WO2019112365A1 - 열간 압연에서 압연유 분사 유량 설정 제어 시스템 - Google Patents

열간 압연에서 압연유 분사 유량 설정 제어 시스템 Download PDF

Info

Publication number
WO2019112365A1
WO2019112365A1 PCT/KR2018/015509 KR2018015509W WO2019112365A1 WO 2019112365 A1 WO2019112365 A1 WO 2019112365A1 KR 2018015509 W KR2018015509 W KR 2018015509W WO 2019112365 A1 WO2019112365 A1 WO 2019112365A1
Authority
WO
WIPO (PCT)
Prior art keywords
rolling
friction coefficient
flow rate
rolling oil
oil injection
Prior art date
Application number
PCT/KR2018/015509
Other languages
English (en)
French (fr)
Inventor
강현석
박정훈
손승락
박민혁
Original Assignee
주식회사 포스코
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 포스코 filed Critical 주식회사 포스코
Publication of WO2019112365A1 publication Critical patent/WO2019112365A1/ko

Links

Images

Classifications

    • 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
    • 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
    • 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

Definitions

  • the present invention relates to a rolling oil injection flow rate setting control system for controlling the setting of a rolling oil injection flow rate in hot rolling using rolling oil.
  • rolling oil is injected into the rolling roll to reduce the frictional force between the roll and the plate in hot rolling.
  • This is commonly referred to as lubrication rolling.
  • This can reduce the rolling load during hot rolling and reduce the production cost by reducing the amount of power used for rolling.
  • By reducing the frictional force between the roll and the plate it is possible to reduce the fatigue of the roll surface, thereby reducing defects such as the surface roughness of the material, and the roll can be used for a long time.
  • a rolling oil injection flow rate setting control system in hot rolling in which a proper rolling oil flow rate can be injected by utilizing artificial intelligence during lubrication rolling in a hot rolling step, and abnormal conditions can be monitored.
  • a rolling oil injection flow setting control system in hot rolling is a system for controlling the rolling oil injection flow rate setting control system in an advanced rolling stock control system for storing advanced rates obtained from fluctuation amounts of rolling loads,
  • a friction coefficient learning unit for storing a coefficient of friction between the rolling roll and the rolled material calculated by reflecting the advanced ratio, the rolling load, and the rolling torque on the friction coefficient model by the rolling flow rate,
  • a rolling flow rate determiner for setting a target friction coefficient and determining a rolling flow rate corresponding to the target friction coefficient.
  • the present invention it is possible to reduce the power cost by reducing the rolling load, which is the main purpose of lubrication rolling, to improve the surface quality of the rolled material by reducing roll surface fatigue, There is an effect that can be.
  • FIG. 1 is a schematic block diagram of a rolling oil jet flow rate setting control system according to an embodiment of the present invention.
  • Fig. 2 is a view showing the distribution of frictional force between the rolled roll and the material.
  • FIG. 3 is a graph showing the rolling load slope of each rolling oil injection flow rate in the rolling oil injection flow rate setting control system according to the embodiment of the present invention.
  • FIG. 4 is a diagram showing the structure of a neural network model for learning the coefficient of friction for each type of steel / rolling condition / rolling oil injection condition of the rolling oil injection flow rate setting control system according to an embodiment of the present invention.
  • FIG. 5 is a graph showing the performance of the learned friction coefficient model for the steel type / rolling condition / rolling oil injection condition of the rolling oil injection flow rate setting control system according to an embodiment of the present invention.
  • FIG. 6 is a graph showing the results of real-time monitoring of the advance rate of the rolling oil injection flow rate setting control system according to an embodiment of the present invention.
  • FIG. 7 is a graph showing a result of real-time monitoring of the friction coefficient of the rolling oil injection flow rate setting control system according to an embodiment of the present invention.
  • FIG. 8 is a graph showing a result of real-time monitoring of a friction coefficient in a case where rolling oil is not abnormally injected in a rolling oil injection flow rate setting control system according to an embodiment of the present invention.
  • FIG. 9 is a diagram showing an artificial intelligence learning model for learning a coefficient of friction used in determining a rolling oil injection flow rate in a rolling oil injection flow rate setting control system according to an embodiment of the present invention.
  • FIGS. 10 and 11 are diagrams showing rolling load learning results of a rolling oil injection flow rate setting control system according to an embodiment of the present invention.
  • FIG. 12 is a graph showing a relationship between a rolling oil injection flow rate and a friction coefficient in a rolling oil injection flow rate setting control system according to an embodiment of the present invention.
  • FIG. 1 is a schematic block diagram of a rolling oil jet flow rate setting control system according to an embodiment of the present invention.
  • a rolling oil injection flow rate setting control system 100 includes an advanced rate learning unit 110, a friction coefficient learning unit 120, and a rolling flow rate determination unit 130 And may further include an estimation unit 140 and a state determination unit 150.
  • the advanced ratio learning unit 110 may store the advanced rate obtained from the fluctuation amount of the rolling load as the rolling progresses by the rolling flow rate.
  • the advanced ratio learning unit 110 can obtain the advanced ratio by comparing the variation amount of the rolling load in the no-lubrication condition with the variation amount of the rolling load in the lubrication condition in which the rolling oil is injected.
  • the friction coefficient learning unit 120 may store the coefficient of friction between the rolling roll and the rolled material calculated by reflecting the advanced ratio, the rolling load, and the rolling torque on the friction coefficient model by the rolling flow rate.
  • the rolling flow rate determiner 130 can set the target friction coefficient using the stored friction coefficient and determine the rolling flow rate corresponding to the target friction coefficient. In addition, the rolling flow rate determiner 130 can adjust the rolling flow rate using the friction coefficient during the rolling process.
  • the estimating unit 140 can estimate the friction coefficient during the rolling in real time by reflecting the advanced ratio, the measured rolling load, and the measured rolling torque to the friction coefficient model, It can be judged as an abnormal state when the coefficient of friction is outside the predetermined setting range. For example, when the friction coefficient becomes larger than the upper limit value of the set range, it means that it is higher than the normal friction coefficient. This may mean that the rolling oil injection nozzle is clogged or the rolling oil is not sprayed, so that a warning signal is given to the driver to take measures such as facility diagnosis.
  • the state determination unit 150 stores the friction coefficient at the moment when the rolled material is pushed into the rolling mill and sets the variation range (upper / lower limit) of the friction coefficient. If the friction coefficient calculated in real time deviates from the friction coefficient fluctuation range, it generates an abnormal signal.
  • the friction coefficient monitored in real time is below the limit friction coefficient, it means that the coefficient of friction between the roll and the plate is low and the slip phenomenon can be suspected. If the coefficient of friction is lower than the normal coefficient of friction, the plate will be tilted to one side, which can cause accidents. Therefore, in such cases, it is possible for the operator to take measures to lower the plate speed.
  • the nonlinear element can be modeled by applying the artificial intelligence learning model.
  • Fig. 2 is a view showing the distribution of frictional force between the rolled roll and the material.
  • ⁇ is the friction coefficient
  • R ' is a piece of peace roll radius
  • R is the roll radius
  • RF is the rolling load
  • ⁇ is an advanced rate
  • ⁇ is a rolling torque
  • T o is the outlet tension
  • T i is one inlet tension
  • p in Fig. 2 may be the pressure distribution in the roll byte.
  • the direction of the frictional force is reversed with respect to the neutral point, where the neutral point is usually known by a variable called advanced rate (exit speed / roll speed -1).
  • the position of the neutral point can be determined through the variable of advanced rate.
  • the advance rate can not be known because it is possible to measure only the roll speed.
  • the unmeasurable advance rate can be predicted through the slope of the rolling load change.
  • FIG. 3 is a graph showing the rolling load slope of each rolling oil injection flow rate in the rolling oil injection flow rate setting control system according to the embodiment of the present invention.
  • the rolling load at any two points is calculated through artificial intelligence learning to obtain the rolling load slope.
  • the input data required for artificial intelligence learning are the rolling conditions and the rolling oil injection flow rate, and the output value is the rolling load at two points.
  • the rolling load slope decreases as the rolling oil injection flow rate increases.
  • the difference in rolling load slope (slope at 200, 1000 sampling positions) in the no lubrication condition and the lubrication condition is reflected in the advanced rate.
  • the advanced rate learning unit 110 includes a rolling load learning model, and when an arbitrary rolling condition is input in the rolling load learning model, the rolling load is calculated, and the rolling load slope and the advanced ratio are calculated.
  • the friction coefficient value can be obtained by the above method.
  • the friction coefficient prediction model is implemented through artificial intelligence learning.
  • FIG. 4 is a diagram showing the structure of a neural network model for learning the coefficient of friction for each type of steel / rolling condition / rolling oil injection condition of the rolling oil injection flow rate setting control system according to an embodiment of the present invention.
  • input conditions include a steel grade, a rolling condition, a rolling oil injection flow rate, and the like.
  • Learning value of neural network model can be derived through artificial intelligence neural network learning.
  • the neural network model can be a structure of a neural network model for learning the friction coefficient according to the steel type / rolling condition / rolling oil injection condition, and is composed of a plurality of hidden layers and neurons. Based on the learned model, it is possible to predict the friction coefficient under any steel grade and rolling conditions.
  • FIG. 5 is a graph showing the performance of the learned friction coefficient model for the steel type / rolling condition / rolling oil injection condition of the rolling oil injection flow rate setting control system according to an embodiment of the present invention.
  • friction coefficient values can be predicted by inputting arbitrary steel grade, rolling conditions, and rolling oil injection flow rate. The rolling oil injection flow rate can be quantitatively determined based on the predicted friction coefficient.
  • the friction coefficient in the friction coefficient learning model of the friction coefficient learning unit 120 is obtained under the no-lubricating condition.
  • a large number of calculations are performed using a friction coefficient model so as to obtain a target friction coefficient by changing the rolling oil injection flow rate.
  • the calculation is stopped when the frictional coefficient reaches a target friction coefficient in a plurality of calculations, and the rolling flow rate determination unit 130 sets the set value to the injection flow rate entered into the input.
  • the set rolling oil injection flow rate is transmitted to the rolling set model.
  • the friction coefficient can be expressed as a function of the rolling load, the rolling torque, and the advanced ratio (beta).
  • Rolling load and rolling torque can be measured in real time.
  • the advanced rate can not be measured in real time.
  • the rolling load slope difference is used to reflect variables that can not be measured. The rolling load at the time of rolling oil injection is stored after the rolled material is inserted into the rolling roll bite, and then the rolling load slope can be obtained by comparing the rolling load. This gradient reflects the advanced rate fluctuation through the slope difference of the non-lubricated state.
  • the rolling load slope in the non-lubricated state is calculated through rolling load neural network learning at two points of the rolling load in the case of the above-mentioned no lubrication.
  • the advanced rate (beta) value obtained through this is shown in Fig. It can be seen that the neutral point in the roll bite is shifted to the exit side as the advance rate decreases as the rolling oil injection flow rate increases.
  • the friction coefficient is monitored in real time on the basis of the advanced rate as shown in FIG. As the rolling oil injection flow rate increases, the friction coefficient decreases.
  • the decrease in the friction coefficient from the start of the rolling oil injection means that the real-time monitored friction coefficient has a high accuracy, and the friction coefficient is calculated by taking as input the rolling load and rolling torque measured in real time.
  • FIG. 6 is a graph showing the results of real-time monitoring of the advanced rate of the rolling oil injection flow rate setting control system according to an embodiment of the present invention
  • FIG. 7 is a graph showing friction of the rolling oil injection flow rate setting control system according to an embodiment of the present invention
  • FIG. 5 is a diagram showing the results of real-time monitoring of the coefficients.
  • FIG. 7 is a graph showing a real time friction coefficient based on the advanced ratio. As the rolling oil injection flow rate increases, the roll byte neutral point moves to the exit side and the friction coefficient decreases.
  • FIG. 8 is a graph showing a result of real-time monitoring of a friction coefficient in a case where rolling oil is not abnormally injected in a rolling oil injection flow rate setting control system according to an embodiment of the present invention.
  • the friction coefficient is monitored in a situation where the rolling oil is not abnormally injected, it can be confirmed that the coefficient of friction is increased in the section where the rolling oil is not injected. This makes it possible to monitor abnormal conditions.
  • the friction coefficient is set as the reference friction coefficient, and when the reference rolling oil is out of the range, the abnormal condition can be defined.
  • the state determination unit 150 defines a friction coefficient at the time when the rolling oil is injected as a reference friction coefficient and detects whether the friction coefficient that is monitored in real time becomes equal to or greater than the limit friction coefficient. If this is the case, you may suspect that the rolling oil nozzle is clogged. Once this information is known to the rolling mill, it is possible to take such measures as facility inspection. If the coefficient of friction is lower than the reference friction coefficient, it can be assumed that the roll and the sheath slip occurs and the set rolling speed can be reduced.
  • FIG. 9 is a diagram showing an artificial intelligence learning model for learning a coefficient of friction used in determining a rolling oil injection flow rate in a rolling oil injection flow rate setting control system according to an embodiment of the present invention.
  • the friction coefficient learning unit 120 uses a total of 37 input conditions (slab, rolling condition, heating zone condition, steel grade, rolling oil injection flow rate, and the like) and friction coefficient using an artificial intelligence network .
  • the neural network consists of a number of hidden layers and neurons.
  • the beta value (function value of the advanced rate, which is difficult to measure) in the friction coefficient reflects the difference in rolling load slope between no-lubrication condition and lubrication condition. At this time, the rolling load of no lubrication condition learns the rolling load slope under no lubrication condition by neural network. The results of the learning are shown in FIG.
  • FIGS. 10 and 11 are diagrams showing rolling load learning results of a rolling oil injection flow rate setting control system according to an embodiment of the present invention.
  • FIG. 10 shows the result of learning the first rolling load at the 200th sampling point
  • FIG. 11 shows the result of learning the first rolling load at the 1000th sampling point.
  • the advanced rate is calculated by the rolling load slope difference, and the rolling load at any two points (200, 1000 sampling points) is learned and the slope is calculated.
  • Figs. 10 and 11 are diagrams showing the result of learning the rolling load of the stand 1 at two points.
  • a rolling load (vertical axis) and an actual rolling load (horizontal axis) obtained through the learning model. The closer the distribution is to Y X, the higher the learning accuracy.
  • the learned data is divided into four parts: learning / verification / test / total data, and it can be confirmed that the reliability of 95% or more is obtained under all conditions.
  • FIG. 12 is a graph showing a relationship between a rolling oil injection flow rate and a friction coefficient in a rolling oil injection flow rate setting control system according to an embodiment of the present invention.
  • Fig. 12 is a graph showing simulation results obtained by substituting arbitrary rolling conditions in a friction coefficient artificial intelligence learning model learned in Fig. 9 and increasing the rolling oil injection flow rate in units of 10 ml / min.
  • the friction coefficient learning model Can be increased by 10 ml / min to predict the friction coefficient.
  • the vertical axis is the friction coefficient
  • the horizontal axis is the rolling oil injection flow rate in units of 10 ml / min.
  • the present invention it is possible to quantitatively judge the lubrication performance of a roll and a sheet by using the coefficient of friction between the roll and the plate. Based on this, the optimal rolling oil injection flow rate is determined. In addition, it monitors the friction coefficient of the roll and the plate in real time to monitor the abnormal state of the lubrication rolling system when excessive friction coefficient is generated. If the friction coefficient is relatively low,

Abstract

본 발명은 열간압연 공정에서 윤활압연시 인공지능을 활용하여 적정 압연유 유량을 분사시킬 수 있고, 이상상태를 모니터링할 수 있는 열간 압연에서 압연유 분사 유량 설정 제어 시스템에 관한 것으로, 본 발명의 일 실시예에 따른 열간 압연에서 압연유 분사 유량 설정 제어 시스템은 압연의 진행에 따른 압연하중의 변동량으로부터 획득한 선진율을 압연유량 별로 저장하는 선진율 학습부, 상기 선진율, 압연하중, 및 압연토크를 마찰계수 모델에 반영하여 산출된 압연롤과 압연재 사이의 마찰계수를 압연유량 별로 저장하는 마찰계수 학습부, 상기 저장된 마찰계수를 이용하여 목표 마찰계수를 설정하고 상기 목표 마찰계수에 대응하는 압연유량을 결정하는 압연유량 결정부를 포함할 수 있다.

Description

열간 압연에서 압연유 분사 유량 설정 제어 시스템
본 발명은 압연유를 사용하는 열간 압연에서 압연유 분사 유량의 설정을 제어하는 압연유 분사 유량 설정 제어 시스템에 관한 것이다.
일반적으로 열간압연에서 롤과 판사이의 마찰력을 감소시키기 위해서 압연롤에 압연유를 분사시킨다. 이것을 통상적으로 윤활압연이라고 칭한다. 이를 통하여 열간압연시 압연하중이 감소시킬 수 있으며 압연에 사용되는 전력량을 줄여 생산비용을 줄일 수 있다. 그리고 롤과 판사이의 마찰력 감소에 의해서 롤표면 피로를 줄일 수 있어서 소재의 면거침과 같은 결함을 줄일 수 있으며, 오랫동안 롤을 사용할 수 있어서 비정상적인 롤교체를 막는 효과가 있다.
이런 많은 장점이 있는 윤활압연이지만 실제 구현함에 있어서, 압연유를 분사함으로써 롤과 판의 마찰효과를 정량적으로 평가하기 힘들고, 최적의 압연유 분사유량을 설정하기 어려우며, 윤활압연시 과도한 압연유 분사시 롤과 판사이에 슬립이 발생하게 되고, 압연유 성분에 의해서 압연유 분사노즐이 막히는 경우가 종종 발생하는 문제점이 있다.
이러한 종래 기술에 대해서는, 대한민국 등록특허공보 제10-1230151호 등을 참조하여 쉽게 이해할 수 있다.
본 발명의 일 실시예에 따르면, 열간압연 공정에서 윤활압연시 인공지능을 활용하여 적정 압연유 유량을 분사시킬 수 있고, 이상상태를 모니터링할 수 있는 열간 압연에서 압연유 분사 유량 설정 제어 시스템이 제공된다.
상술한 본 발명의 과제를 해결하기 위해, 본 발명의 일 실시예에 따른 열간 압연에서 압연유 분사 유량 설정 제어 시스템은 압연의 진행에 따른 압연하중의 변동량으로부터 획득한 선진율을 압연유량 별로 저장하는 선진율 학습부, 상기 선진율, 압연하중, 및 압연토크를 마찰계수 모델에 반영하여 산출된 압연롤과 압연재 사이의 마찰계수를 압연유량 별로 저장하는 마찰계수 학습부, 상기 저장된 마찰계수를 이용하여 목표 마찰계수를 설정하고 상기 목표 마찰계수에 대응하는 압연유량을 결정하는 압연유량 결정부를 포함할 수 있다.
본 발명의 일 실시예에 따르면, 윤활 압연 본연의 목적인 압연하중 감소를 통한 전력비 저감시킬 수 있고 롤표면 피로 저감을 통한 피압연 소재의 표면품질을 향상시키며, 비정상 롤교체를 줄여 생산원가를 저감시킬 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 압연유 분사 유량 설정 제어 시스템의 개략적인 구성도이다.
도 2는 압연롤과 소재간의 마찰력 분포를 나타내는 도면이다.
도 3은 본 발명의 일 실시예에 따른 압연유 분사 유량 설정 제어 시스템의 압연유 분사 유량별 압연 하중 기울기를 나타내는 그래프이다.
도 4는 본 발명의 일 실시예에 따른 압연유 분사 유량 설정 제어 시스템의 강종/압연조건/압연유의 분사 조건별 마찰 계수를 학습하는 신경망 모델의 구조를 나타내는 도면이다.
도 5는 본 발명의 일 실시예에 따른 압연유 분사 유량 설정 제어 시스템의 강종/압연조건/압연유의 분사 조건별 학습된 마찰 계수 모델의 성능을 나타내는 도면이다.
도 6은 본 발명의 일 실시예에 따른 압연유 분사 유량 설정 제어 시스템의 선진율을 실시간으로 모니터링한 결과를 나타내는 도면이다.
도 7은 본 발명의 일 실시예에 따른 압연유 분사 유량 설정 제어 시스템의 마찰계수를 실시간으로 모니터링한 결과를 나타내는 도면이다.
도 8은 본 발명의 일 실시예에 따른 압연유 분사 유량 설정 제어 시스템의 압연유가 비정상적으로 분사되지 않은 상황에서 마찰계수를 실시간 모니터링한 결과를 나타내는 도면이다.
도 9는 본 발명의 일 실시예에 따른 압연유 분사 유량 설정 제어 시스템의 압연유 분사 유량 결정시 사용된 마찰계수를 학습하는 인공 지능 학습 모델을 나타내는 도면이다.
도 10 및 도 11은 본 발명의 일 실시예에 따른 압연유 분사 유량 설정 제어 시스템의 압연 하중 학습 결과를 나타내는 도면이다.
도 12는 본 발명의 일 실시예에 따른 압연유 분사 유량 설정 제어 시스템의 압연유 분사유량과 마찰계수 간의 관계를 나타내는 그래프이다.
이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 압연유 분사 유량 설정 제어 시스템의 개략적인 구성도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 압연유 분사 유량 설정 제어 시스템(100)는 선진율 학습부(110), 마찰계수 학습부(120) 및 압연유량 결정부(130)를 포함할 수 있고, 추정부(140) 및 상태 판단부(150)를 더 포함할 수 있다.
선진율 학습부(110)는 압연의 진행에 따른 압연하중의 변동량으로부터 획득한 선진율을 압연유량 별로 저장할 수 있다. 선진율 학습부(110)는 무윤활 조건의 상기 압연하중의 변동량과 압연유가 분사되는 윤활조건의 압연하중의 변동량을 비교하여 상기 선진율을 획득할 수 있다.
마찰계수 학습부(120)는 상기 선진율, 압연하중, 및 압연토크를 마찰계수 모델에 반영하여 산출된 압연롤과 압연재 사이의 마찰계수를 압연유량 별로 저장할 수 있다.
압연유량 결정부(130)는 상기 저장된 마찰계수를 이용하여 목표 마찰계수를 설정하고 상기 목표 마찰계수에 대응하는 압연유량을 결정할 수 있다. 더하여, 압연유량 결정부(130)는 상기 압연 진행 중의 마찰계수를 이용하여 상기 압연유량을 조절할 수 있다.
추정부(140)는 상기 선진율, 측정된 압연하중, 및 측정된 압연토크를 상기 마찰계수 모델에 반영하여 압연 진행 중의 마찰계수를 실시간으로 추정할 수 있으며, 상태 판단부(150)는 상기 추정된 마찰계수가 사전에 설정된 설정 범위 이외인 경우 이상상태로 판단할 수 있다. 예를 들면 마찰계수가 상기 설정 범위의 상한값보다 커지게 되면 통상의 마찰계수보다 높음을 뜻한다. 이는 압연유 분사 노즐이 막히거나, 압연유가 분사되지 않는 상황을 의미할 수 있기 때문에 운전자에게 경고 신호를 줌으로써 설비진단과 같은 조치를 취할 수 있게 된다.
상태 판단부(150)는 피압연소재가 압연기에 치입되는 순간의 마찰계수를 기억하고 마찰계수의 변동범위(상한/하한)를 설정한다. 실시간으로 계산되는 마찰계수가 마찰계수 변동범위를 벗어나게 되면 이상 신호를 만들어 낸다.
그리고 실시간으로 모니터링하는 마찰계수가 한계 마찰계수 이하가 되면 롤과 판의 마찰계수가 낮음을 뜻하고 슬립현상을 의심할 수 있다. 마찰계수가 통상의 마찰계수보다 낮을 경우 판이 한쪽으로 쏠리게 되어 사고를 일으킬 수 있다. 따라서 이러한 경우에 작업자가 판속도를 낮추는 조치를 가능하게 한다.
먼저, 압연유 유량을 설정하기 위해서는 롤과 소재사이의 마찰계수를 알아야하는데, 압연롤과 소재사이의 마찰계수는 비선형적인 요소가 크기 때문에 일반적인 물리모델을 적용하여 예측하기 어렵다. 따라서 인공지능 학습모델을 적용하여 비선형 요소를 모델링할 수 있다.
도 2는 압연롤과 소재간의 마찰력 분포를 나타내는 도면이다.
도 2를 참조하면, 압연 롤바이트에는 중립점이 존재하여 중립점 기준으로 마찰력의 방향이 바뀌게 된다. 따라서 롤바이트내 마찰효과를 정량적으로 평가하기 위해서는 중립점을 반드시 고려해야한다. 소성변형이 없는 일반 회전체와 지면사이의 마찰계수가 단순히 회전 토크와 수직항력로 간략화할 수 있다면, 압연에서의 마찰계수는 하기의 수식과 같이 중립점의 위치를 수식에 포함시켜야 한다.
(수식)
Figure PCTKR2018015509-appb-I000001
여기서, μ는 마찰계수, R'는 편평화된 롤반경, R은 롤반경, RF는 압연하중, β는 선진율, τ는 압연토크, To는 출측장력, 및 Ti는 입측장력일 수 있으며 도 2에서 p는 롤바이트내 압력분포일 수 있다.
압연 롤바이트에서 중립점을 기준으로 마찰력 방향이 반대로 바뀌는데, 이때 중립점은 통상적으로 선진율(출측 판속도/롤속도 -1)이라는 변수를 통해서 알 수가 있다. 선진율이라는 변수를 통해서 중립점의 위치를 파악가능한데, 열연 공정에서는 단순히 롤속도만 측정가능하기 때문에 선진율을 알 수가 없다.
측정 불가능한 선진율은 압연하중 변화 기울기를 통하여 예측할 수 있다.
도 3은 본 발명의 일 실시예에 따른 압연유 분사 유량 설정 제어 시스템의 압연유 분사 유량별 압연 하중 기울기를 나타내는 그래프이다.
도 1과 함께 도 3을 참조하면, 압연유 분사유량이 크면 클수록 압연시 압연하중 기울기가 작아진다. 이렇게 압연하중 기울기 차이를 이용하여 선진율의 변화를 구하게 된다. 이때 압연하중 기울기를 구하기 위해서 임의의 두지점에서의 압연하중을 인공지능 학습을 통하여 계산한다. 인공지능 학습에 필요한 입력 데이터는 압연조건 및 압연유 분사유량이며 출력값은 두지점의 압연하중이 된다.
압연유 분사유량이 증가할수록 압연하중 기울기가 낮아지는 것을 알 수 있다. 무윤활 조건과 윤활조건에서 압연하중 기울기(200, 1000 샘플링 위치에서 기울기) 차이를 선진율에 반영한다.
따라서, 선진율 학습부(110)는 압연하중 학습모델을 포함하고, 상기 압연하중 학습모델에서 임의의 압연조건을 입력으로 넣어주면 압연하중이 계산되고, 압연하중 기울기 및 선진율이 계산된다.
상기 방법으로 선진율 계산값 및 압연 데이터(압연토크, 압연하중, 장력, 롤반경 등)를 상기한 수식에 대입하면 마찰계수값을 알 수가 있다.
마찰계수를 사전에 예측가능하다면 이를 통하여 압연유 분사유량을 결정할 수 있다. 하지만 마찰계수는 일반적으로 비선형성이 매우 강한 변수로써 압연조건의 영향도를 수식모델로 도출해내기 매우 어려우므로, 인공지능 학습을 통하여 마찰계수 예측모델을 구현한다.
도 4는 본 발명의 일 실시예에 따른 압연유 분사 유량 설정 제어 시스템의 강종/압연조건/압연유의 분사 조건별 마찰 계수를 학습하는 신경망 모델의 구조를 나타내는 도면이다.
도 4를 참조하면, 입력조건에는 강종, 압연조건, 압연유 분사유량 등이 들어가며, 출력에는 학습하고자 하는 마찰계수가 들어간다. 인공지능 신경망 학습을 통하여 신경망 모델을 구성하는 학습계수 값을 도출할 수 있다.
상기 신경망 모델은 강종/압연조건/압연유 분사조건별 마찰계수를 학습하기 위한 신경망 모델의 구조일 수 있으며, 다수의 Hidden layer 및 뉴런으로 구성되어 있다. 학습된 모델을 기반으로 임의의 강종 및 압연조건에서의 마찰계수를 예측할 수 있다.
도 5는 본 발명의 일 실시예에 따른 압연유 분사 유량 설정 제어 시스템의 강종/압연조건/압연유의 분사 조건별 학습된 마찰 계수 모델의 성능을 나타내는 도면이다.
도 1과 함께, 도 5를 참조하면, 데이터를 크게 학습/검증/테스트로 나누어서 학습된 마찰계수값을 세로축으로, 실제 마찰계수값을 가로축으로 표현할 때 나타낸 그래프이다. 즉, 학습 모델로 통해서 얻어진 마찰계수(세로축), 실제 마찰계수(가로축)를 나타낸 그래프이다. 분포도가 Y=X에 가까울수록 학습 정확도가 높음을 뜻한다. 학습한 데이터를 학습/검증/테스트/총 데이터 4개로 나누어서 비교하였으며, 모든 조건에서 95%이상의 신뢰도가 나옴을 확인할 수 있어 학습된 결과과 실제값을 잘 추종함을 알 수가 있다. 이 모델을 통해서 임의의 강종, 압연조건, 압연유 분사유량을 입력으로 넣어서 마찰계수값을 예측할 수 있다. 예측된 마찰계수를 기반으로 정량적으로 압연유 분사유량을 결정할 수 있다.
즉, 압연유 분사유량을 결정하기 위해서 먼저, 마찰계수 학습부(120)의 마찰계수 학습모델에서 무윤활 조건에서의 마찰계수를 구한다. (인공지능 마찰계수 모델에 압연유 분사유량을 0대입) 그리고 무윤활에서의 마찰계수를 기반으로 목표로 하는 마찰계수를 계산한다. 다음으로, 압연유 분사유량을 변경하여 목표로 하는 마찰계수가 되도록 마찰계수 모델을 이용하여 다수의 계산을 수행한다. 다수의 계산에서 마찰계수가 목표로 하는 마찰계수가 되면 계산을 중지하고, 압연 유량 결정부(130)는 입력으로 들어간 분사유량으로 설정값으로 정한다. 설정된 압연유 분사유량을 압연기 설정모델에 전달한다.
한편, 상기 수식에서와 같이 마찰계수는 압연하중, 압연토크, 선진율(베타)의 함수로 나타낼 수 있다. 압연하중과 압연토크는 실시간으로 측정이 가능하다. 하지만 상기에 언급한 것처럼 선진율은 실시간으로 측정이 불가능하다. 선진율을 반영하기 위해서 압연하중 기울기 차이를 이용하여 실측이 불가능한 변수를 반영한다. 피압연소재가 압연 롤바이트에 치입된 이후 압연유 분사시점의 압연하중을 기억하고 이후 압연 하중의 비교를 통해서 압연하중 기울기를 구할 수 있다. 이 기울기와 무윤활 상태의 기울기 차이를 통해서 선진율 변동을 반영한다.
이때 무윤활 상태의 압연하중 기울기는 상기 언급된 무윤활인 경우의 압연하중 두지점의 압연하중 신경망 학습을 통하여 계산한다. 이를 통하여 얻어진 선진율(베타)값은 도 9에서 나타난다. 압연유 분사유량이 증가할수록 선진율이 작아지면 롤바이트내 중립점이 출측으로 이동됨을 알 수 있다. 이 선진율을 기반으로 마찰계수를 실시간으로 모니터링하면 도 7과 같다. 압연유 분사유량이 증가할수록 마찰계수가 떨어짐을 알 수 있다. 특히 압연유 분사가 시작되는 시점부터 마찰계수가 낮아지는 것은 실시간 모니터링된 마찰계수가 높은 정확도를 가진다는 것을 의미하며 실시간으로 측정되는 압연하중, 압연토크 등을 입력으로 받아서 마찰계수를 계산하게 된다.
도 6은 본 발명의 일 실시예에 따른 압연유 분사 유량 설정 제어 시스템의 선진율을 실시간으로 모니터링한 결과를 나타내는 도면이고, 도 7은 본 발명의 일 실시예에 따른 압연유 분사 유량 설정 제어 시스템의 마찰계수를 실시간으로 모니터링한 결과를 나타내는 도면이다.
마찰계수를 계산하기 위해서 선진율을 알아야 하는데, 이 값은 무윤활 상태와 윤활상태의 압연하중 기울기 차이를 통해서 모니터링할 수 있다. 무윤활상태의 압연하중 기울기는 상기 압연하중 학습 모델을 통해서 구할 수 있으며, 윤활상태의 압연하중 기울기는 치입 시점에서 기억하고 있는 압연하중과의 차이를 이용하여 구할 수 있다. 이 두 기울기를 실시간으로 계산하여 선진율은 도 6과 같다. 그리고 이 선진율을 기반으로 마찰계수를 실시간으로 나타낸 그래프는 도 7과 같다. 압연유 분사유량이 증가할수록 롤바이트 중립점은 출측으로 이동하고, 마찰계수는 낮아지는 것을 볼 수 있다.
도 8은 본 발명의 일 실시예에 따른 압연유 분사 유량 설정 제어 시스템의 압연유가 비정상적으로 분사되지 않은 상황에서 마찰계수를 실시간 모니터링한 결과를 나타내는 도면이다.
압연유가 비정상적으로 분사되지 않은 상황에서 마찰계수를 모니터링하면, 압연유가 분사되지 않는 구간에서 마찰계수가 높아짐을 확인할 수 있다. 이를 통해서 비정상 상태의 모니터링이 가능하게 된다. 그리고 기준 압연유가 분사되는 시점에서 마찰계수를 기준 마찰계수로 설정하고 이 범위를 벗어나는 경우를 이상상태로 정의할 수 있다.
즉, 압연유가 꺼지는 일부 영역에서 마찰계수가 비정상적으로 높아짐을 알 수 있다. 상태 판단부(150)는 압연유가 분사되는 시점에서의 마찰계수를 기준 마찰계수라고 정의하고 실시간 모니터링 되는 마찰계수가 한계 마찰계수이상이 되는지를 검출한다. 이런 상황이라면 압연유 노즐 막힘을 의심해 볼 수가 있다. 이 정보를 압연 조업자가 파악하게 되면 설비점검과 같은 조치를 취할 수 있게 된다. 그리고 마찰계수가 기준 마찰계수 이하일 경우 롤과 판사이의 슬립이 발생한다는 것으로 추정할 수 있으며 설정되는 압연속도를 줄일 수 있다.
도 9는 본 발명의 일 실시예에 따른 압연유 분사 유량 설정 제어 시스템의 압연유 분사 유량 결정시 사용된 마찰계수를 학습하는 인공 지능 학습 모델을 나타내는 도면이다.
도 9를 참조하면, 마찰계수 학습부(120)는 마찰계수를 학습하기 위해서 총 37의 입력조건(슬라브, 압연조건, 가열대조건, 강종, 압연유 분사유량등)과 마찰계수를 인공지능 신경망을 이용하여 학습한다. 이때 신경망은 다수의 Hidden layer 및 뉴런으로 이루어져 있다. 그리고 마찰계수에 들어가는 베타값(실측하기 힘든 선진율의 함수값)은 무윤활 조건과 윤활조건의 압연하중 기울기 차이를 반영한다. 이때 무윤활 조건의 압연하중은 무윤활 조건에서의 압연하중 기울기를 신경망으로 학습한다. 학습한 결과는 도 5를 통해서 알 수 있다.
도 10 및 도 11은 본 발명의 일 실시예에 따른 압연유 분사 유량 설정 제어 시스템의 압연 하중 학습 결과를 나타내는 도면이다.
좀더 상세하게 설명하면, 도 10 200번째 샘플링 지점에서의 1번 스탠드 압연하중을 학습한 결과이며, 도 11은 1000번째 샘플링 지점에서 1번 스탠드 압연하중을 학습한 결과이다. 두지점의 압연하중 신경망 모델을 통해서 얻은 압연하중 기울기와 동일한 지점에서 얻을 수 있는 압연하중 기울기 차이로부터 선진율을 구하며, 이를 통하여 마찰계수를 구한다.
선진율은 압연하중 기울기 차이를 통해서 계산되는데, 임의의 두지점(200, 1000 샘플링 지점)에서의 압연하중을 각각 학습하고 기울기를 계산한다. 도 10 및 도 11은 두지점에 대해서 1번 스탠드의 압연하중을 학습한 결과를 나타낸 도면이다. 학습 모델로 통해서 얻어진 압연하중(세로축), 실제 압연하중(가로축)를 나타낸 그래프이다. 분포도가 Y=X에 가까울수록 학습 정확도가 높음을 뜻한다. 학습한 데이터를 학습/검증/테스트/총 데이터 4개로 나누어서 비교하였고 모든 조건에서 95%이상의 신뢰도가 나옴을 확인할 수 있다.
도 12는 본 발명의 일 실시예에 따른 압연유 분사 유량 설정 제어 시스템의 압연유 분사유량과 마찰계수간의 관계를 나타내는 그래프이다.
도 12는 도 9에서 학습된 마찰계수 인공지능 학습모델에서 임의의 압연조건을 대입하고 압연유 분사유량만을 10ml/min단위로 증가시켜 시뮬레이션한 결과를 나타낸 그래프이며, 상기 마찰계수 학습모델에 압연유 분사유량을 10ml/min단위로 증가시켜서 마찰계수를 예측할 수 있다. 세로축은 마찰계수이고, 가로축은 10ml/min단위의 압연유 분사유량이다.
도 12를 참조하면, 압연유 분사유량이 증가할수록 마찰계수가 낮아짐을 알 수 있으며, 압연유 분사유량이 0인 지점에서의 마찰계수를 무윤활 상태의 마찰계수이며, 무윤활 마찰계수의 90%지점에서의 분사유량으로 설정할 수 있다. 이 방법을 통해서 학습된 어떠한 강종에 대해서 일률적인 비율로 줄어든 마찰조건으로 압연유 분사유량을 결정할 수 있게 된다.
상술한 바와 같이, 본 발명에 따르면, 롤과 판사이의 마찰계수를 이용하여 롤과 판사이의 윤활성능을 정량적으로 판단할 수 있게 한다. 이를 기반으로 최적의 압연유 분사유량을 결정하게 된다. 그리고 롤과 판사이 마찰계수를 실시간으로 모니터링하여 과도한 마찰계수 발생시 윤활 압연 시스템의 비정상 상태를 모니터링할 수 있으며, 마찰계수가 상대적으로 낮을 경우 슬립을 사전에 파악하여 이상조치를 할 수 있도록 한다.
이를 통하여 기존의 윤활압연 시스템의 실구현시 발생하는 문제점을 해결하여, 윤활압연 본연의 목적인 압연하중 감소를 통한 전력비를 저감시킬 수 있다. 그리고 롤표면 피로 저감을 통한 피압연 소재의 표면품질을 향상시키고, 비정상 롤교체를 줄여 생산원가를 저감시킬 수 있다.
이상에서 설명한 본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니고 후술하는 특허청구범위에 의해 한정되며, 본 발명의 구성은 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 그 구성을 다양하게 변경 및 개조할 수 있다는 것을 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 쉽게 알 수 있다.

Claims (8)

  1. 압연의 진행에 따른 압연하중의 변동량으로부터 획득한 선진율을 압연유량 별로 저장하는 선진율 학습부;
    상기 선진율, 압연하중, 및 압연토크를 마찰계수 모델에 반영하여 산출된 압연롤과 압연재 사이의 마찰계수를 압연유량 별로 저장하는 마찰계수 학습부; 및
    상기 저장된 마찰계수를 이용하여 목표 마찰계수를 설정하고 상기 목표 마찰계수에 대응하는 압연유량을 결정하는 압연유량 결정부
    를 포함하는 열간 압연에서 압연유 분사 유량 설정 제어 시스템.
  2. 제1항에 있어서,
    상기 선진율 학습부는 압연조건 및 압연유 분사유량을 입력받아 압연하중을 출력하는 압연하중 학습모델을 포함하는 열간 압연에서 압연유 분사 유량 설정 제어 시스템.
  3. 제1항에 있어서,
    상기 선진율 학습부는 무윤활 조건의 상기 압연하중의 변동량과 압연유가 분사되는 윤활조건의 압연하중의 변동량을 비교하여 상기 선진율을 획득하는 열간 압연에서 압연유 분사 유량 설정 제어 시스템.
  4. 제1항에 있어서,
    상기 마찰계수 모델은 다음의 수학식으로 표현되고,
    (수학식)
    Figure PCTKR2018015509-appb-I000002
    여기서, μ는 마찰계수, R'는 편평화된 롤반경, R은 롤반경, RF는 압연하중, β는 선진율, τ는 압연토크, To는 출측장력, 및 Ti는 입측장력인 열간 압연에서 압연유 분사 유량 설정 제어 시스템.
  5. 제1항에 있어서,
    상기 압연유량 결정부는 무윤활 조건의 마찰계수의 일정 비율인 값으로 상기 목표 마찰계수를 설정하는 열간 압연에서 압연유 분사 유량 설정 제어 시스템.
  6. 제1항에 있어서,
    상기 선진율, 측정된 압연하중, 및 측정된 압연토크를 상기 마찰계수 모델에 반영하여 압연 진행 중의 마찰계수를 실시간으로 추정하는 추정부를 더 포함하는 열간 압연에서 압연유 분사 유량 설정 제어 시스템.
  7. 제1항에 있어서,
    상기 압연유량 결정부는 상기 압연 진행 중의 마찰계수를 이용하여 상기 압연유량을 조절하는 열간 압연에서 압연유 분사 유량 설정 제어 시스템.
  8. 제5항에 있어서,
    상기 추정된 마찰계수가 사전에 설정된 설정 범위 이외인 경우 이상상태로 판단하는 상태 판단부를 더 포함하는 열간 압연에서 압연유 분사 유량 설정 제어 시스템.
PCT/KR2018/015509 2017-12-08 2018-12-07 열간 압연에서 압연유 분사 유량 설정 제어 시스템 WO2019112365A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2017-0168280 2017-12-08
KR1020170168280A KR101998981B1 (ko) 2017-12-08 2017-12-08 열간 압연에서 압연유 분사 유량 설정 제어 시스템

Publications (1)

Publication Number Publication Date
WO2019112365A1 true WO2019112365A1 (ko) 2019-06-13

Family

ID=66751661

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2018/015509 WO2019112365A1 (ko) 2017-12-08 2018-12-07 열간 압연에서 압연유 분사 유량 설정 제어 시스템

Country Status (2)

Country Link
KR (1) KR101998981B1 (ko)
WO (1) WO2019112365A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797534A (zh) * 2020-07-10 2020-10-20 合肥工业大学 一种用于确定轧辊主动再制造时机的试验方法及试验系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0613126B2 (ja) * 1985-09-27 1994-02-23 新日本製鐵株式会社 板圧延における先進率制御方法
JP2001025808A (ja) * 1999-05-12 2001-01-30 Nippon Steel Corp 板圧延反り予測・制御装置
KR20020037479A (ko) * 2000-11-14 2002-05-22 이구택 압연기의 마찰계수 제어에 의한 압연유 유량제어방법
JP2007069234A (ja) * 2005-09-06 2007-03-22 Nippon Steel Corp 厚鋼板矯正ラインの通板監視方法及び通板監視装置
KR20120074600A (ko) * 2010-12-28 2012-07-06 주식회사 포스코 열간압연공정에서의 압연유량 제어방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0613126B2 (ja) * 1985-09-27 1994-02-23 新日本製鐵株式会社 板圧延における先進率制御方法
JP2001025808A (ja) * 1999-05-12 2001-01-30 Nippon Steel Corp 板圧延反り予測・制御装置
KR20020037479A (ko) * 2000-11-14 2002-05-22 이구택 압연기의 마찰계수 제어에 의한 압연유 유량제어방법
JP2007069234A (ja) * 2005-09-06 2007-03-22 Nippon Steel Corp 厚鋼板矯正ラインの通板監視方法及び通板監視装置
KR20120074600A (ko) * 2010-12-28 2012-07-06 주식회사 포스코 열간압연공정에서의 압연유량 제어방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797534A (zh) * 2020-07-10 2020-10-20 合肥工业大学 一种用于确定轧辊主动再制造时机的试验方法及试验系统
CN111797534B (zh) * 2020-07-10 2024-04-09 合肥工业大学 一种用于确定轧辊主动再制造时机的试验方法及试验系统

Also Published As

Publication number Publication date
KR20190068165A (ko) 2019-06-18
KR101998981B1 (ko) 2019-07-10

Similar Documents

Publication Publication Date Title
RU2670630C9 (ru) Способ горячей прокатки
WO2019112365A1 (ko) 열간 압연에서 압연유 분사 유량 설정 제어 시스템
US20180141534A1 (en) Device and Method for Forecasting Wear in Brake Linings
US5511430A (en) Method and device for detecting that the design loads of an aircraft have been exceeded
CN107008758B (zh) 冷轧带钢高精度板形表面粗糙度在线控制方法及系统
US11383955B2 (en) Elevator system control based on building and rope sway
WO2010103180A1 (en) Determining elastic modulus for continuous material web
EP0828096A2 (en) Processes for presuming power-transmitted state and for controlling axial thrust in metal belt-type continuously variable transmission
CN112528225B (zh) 一种热轧带钢轧机侧导板精度评价方法
RU2427437C1 (ru) Устройство для прокатки и способ его эксплуатации
KR20190078334A (ko) 연속 압연 패스 스케쥴 설정 장치
WO2009127232A1 (en) Scuffing detection
CN110052498A (zh) 一种判断平整机张力辊打滑位置和时间的方法及装置
KR100780423B1 (ko) 열간 사상압연기의 장력연산 제어장치 및 그 제어방법
JP4740398B2 (ja) スカッフィングの検出
KR100880575B1 (ko) 조질압연기에서 일정 연신율 확보를 위한 압연하중설정방법 및 그 장치
JP3235449B2 (ja) 高速冷間圧延方法
WO2020184886A1 (ko) 건설기계의 트랙 장력 모니터링 방법 및 시스템
KR100349139B1 (ko) 냉간압연에서의 마찰계수 예측방법
Shram et al. Prediction life of lubricants on the analysis of experimental data on their optical density
KR20000038838A (ko) 열간 스트립권취 래퍼롤 점핑 제어장치 및 방법
Shin et al. Non-interacting tension control in a multi-span web transport system
JPH05119807A (ja) 連続圧延機における制御モデルの同定方法及び連続圧延機の制御方法
KR20040110479A (ko) 압연기용 선진율 보상방법
JPH07251213A (ja) 圧延機のクラウン・形状制御方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18886059

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18886059

Country of ref document: EP

Kind code of ref document: A1