一系列處理。另一方面,於形狀參數並非形狀限制判定臨限值以內的情形(步驟S15:否(No))時,預測模型執行部215使處理進入步驟S16的處理。
步驟S16的處理中,軋製條件決定部215d變更步驟S13的處理中讀入的軋製對象的鋼板S的軋製條件(例如,形狀控制致動器操作量)的一部分,進入步驟S17的處理。步驟S17的處理中,結果輸出部215e經由輸出裝置240將與所變更的軋製條件的一部分有關的資訊向軋製控制裝置100傳送。
於步驟S16的處理中變更軋製條件的一部分時,於步驟S17的處理中,軋製條件決定部215d將步驟S17的處理中軋製條件的一部分、具體而言工作輥或中間輥的彎曲量或偏移量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215d基於此時的軋製條件來決定形狀控制致動器的操作量。軋製控制裝置100於冷軋階段中,基於自結果輸出部215e傳送的與形狀控制致動器有關的資訊來變更軋製條件。
作為軋製條件的變更量的計算方法,軋製條件決定部215d基於步驟S14的處理中求出的形狀參數、與步驟S12的處理中讀入的形狀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215d將所計算出的軋製條件與步驟S13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S17的處理中變更軋製條件。
回到步驟S13的處理,軋製形狀預測部215c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S14的處理中,軋製形狀預測部215c藉由作為形狀控制預測模型的神經網路模型,求出與步驟S13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、冷軋後的鋼板S的形狀參數。另外,步驟S15的處理中,軋製條件決定部215d判定步驟S14的處理中求出的形狀參數是否為步驟S12的處理中讀入的形狀限制判定臨限值以內。而且,反覆執行步驟S13、步驟S14、步驟S15、步驟S16及步驟S17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215進行的處理(形狀控制決定步驟)結束。
由以上的說明表明,本實施形態中,預測模型生成部214生成由機械學習方法所得的形狀控制預測模型,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形狀控制實績相結合。另外,預測模型執行部215於鋼板S的冷軋中,藉由所生成的形狀控制預測模型來求出軋製對象的鋼板S的形狀參數。而且,預測模型執行部215以所求出的形狀參數成為形狀限制判定臨限值以內的方式,決定軋製對象的鋼板S的軋製條件。藉此,可實施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形狀控制,抑制冷軋中的形狀不良或斷裂等故障(trouble)的產生並且維持生產性。進而,根據本實施形態,作為用於冷軋中的鋼板S的形狀預測的說明變量,將自軋製實績資料採取的數值資訊連結,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對在冷軋中產生的限制的幫助大的因數。
〔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,遍及板卷全長利用形狀控制預測模型來反覆預測鋼板S的形狀及決定軋製條件,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200算出超過形狀控制致動器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100無法執行基於來自運算單元200的指令的控制。因此,軋製控制裝置100可於判定為來自運算單元200的控制量異常或未自運算單元200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240與操作監視裝置400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215的處理結果(尤其是由軋製形狀預測部215c所得的軋製中的鋼板S的形狀預測資訊、及由軋製條件決定部215d決定的變更後的軋製條件)顯示於操作監視裝置400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)的電磁鋼板用素材鋼板作為軋製材,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,使用以下原液,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,將以往的鋼板的軋製實績與以往的鋼板的軋製實績相結合,製作用於預測鋼板形狀的神經網路模型。
發明例中,作為以往的鋼板的軋製實績資料,除了於軋製入側所實測的鋼板的寬度方向的長度鋼板資訊實績以外,還使用包含鋼板的變形阻力、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複製、連結而成的多維排列資訊作為輸入實績資料。作為以往的鋼板的軋製實績資料,學習軋製出側鋼板形狀實績。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100接通的階段中,預測由所生成的神經網路模型所得的、冷軋後的鋼板的形狀。而且,以所預測的形狀成為既定的形狀限制判定臨限值以內的方式逐漸變更軋製條件,設定軋製條件。
比較例中亦與發明例同樣地,進行將母材厚1.8 mm、板寬1000 mm的含有2.8 mass%的Si的電磁鋼板用素材鋼板(軋製對象)冷軋至板厚0.3 mm為止的實驗。表1所示的編號1、編號3、編號5、編號7、編號9、編號11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複製而設為一維排列的輸入資料,將以往的鋼板形狀實績資料相結合,生成用於預測鋼板形狀的神經網路模型。
將發明例及比較例的100板卷軋製後的鋼板的斷裂產生數示於表1。如表1所示,比較例中因未充分學習,故而於入側板凸度大幅變動時,超過操作限制而產生拉伸斷裂等故障。
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形狀,以所述預測的形狀參數成為預先設定的形狀限制判定臨限值以內的方式逐漸變更軋製條件而決定軋製後的鋼板形狀。另外,藉此確認到,藉由適用本發明,不僅可抑制冷軋中的形狀不良或板斷裂等故障的產生,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]
(表1)
No. | Si量 (mass%) | 加工板厚 (mm) | 軋製入側鋼板資訊 | 說明變量的維度 | 顫動產生數 (100板卷中產生次數) | |
1 | 2.5 | 0.30 | 板厚 | 一維 | 8 | 比較例 |
2 | 2.5 | 0.30 | 板厚 | 二維 | 0 | 發明例 |
3 | 2.5 | 0.25 | 板厚 | 一維 | 13 | 比較例 |
4 | 2.5 | 0.25 | 板厚 | 二維 | 0 | 發明例 |
5 | 3.0 | 0.30 | 板厚 | 一維 | 15 | 比較例 |
6 | 3.0 | 0.30 | 板厚 | 二維 | 0 | 發明例 |
7 | 2.5 | 0.30 | 溫度 | 一維 | 9 | 比較例 |
8 | 2.5 | 0.30 | 溫度 | 二維 | 0 | 發明例 |
9 | 2.5 | 0.25 | 溫度 | 一維 | 14 | 比較例 |
10 | 2.5 | 0.25 | 溫度 | 二維 | 0 | 發明例 |
11 | 3.0 | 0.30 | 溫度 | 一維 | 12 | 比較例 |
12 | 3.0 | 0.30 | 溫度 | 二維 | 0 | 發明例 |
以上,對適用本發明人們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,基於本實施形態並由本領域技術人員等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設定方法及軋製條件設定裝置,即便於軋製高負荷且軋製前板厚薄的難軋製材時,亦可設定確保冷軋的穩定性並且高生產性地進行冷軋的軋製條件。另外,根據本發明,可提供一種冷軋方法及冷軋機,即便於冷軋高負荷且軋製前板厚薄的難軋製材時,亦可確保冷軋的穩定性並且高生產性地進行冷軋。另外,根據本發明,可提供一種鋼板的製造方法,可高良率地製造鋼板。
1:冷軋機
2:污油箱(回收用箱)
3:清潔箱
5:油盤
6:返回配管
7:攪拌機
8:鐵粉去除裝置
9:泵
11:供給線
12:潤滑用冷媒頭
13:冷卻用冷媒頭
100:軋製控制裝置
200:運算單元
210:運算裝置
211:隨機存取記憶體(Random Access Memory,RAM)
212:唯讀記憶體(Read Only Memory,ROM)
212a:預測模型生成程式
212b:預測模型執行程式
213:運算處理部
214:預測模型生成部
214a:學習用資料獲取部
214b:前處理部
214c:第一資料變換部
214d:模型生成部
214e:結果保存部
215:預測模型執行部
215a:資訊讀取部
215b:第二資料變換部
215c:軋製形狀預測部
215d:軋製條件決定部
215e:結果輸出部
220:輸入裝置
230:儲存裝置
240:輸出裝置
250:匯流排
300:鋼板資訊測定裝置
400:操作監視裝置
501:輸入層
502:中間層
503:輸出層
OL:軋製油
S:鋼板
S1:第一卷積步驟
S2:第一池化步驟
S3:第二卷積步驟
S4:第二池化步驟
S5:全連接步驟
S11~S17: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為表示形狀控制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。
S11~S17:步驟
Claims (9)
- 一種冷軋機的軋製條件設定方法,使用預測軋製對象材的冷軋後的狀態的預測模型,來設定冷軋軋製對象材時的冷軋機的目標軋製條件,所述預測模型是以將包含所述冷軋機的入側的軋製材的冷軋前資料的以往的軋製實績資料於時間方向變換為多維資料而得的第一多維資料為說明變量,以所述冷軋機的出側的軋製材的冷軋後資料為目的變量而生成,且所述冷軋機的軋製條件設定方法包括:藉由將根據包含所述冷軋機的入側的所述軋製對象材的冷軋前資料與所述冷軋機的目標軋製條件的資訊而生成的第二多維資料輸入至所述預測模型,來推定所述冷軋機的出側的所述軋製對象材的軋製後的形狀的步驟;以及以所推定的所述軋製後的形狀滿足既定條件的方式變更所述冷軋機的目標軋製條件的步驟。
- 如請求項1所述的冷軋機的軋製條件設定方法,其中,於所述冷軋前資料中包含所述冷軋機的入側的鋼板的厚度資訊及溫度資訊的至少一者。
- 如請求項1或請求項2所述的冷軋機的軋製條件設定方法,其中,於所述冷軋後資料中包含根據所述冷軋機的出側的鋼板的形狀而算出的形狀參數。
- 一種冷軋方法,包括使用利用如請求項1至請求項3 中任一項所述的冷軋機的軋製條件設定方法進行變更所得的冷軋機的目標軋製條件,來對軋製對象材進行冷軋的步驟。
- 一種鋼板的製造方法,包括使用如請求項4所述的冷軋方法來製造鋼板的步驟。
- 一種冷軋機的軋製條件設定裝置,使用預測軋製對象材的冷軋後的狀態的預測模型,來設定冷軋軋製對象材時的冷軋機的目標軋製條件,所述預測模型是以將包含所述冷軋機的入側的軋製材的冷軋前資料的以往的軋製實績資料於時間方向變換為多維資料而得的第一多維資料為說明變量,以所述冷軋機的出側的軋製材的冷軋後資料為目的變量而生成,且所述冷軋機的軋製條件設定裝置包括:藉由將根據包含所述冷軋機的入側的所述軋製對象材的冷軋前資料與所述冷軋機的目標軋製條件的資訊而生成的第二多維資料輸入至所述預測模型,來推定所述冷軋機的出側的所述軋製對象材的軋製後的形狀的機構;以及以所推定的所述軋製後的形狀滿足既定條件的方式變更所述冷軋機的目標軋製條件的機構。
- 如請求項6所述的冷軋機的軋製條件設定裝置,其中,於所述冷軋前資料中包含所述冷軋機的入側的鋼板的厚度資訊及溫度資訊的至少一者。
- 如請求項6或請求項7所述的冷軋機的軋製條件設 定裝置,其中,於所述冷軋後資料中包含根據所述冷軋機的出側的鋼板的形狀而算出的形狀參數。
- 一種冷軋機,包括如請求項6至請求項8中任一項所述的冷軋機的軋製條件設定裝置。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021102407A JP7468466B2 (ja) | 2021-06-21 | 2021-06-21 | 冷間圧延機の圧延条件設定方法、冷間圧延方法、鋼板の製造方法、冷間圧延機の圧延条件設定装置、及び冷間圧延機 |
JP2021-102407 | 2021-06-21 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202300249A TW202300249A (zh) | 2023-01-01 |
TWI802366B true TWI802366B (zh) | 2023-05-11 |
Family
ID=84543800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111113748A TWI802366B (zh) | 2021-06-21 | 2022-04-12 | 冷軋機的軋製條件設定方法、冷軋方法、鋼板的製造方法、冷軋機的軋製條件設定裝置及冷軋機 |
Country Status (8)
Country | Link |
---|---|
US (1) | US20240149317A1 (zh) |
EP (1) | EP4309816A1 (zh) |
JP (1) | JP7468466B2 (zh) |
KR (1) | KR20230156758A (zh) |
CN (1) | CN117377538A (zh) |
MX (1) | MX2023015323A (zh) |
TW (1) | TWI802366B (zh) |
WO (1) | WO2022269974A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4124398B1 (de) * | 2021-07-27 | 2024-04-10 | Primetals Technologies Austria GmbH | Verfahren zur bestimmung mechanischer eigenschaften eines walzgutes mit hilfe eines hybriden modells |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08132108A (ja) * | 1994-11-04 | 1996-05-28 | Kawasaki Steel Corp | 圧延条件推定モデルによる圧延条件の推定方法 |
TW301616B (zh) * | 1993-10-05 | 1997-04-01 | Hitachi Ltd | |
WO2020171096A1 (ja) * | 2019-02-21 | 2020-08-27 | Jfeスチール株式会社 | 圧延荷重予測方法、圧延荷重予測装置、及び圧延制御方法 |
JP2021030280A (ja) * | 2019-08-27 | 2021-03-01 | Jfeスチール株式会社 | 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 |
CN113172097A (zh) * | 2021-05-27 | 2021-07-27 | 燕山大学 | 一种基于深度自编码的冷轧带材板形模式识别方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4463031A (en) | 1982-10-15 | 1984-07-31 | Nobuo Someya | Process for preparing a bacteriological inhibitor for water |
JP4784320B2 (ja) | 2006-01-26 | 2011-10-05 | Jfeスチール株式会社 | 冷間圧延におけるエッジドロップの検出・制御方法及び装置 |
JP6705519B1 (ja) | 2019-02-12 | 2020-06-03 | Jfeスチール株式会社 | 製造設備の設定条件決定方法、圧延機のミルセットアップ設定値の決定方法、圧延機のミルセットアップ設定値の決定装置、製造物の製造方法および圧延材の製造方法 |
-
2021
- 2021-06-21 JP JP2021102407A patent/JP7468466B2/ja active Active
-
2022
- 2022-02-01 KR KR1020237034735A patent/KR20230156758A/ko unknown
- 2022-02-01 MX MX2023015323A patent/MX2023015323A/es unknown
- 2022-02-01 EP EP22827898.2A patent/EP4309816A1/en active Pending
- 2022-02-01 WO PCT/JP2022/003791 patent/WO2022269974A1/ja active Application Filing
- 2022-02-01 CN CN202280037943.4A patent/CN117377538A/zh active Pending
- 2022-02-01 US US18/281,496 patent/US20240149317A1/en active Pending
- 2022-04-12 TW TW111113748A patent/TWI802366B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW301616B (zh) * | 1993-10-05 | 1997-04-01 | Hitachi Ltd | |
JPH08132108A (ja) * | 1994-11-04 | 1996-05-28 | Kawasaki Steel Corp | 圧延条件推定モデルによる圧延条件の推定方法 |
WO2020171096A1 (ja) * | 2019-02-21 | 2020-08-27 | Jfeスチール株式会社 | 圧延荷重予測方法、圧延荷重予測装置、及び圧延制御方法 |
JP2021030280A (ja) * | 2019-08-27 | 2021-03-01 | Jfeスチール株式会社 | 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 |
CN113172097A (zh) * | 2021-05-27 | 2021-07-27 | 燕山大学 | 一种基于深度自编码的冷轧带材板形模式识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
TW202300249A (zh) | 2023-01-01 |
US20240149317A1 (en) | 2024-05-09 |
EP4309816A1 (en) | 2024-01-24 |
KR20230156758A (ko) | 2023-11-14 |
WO2022269974A1 (ja) | 2022-12-29 |
CN117377538A (zh) | 2024-01-09 |
JP2023001595A (ja) | 2023-01-06 |
JP7468466B2 (ja) | 2024-04-16 |
MX2023015323A (es) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI776731B (zh) | 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 | |
TWI802366B (zh) | 冷軋機的軋製條件設定方法、冷軋方法、鋼板的製造方法、冷軋機的軋製條件設定裝置及冷軋機 | |
JP7067537B2 (ja) | 熱延工程での反り予測方法、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 | |
JP7524885B2 (ja) | 高温鋼材の割れ判定方法、高温鋼材の圧延方法及び高温鋼材の割れ判定モデルの生成方法 | |
JP7040696B1 (ja) | 冷間圧延機の圧延条件算出方法、冷間圧延機の圧延条件算出装置、冷間圧延方法、冷間圧延機、及び鋼板の製造方法 | |
TW202126401A (zh) | 收縮產生預測系統 | |
JP7047988B1 (ja) | 冷間圧延機のチャタリング検出方法、冷間圧延機のチャタリング検出装置、冷間圧延方法、冷間圧延機、及び鋼板の製造方法 | |
TWI796005B (zh) | 冷軋機的顫動檢測方法、冷軋機的顫動檢測裝置、冷軋方法、冷軋機及鋼板的製造方法 | |
US20120260708A1 (en) | Control setup device and control setup method | |
WO2024018665A1 (ja) | 冷間圧延機の圧延条件設定方法、冷間圧延方法、鋼板の製造方法、冷間圧延機の圧延条件設定装置および冷間圧延機 | |
EP4134181A1 (en) | Metal tube manufacturing method and device | |
JP7230880B2 (ja) | 圧延荷重予測方法、圧延方法、熱延鋼板の製造方法、及び圧延荷重予測モデルの生成方法 | |
JP2005153011A (ja) | 金属板の形状予測方法及び金属板の製造方法 | |
JP7517369B2 (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 | |
WO2024135050A1 (ja) | 粗圧延材の幅予測方法、粗圧延材の幅制御方法、熱延鋼板の製造方法、及び粗圧延材の幅予測モデルの生成方法 | |
JP2015199123A (ja) | 調質圧延設備の制御装置及び制御方法 | |
WO2024135051A1 (ja) | 仕上圧延材の幅予測方法、仕上圧延材の幅制御方法、熱延鋼板の製造方法、及び仕上圧延材の幅予測モデルの生成方法 | |
JP2014180677A (ja) | 板幅方向に板厚差を有する差厚鋼板の製造装置および製造方法 | |
JPH0416241B2 (zh) | ||
TW202303319A (zh) | 異常檢測裝置 | |
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 |