WO2020166124A1 - 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 - Google Patents

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 Download PDF

Info

Publication number
WO2020166124A1
WO2020166124A1 PCT/JP2019/039304 JP2019039304W WO2020166124A1 WO 2020166124 A1 WO2020166124 A1 WO 2020166124A1 JP 2019039304 W JP2019039304 W JP 2019039304W WO 2020166124 A1 WO2020166124 A1 WO 2020166124A1
Authority
WO
WIPO (PCT)
Prior art keywords
mill
manufacturing
rolled material
rolling
set value
Prior art date
Application number
PCT/JP2019/039304
Other languages
English (en)
French (fr)
Inventor
達矢 山▲崎▼
Original Assignee
Ｊｆｅスチール株式会社
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 Ｊｆｅスチール株式会社 filed Critical Ｊｆｅスチール株式会社
Priority to US17/429,819 priority Critical patent/US20220126339A1/en
Priority to EP19915005.3A priority patent/EP3926425A4/en
Priority to KR1020217025534A priority patent/KR102645431B1/ko
Priority to CN201980091804.8A priority patent/CN113439244B/zh
Priority to RU2021126485A priority patent/RU2768986C1/ru
Priority to MX2021009586A priority patent/MX2021009586A/es
Publication of WO2020166124A1 publication Critical patent/WO2020166124A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33034—Online learning, training
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/49—Nc machine tool, till multiple
    • G05B2219/49065—Execute learning mode first for determining adaptive control parameters
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/50—Machine tool, machine tool null till machine tool work handling
    • G05B2219/50154—Milling center
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Definitions

  • the present invention relates to a method for determining a setting condition for a manufacturing facility, a method for determining a mill setup setting value for a rolling mill, a device for determining a mill setup setting value for a rolling mill, a manufacturing method for a product, and a rolling material manufacturing method.
  • the mill setup in the rolling mill determines the plate thickness and shape of the rolled material (coil) on the exit side of each rolling stand, and optimization of the set value (mill setup set value) is from the viewpoint of stable operation and quality assurance. Is important from.
  • Patent Documents 1 and 2 disclose methods for calculating a mill setup set value using a learned neural network. Further, Non-Patent Document 1 discloses a method of performing numerical optimization by sequential quadratic programming based on a mathematical model (rolling model) to correct the mill setup set value.
  • the mill setup set value is determined based on a large amount of actual data, and therefore, for example, the operator looks at the load condition of the motor to determine the rolling reduction ratio of the stand.
  • the operator looks at the load condition of the motor to determine the rolling reduction ratio of the stand.
  • Non-Patent Document 1 since optimization is performed based on a mathematical model, there arises a problem that the performance changes depending on the accuracy of the mathematical model. Further, in the method disclosed in Non-Patent Document 1 described above, similarly to Patent Documents 1 and 2 described above, when manual intervention correction of the operator occurs, this can be immediately reflected in the next mill setup. There was a problem that it was difficult.
  • the present invention has been made in view of the above, and is a method for determining a setting condition of a manufacturing facility, which is capable of determining a setting condition that reflects a result of manual intervention correction of a set value by an operator judgment, and a mill setup of a rolling mill.
  • An object of the present invention is to provide a method for determining a set value, a device for determining a mill setup set value for a rolling mill, a method for manufacturing a product, and a method for manufacturing a rolled material.
  • the method for determining the setting conditions of the manufacturing equipment is a method for determining the setting conditions to be given to the manufacturing equipment, in which the manufacturing conditions of the target product and the manufacturing Input the setting conditions of the products manufactured by the same manufacturing facility before the manufacturing of the products and the correction of the setting conditions by the manual operation by the operator, and the target manufacturing.
  • the manufacturing conditions of the target product and the setting conditions of the product manufactured at the same manufacturing facility before the manufacturing of the target product are characterized in that the setting condition reflecting the correction of the setting condition by the manual operation by the operator is input and the setting condition of the target product is acquired.
  • the method for determining the setting conditions of the manufacturing equipment according to the present invention in the above-mentioned invention, is a setting condition of a product manufactured by the same manufacturing equipment before manufacturing the target product, which is manually set by an operator.
  • the setting condition in which the correction of the setting condition by the operation is reflected is the setting condition of the product manufactured immediately before the target product.
  • the method for determining the mill setup set value of the rolling mill is a method for determining the mill setup set value of the rolling mill, in which the manufacturing conditions of the target rolled material are satisfied. And a mill setup setting value that reflects the correction of the setting value by the manual operation by the operator, which is the mill setup setting value of the rolling material manufactured by the same rolling mill before manufacturing the rolling material.
  • the mill setup set value of the target rolling material and the same rolling mill before the production of the rolling material are applied to the learned model that is trained by learning the mill setup setting value of the target rolling material as the output.
  • the mill setup set value of the rolled material manufactured by the above, and the mill setup set value that reflects the correction of the set value by the manual operation by the operator, and the mill setup set value of the target rolled material are input.
  • the learned model is the manufacturing conditions of the rolling material to be processed, and the same rolling mill before manufacturing the rolling material.
  • the mill setup set value of the rolled material produced by the above and the mill setup set value reflecting the correction by the manual operation by the operator are input, and the mill setup set value of the target rolled material is output.
  • the first learned model that has learned the learning model and the manufacturing conditions of the target rolled material are input, and the mill setup set value of the target rolled material is output, and the learning model is learned.
  • the mill setup set value calculation step includes two learned models. For the model, by inputting the manufacturing conditions of the target rolled material and the mill set-up setting value of the rolled material manufactured by the same rolling mill before manufacturing the rolled material, When the mill setup setting value of the rolled material is obtained as an output and it is determined that it is not appropriate to use the previous mill setup setting value based on the predetermined determination condition, for the second learned model. By inputting the manufacturing condition of the target rolled material, the mill setup set value of the target rolled material is acquired as an output.
  • the learned model is the manufacturing conditions of the rolling material to be processed, and the same rolling mill before manufacturing the rolling material.
  • the manufacturing condition of the rolled material manufactured by the above and the mill setup set value of the rolled material manufactured by the same rolling machine before the manufacturing of the rolled material which reflects the correction of the set value by the manual operation by the operator And the mill setup set value, and the output of the mill setup set value of the target rolled material
  • the learning model is learned, the mill setup set value calculation step, the learned model
  • the manufacturing conditions of the target rolled material, the manufacturing conditions of the rolled material manufactured by the same rolling machine before the manufacturing of the rolled material, and the same rolling machine before the manufacturing of the rolled material is acquired as an output.
  • a mill setup setting value determination device of a rolling mill is a mill setup setting value determination device in a mill setup process of a rolling mill, and has been learned.
  • the target becomes the target.
  • a mill setup setting value calculation device that acquires the mill setup setting value of the rolled material as an output is provided, and the learned model is the manufacturing conditions of the target rolled material and the same rolling mill before the manufacturing of the rolled material.
  • the mill setup set value of the rolled material manufactured by the above, and the mill setup set value reflecting the correction of the set value by the manual operation by the operator, and the mill setup set value of the target rolled material are input. It is characterized in that the learning model is learned by using as an output.
  • the manufacturing method of the product by the manufacturing equipment sets the setting conditions determined by the setting condition determining method of the manufacturing equipment to the manufacturing equipment,
  • the product is manufactured by the manufacturing facility.
  • the method for manufacturing a rolled material according to the present invention sets the mill setup set value determined by the method for determining the mill setup set value of the rolling mill to the rolling mill.
  • the rolled material is manufactured by the rolling mill.
  • the setting conditions reflecting the result of the manual intervention correction of the setting conditions by the operator judgment can be easily obtained. be able to.
  • FIG. 1 is a schematic configuration diagram in which a mill setup setting value determination device according to an embodiment of the present invention is applied to rolling mill equipment including a plurality of rolling stands.
  • FIG. 2 is a diagram showing the configuration of the neural network used in the learning step of the method for determining the mill setup set value according to the embodiment of the present invention.
  • FIG. 3 is a diagram showing the contents of (a) a learning phase and (b) a recognition phase in a conventional method for determining a mill setup set value.
  • FIG. 4 is a diagram showing the contents of (a) learning phase and (b) recognition phase in the method for determining the mill setup set value according to the embodiment of the present invention.
  • FIG. 1 is a schematic configuration diagram in which a mill setup setting value determination device according to an embodiment of the present invention is applied to rolling mill equipment including a plurality of rolling stands.
  • FIG. 2 is a diagram showing the configuration of the neural network used in the learning step of the method for determining the mill setup set value according to the embodiment of the present invention
  • FIG. 5 is a flowchart which shows the procedure of the determination method of the mill setup setting value which concerns on embodiment of this invention.
  • FIG. 6 is an example of a method for determining a mill setup set value according to the embodiment of the present invention, in which each rolling stand predicted by a learned neural network learned by including the previous rolling reduction set value in the input. It is a scatter diagram which shows the relationship between the rolling reduction setting value (prediction) and the rolling reduction setting value (actual result) which the operator actually set to each rolling stand.
  • FIG. 7 is a comparative example of a method for determining a mill setup set value according to the embodiment of the present invention, in which each rolling stand predicted by a learned neural network learned without including the previous rolling reduction set value in the input. 5 is a scatter diagram showing the relationship between the rolling reduction setting value (prediction) and the rolling reduction setting value (actual) actually set by the operator for each rolling stand.
  • the method for determining the mill setup set values for the rolling mill the method for determining the mill setup set values for the rolling mill, the device for determining the mill setup set values for the rolling mill, the method for manufacturing the product, and the method for manufacturing the rolled material according to the present invention, refer to the drawings. While explaining. The present invention is not limited to the embodiments below. In addition, constituent elements in the following embodiments include elements that can be easily replaced by those skilled in the art, or substantially the same elements.
  • a method for determining a mill setup set value for a rolling mill is a method for determining a condition for mill setup (hereinafter, referred to as “mill setup set value”) in a mill setup process for a rolling mill. ..
  • FIG. 1 shows an example in which a mill setup setting value determining apparatus for implementing the mill setup setting value determining method according to the present embodiment is applied to rolling mill equipment 1.
  • the rolling mill facility 1 includes a rolling mill 2 having a plurality of rolling stands 2a to 2e for rolling a steel sheet (specifically, a coil) W as a rolled material, and a rolling position for controlling a roll gap of each of the rolling stands 2a to 2e.
  • a control device 3 a roll bender shift control device 4 for controlling roll benders and roll shifts of the rolling stands 2a to 2e, a process computer 5 for performing mill setup calculation, and a mill setup set value for calculating mill setup set values.
  • a calculation device 6 and a learning device 7 that performs machine learning are provided.
  • the mill setup setting value determination device includes at least a process computer 5, a mill setup setting value calculation device 6, and a learning device 7.
  • the process computer 5, the mill setup set value calculation device 6, and the learning device 7 are specifically realized by a general-purpose information processing device such as a personal computer or a workstation, and mainly include a CPU, a ROM, a RAM, and the like. It is a component.
  • process computer 5, the mill setup set value calculation device 6 and the learning device 7 may be respectively configured as separate devices, or the process computer 5, the mill setup set value calculation device 6 and the learning device 7 may be provided. May be included as software, the process computer 5, the mill setup set value calculation device 6, and the learning device 7 may be configured by one device.
  • the process computer 5 calculates the manipulated variables of the reduction position control device 3 and the roll bender shift control device 4 based on the mill setup set value calculated by the mill setup set value calculation device 6.
  • the mill setup set value is calculated by the mill setup set value calculation device 6 based on the rolling condition (manufacturing condition) of the steel sheet W input from the process computer 5.
  • the process computer 5 changes the operation amounts of the rolling position control device 3 and the roll bender shift control device 4 by reflecting the mill setup set value in the rolling schedule calculation.
  • the mill setup setting value calculation device 6 is based on the learning result (learned model) input from the learning device 7 and the rolling conditions of the steel plate W input from the process calculator 5, and sets the mill setup in the mill setup process. Calculate the value.
  • the mill setup process means that the rolling conditions of the steel sheet W are defined by the mill setup set values such as the distribution of drafts (draft schedule) of each rolling stand 2a to 2e, the front tension, the rear tension, the roll bender, and the roll shift. Refers to the process of setting up accordingly.
  • the rolling conditions of the steel plate W refer to, for example, plate thickness, plate width, steel type, roll specifications (roll diameter, etc.).
  • the settings of the roll bender and roll shift which have a great influence on the quality of the steel sheet W (for example, plate shape, off gauge), are determined based on the material specifications and the above-mentioned predicted value of the rolling load, and the operator is appropriately selected It is common for the final mill setup setpoint to be the one manually adjusted by.
  • the learning device 7 generates a learned neural network that is a learned model by causing a neural network that is a learning model to learn the relationship between the rolling conditions of the steel plate W and the mill setup set value.
  • FIG. 2 shows the configuration of the neural network used in this embodiment.
  • This neural network is composed of an input layer, one or more intermediate layers, and an output layer. Each layer is an Affine layer, and the output of the intermediate layer has an appropriate activation function such as a sigmoid function.
  • the neural network used in this embodiment is a recurrent neural network (Recurrent Neural Network: RNN).
  • RNN Recurrent Neural Network
  • the learning device 7 performs the learning of the neural network, for example, by using a back propagation method or the like offline or online.
  • the mill setup set value is calculated using the learned neural network.
  • learning as shown in FIG. Phase and recognition phase were underway.
  • the neural network is trained so that the rolling condition of the steel plate W of this time becomes an input and the mill setup set value of the steel plate W of this time becomes an output, and learning is completed. Generate a neural network. Then, in the recognition phase, as shown in (b) of the same figure, by inputting the rolling conditions of the steel plate W of this time to the learned neural network generated in the learning phase, the mill of the steel plate W of this time is input. Get setup settings as output.
  • the operator manually corrects the set conditions (set values) according to the conditions of the rolling mill equipment. (Hereinafter, referred to as “manual intervention correction”) is performed, and the mill setup set value in which this manual intervention correction is reflected is used as a final set value.
  • the load is concentrated on a part of the motors of the rolling stands, and the rolling stands are distributed in order to distribute the load to the other motors. If you want to change the distribution of the reduction ratio of (2), you want to change the distribution of the reduction ratio of each rolling stand to prevent the steel plate from slipping because some of the rolling rolls of each rolling stand are worn. In this case, (3) there is a possibility that the steel material meanders on the entrance side of the rolling stand. Therefore, there is a case where it is desired to change the distribution of the rolling reduction of each rolling stand.
  • the steel plates to be processed before and after are considered to be independent, and the mill setup set value is assumed to be “irrelevant to the mill setup set values of the front and rear steel plates”.
  • the recognition phase described above see (b) of FIG. 3
  • the mill setup setting is always the same regardless of the condition of the rolling mill equipment and the previous mill setup setting value. It was outputting the value.
  • the rolling state such as the friction state and the lubricating state between the steel plate and the rolling roll is preserved, and even if the steel types of the front and rear steel plates are slightly different, the same rolling condition is continued in the front and rear steel plates. Often.
  • the method for determining the mill setup set value according to the present embodiment by learning in advance the mill setup set value including the manual intervention correction, including the relationship between the preceding and following mill setup set values, It is now possible to predict the mill setup set value that reflects the principle of saving various rolling conditions and the experience of the operator.
  • the learning phase and the recognition phase as shown in FIG. 4 are carried out.
  • the rolling conditions of the target steel plate W (hereinafter, referred to as “current steel plate W”) and the same rolling mill 2 before the manufacture of the steel plate W are set.
  • the learning process is performed by training the neural network so that the mill setup set value of the steel plate W (hereinafter referred to as the “previous steel plate W”) manufactured by the above is input and the mill setup set value of the current steel plate W is output. Generated neural network.
  • the recognition phase as shown in (b) of the same figure, by inputting the rolling conditions of the current steel plate W and the mill setup set value of the previous steel plate W to the learned neural network, , The current mill setup setting value of the steel plate W is acquired as an output.
  • previous mill set-up value of steel plate W refers to the final mill set-up set value in which the result of manual intervention correction by the operator is reflected. Further, the “previous mill set-up value of the steel plate W” refers to the mill set-up set value of the steel plate W manufactured immediately before the current steel plate W.
  • the learning process (learning phase) and the mill setup setting value calculating process (recognition phase) are performed in this order.
  • the learning device 7 performs the first learning process and the second learning process.
  • the learning is performed including the relationship between the mill setup set values of the front and rear steel plates W. That is, in the first learning process, the rolling conditions of the steel sheet W of this time and the mill setup setting value of the previous steel sheet W that reflects the manual intervention correction by the operator are input, and The first learning completed by preparing a large number of teacher data for learning (hereinafter referred to as “learning data”) that outputs the mill setup set value of the steel plate W from the past operation results and learning the neural network. Generate a neural network.
  • the second learning completed neural network is generated by learning the neural network with the rolling conditions of the current steel plate W as an input and the mill setup set value of the current steel plate W as an output. ..
  • the mill setup set value calculation device 6 determines whether it is appropriate to use the previous mill setup set value (step S1). In this step, for example, in the front and rear steel plates W, an affirmative determination is made when the same rolling situation continues (when the rolling situation does not change), and when the similar rolling situation does not continue (rolling situation) When (changes), a negative judgment is made.
  • step S1 When it is determined in step S1 that it is appropriate to use the previous mill setup set value (Yes in step S1), the mill setup set value calculation device 6 performs the current learning on the first learned neural network. By inputting the rolling conditions of the steel sheet W and the mill setup setting value of the previous steel sheet W, the mill setup setting value of the current steel sheet W is acquired as an output (step S2). Then, the process computer 5 performs mill setup using the obtained mill setup setting value (step S3), and ends this processing.
  • step S1 "when it is appropriate to use the previous mill setup set value" for which the affirmative determination is made in step S1 means that the rolling conditions of the front and rear steel plates W have not changed, and thus It means that if the previous mill setup setting value is used for the prediction, the mill setup setting value (according to the empirical rule of the operator) desired by the operator can be easily predicted.
  • step S1 when it is determined in step S1 that it is not appropriate to use the previous mill setup set value (No in step S1), the mill setup set value calculation device 6 performs the second learned neural network. By inputting the rolling conditions of the steel plate W of this time, the mill setup set value of the steel plate W of this time is acquired as an output (step S4), and the process proceeds to step S3.
  • step S1 when it is not appropriate to use the previous mill setup set value" for which a negative determination is made in step S1 means that, for example, immediately after the reassembling of the rolling rolls, the rolling situation changes between the front and rear steel plates W, and thus this time. If the previous mill setup setting value is used for predicting the mill setup setting value of No. 1, it means that the mill setup setting value which is not desired by the operator (does not follow the empirical rule of the operator) is easily predicted.
  • the learned neural that has been learned including the relationship between the mill setup set values of the front and rear steel plates W.
  • Non-Patent Document 1 since optimization is performed based on a mathematical model, for example, it was necessary to recreate the model when the rolling conditions changed, but the mill setup set value according to the present embodiment In the method for determining the above and the apparatus for determining the mill setup set value, it is not necessary to recreate the model in this way.
  • the neural network may also learn the rolling conditions of the steel plate W of the previous time.
  • the rolling conditions of the current steel plate W, the rolling conditions of the previous steel plate W, and the mill setup set value of the previous steel plate W are input, and the mill setup of the current steel plate W is performed.
  • a learned neural network is generated by learning the neural network using the set value as an output.
  • the rolling conditions of the current steel plate W, the rolling conditions of the previous steel plate W, and the mill setup set values of the previous steel plate W are input to the learned neural network.
  • the current mill setup set value of the steel plate W is acquired as an output.
  • the rolling mill facility 1 is described as an example of the manufacturing facility, but the method according to the present invention is widely applicable to manufacturing facilities other than the rolling mill facility 1.
  • a learning process and a setting condition calculating process are performed in this order as a setting condition determining method for the manufacturing facility when switching products in the manufacturing facility.
  • the manufacturing conditions of the target product and the setting conditions of the products manufactured by the same manufacturing facility before the manufacturing of the products, which are set by manual operation by the operator, are set.
  • a learned neural network is generated by learning the neural network by inputting the setting conditions in which the correction is reflected and the setting conditions of the target product as the output.
  • the setting condition calculation step the manufacturing conditions of the target product and the setting conditions of the product manufactured by the same manufacturing facility before the manufacturing of the target product are set by manual operation by the operator.
  • the setting condition of the target product is acquired as an output.
  • 6(a) to 6(e) are examples of the present invention, which are predicted by a learned neural network that is trained by including the previous rolling reduction set value in the input based on the method according to the present invention. It is a scatter diagram which shows the relationship between the rolling reduction set value (prediction) of each rolling stand, and the rolling reduction setting value (actual) actually set to each rolling stand by the operator.
  • FIGS. 7A to 7E are comparative examples of the present invention, which are learned based on the method disclosed in Patent Document 1 without including the previous rolling reduction set value in the input.
  • It is a scatter diagram which shows the relationship between the rolling reduction set value (prediction) of each rolling stand estimated by the learned neural network, and the rolling reduction setting value (actual) actually set to each rolling stand by the operator. 6 and 7, the vertical axis represents the rolling reduction set value (prediction) of each rolling stand, and the horizontal axis represents the rolling reduction setting value (actual) of each rolling stand.
  • the rolling conditions of the steel plate W As the rolling conditions of the steel plate W, the plate thickness of the steel plate W, the plate width, the steel type, and the roll specifications (roll diameter, etc.) of each rolling stand are used. I was there.
  • the accuracy of reproducing the rolling reduction set value of each rolling stand is improved as compared with the case of using the method disclosed in Patent Document 1.
  • the root mean square error (RMSE) is reduced by about 52% on average for each rolling stand. It can be seen that the error between the rolling reduction setting value (prediction) of the rolling stand and the rolling reduction setting value (actual result) of each rolling stand actually set by the operator (according to the empirical rule of the operator) is reduced.
  • the method for determining the setting condition of the manufacturing equipment the method for determining the mill setup setting value of the rolling mill, the apparatus for determining the mill setup setting value of the rolling mill, the manufacturing method of the product, and the manufacturing method of the rolled material according to the present invention
  • the gist of the present invention is not limited to these descriptions and should be broadly construed based on the claims. Further, it goes without saying that various changes and modifications based on these descriptions are also included in the gist of the present invention.
  • the steel plate W such as a coil is described as an example of the rolled material, but other materials such as aluminum may be used as the target material.
  • the mill setup set value calculation step is performed using the two learned neural networks generated in the learning step. It is also possible to generate only one network and perform the mill setup setting value calculation step using one learned neural network. In this case, the same neural network is learned in the first learning process and the second learning process to generate one learned neural network.
  • the first learning process is performed when the same rolling situation continues on the front and rear steel plates W (the rolling condition has not changed) and there is a relationship between the mill setup set values of the front and rear steel plates W. To do.
  • the rolling conditions of the steel plate W of this time and the mill setup set value of the steel plate W of the previous time are input, and the mill setup set value of the steel plate W of this time is output to train the neural network.
  • the second learning process is performed when the same rolling situation does not continue on the front and rear steel plates W (the rolling condition has changed) and the mill setup set values of the front and rear steel plates W are not relevant. To do.
  • the rolling condition of the steel plate W of this time and the mill setup set value of the steel plate W of the previous time are input, and the mill setup set value of the steel plate W of this time is output to train the neural network.
  • the mill setup set value of the previous steel plate W is set to a fixed value such as “0”, and the mill setup set value of the previous steel plate W is set in the mill setup set value calculation process.
  • the neural network is learned so that it does not contribute to the output.
  • the first learning process is performed when “the mill setup set values of the front and rear steel plates W are related” and “when the mill setup set values of the front and rear steel plates W are not related”
  • the second learning process is performed on the first steel plate W.
  • the first learning data including the mill setup setting value of the previous steel plate W and the mill setup setting value of the previous steel plate W are included.
  • the second learning data can be obtained.
  • a learned neural network similar to that when the learning process is performed can be obtained.
  • the rolling conditions of the steel sheet W of this time and the mill setup setting value of the steel sheet W of the previous time are input to the learned neural network, so that the steel sheet W of the present time is calculated. Get the mill setup settings as output.
  • the mill setup set value calculation step when the similar rolling situation is not continued in the front and rear steel plates W and the mill setup set values of the front and rear steel plates W are not related, the mill of the previous steel plate W is For example, “0” is input to the learned neural network as a setup setting value.
  • the mill setup set value when the similar rolling condition is continued on the front and rear steel plates W, and when the similar rolling condition is not continued on the front and rear steel plates W The mill setup setting value of and the mill setting value of can be predicted respectively.
  • learning is performed using a neural network in the learning process.
  • a decision tree that can handle time series data, a support vector machine, etc.
  • the learned model may be generated by performing the learning using the machine learning method.
  • the method according to the present invention can also be applied to processes other than the mill setup process.
  • the method according to the present invention is effective because the draft schedule is determined as in the flow described in Reference 1 above.
  • reverse rolling such as thick plate rolling
  • the control of the amount of coating applied on the hot-dip galvanized steel sheet production line is generally performed by a method called gas wiping.
  • gas wiping a method that the amount of coating adherence cannot be accurately measured until the properties of the zinc plating are stabilized, and therefore the amount of adherence sensor is generally installed at a position about 100 m away from the zinc pot.
  • Feedback control causes a large time delay. Therefore, the setting of the wiping equipment is changed at the timing when the welding point passes through the zinc pot.
  • the method according to the present invention is applied, and the neural network is made to learn the relationship between the set values of the wiping equipment for the steel sheet before and after the welding point, By using the learning result, it is possible to obtain the setting value of the wiping equipment, which reflects the result of the manual intervention correction of the setting value by the operator's judgment.
  • the control of galvannealing in hot-dip galvanized steel sheet production line is performed by induction heating or gas heating.
  • the alloying degree sensor since the alloying degree cannot be accurately measured until the galvanizing alloying is completed, it is general that the alloying degree sensor is installed at a place about 100 m away from the zinc pot. , Feedback control causes a big time delay. Therefore, the setting of the heating equipment is changed at the timing when the welding point passes through the alloying heating section.
  • the method according to the present invention is applied, and the neural network is made to learn the relationship between the set values of the heating equipment for the steel sheet before and after the welding point, By using the learning result, it is possible to obtain the set value of the heating equipment, which reflects the result of the manual intervention correction of the set value by the operator's judgment.
  • the setting condition determining method of the manufacturing equipment according to the present invention is applied to a manufacturing method of a product, the setting condition determined by the setting condition determining method of the manufacturing equipment is set in the manufacturing equipment, and the manufacturing equipment is manufactured by the manufacturing equipment. It is also possible to manufacture Further, the method for determining the mill setup set value of the rolling mill according to the present invention is applied to the method for manufacturing a rolled material, and the mill setup set value determined by the method for determining the mill setup set value is set for the rolling mill, It is also possible to manufacture a rolled material with a rolling mill.
  • rolling mill equipment 1 rolling mill equipment 2 rolling mills 2a, 2b, 2c, 2d, 2e rolling stand 3 rolling position control device 4 roll bender shift control device 5 process computer 6 mill setup setting value calculation device 7 learning device

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Mechanical Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Control Of Metal Rolling (AREA)
  • General Factory Administration (AREA)
  • Feedback Control In General (AREA)
  • Supply And Installment Of Electrical Components (AREA)

Abstract

製造設備の設定条件決定方法は、対象となる製造物の製造条件と、当該製造物の製造前に同一の製造設備にて製造された製造物の設定条件であってオペレータによる手動での操作による設定条件の修正が反映された設定条件と、を入力とし、対象となる製造物の設定条件を出力として学習させた学習済みモデルに対し、対象となる製造物の製造条件と、当該製造物の製造前に同一の製造設備にて製造された製造物の設定条件であってオペレータによる手動での操作による設定条件の修正が反映された設定条件と、を入力し、対象となる製造物の設定条件を取得する。

Description

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
　本発明は、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に関する。
　圧延機におけるミルセットアップは、各圧延スタンド出側における圧延材（コイル）の板厚および形状を定めるものであり、その設定値（ミルセットアップ設定値）の最適化は、安定操業や品質確保の観点から重要である。
　従来から、ミルセットアップを自動で行う方法が種々提案されており、例えば特許文献１，２には、学習済みニューラルネットワークを用いてミルセットアップ設定値を算出する方法が開示されている。また、非特許文献１では、数式モデル（圧延モデル）をもとに逐次２次計画法による数値最適化を行ってミルセットアップ設定値を修正する方法が開示されている。
特開平５－３８５１１号公報 特開平８－９００２０号公報
村上晃ほか、「冷間タンデム圧延機のパススケジュール最適化」、鉄と鋼、一般社団法人日本鉄鋼協会、2004年、Vol.90、No.11
　ここで、前記した特許文献１，２に開示されている方法は、大量の実績データに基づいてミルセットアップ設定値を決定するため、例えばオペレータがモータの負荷状況等を見てスタンドの圧下率を手動で調整した場合（オペレータの手介入修正が発生した場合）に、次のミルセットアップにおいてこれを直ちに反映することが困難であるという問題があった。
　また、前記した非特許文献１に開示されている方法では、数式モデルに基づく最適化を行うため、当該数式モデルの精度によって性能が変化するという問題が生じる。また、前記した非特許文献１に開示されている方法では、前記した特許文献１，２と同様に、オペレータの手介入修正が発生した場合に、次のミルセットアップにおいてこれを直ちに反映することが困難であるという問題があった。
　本発明は、上記に鑑みてなされたものであって、オペレータ判断による設定値の手介入修正の結果を反映した設定条件を決定することができる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を提供することを目的とする。
　上述した課題を解決し、目的を達成するために、本発明に係る製造設備の設定条件決定方法は、製造設備に与える設定条件の決定方法において、対象となる製造物の製造条件と、当該製造物の製造前に同一の製造設備にて製造された製造物の設定条件であってオペレータによる手動での操作による設定条件の修正が反映された設定条件と、を入力とし、前記対象となる製造物の設定条件を出力として学習させた学習済みモデルに対し、対象となる製造物の製造条件と、当該製造物の製造前に同一の製造設備にて製造された製造物の設定条件であってオペレータによる手動での操作による設定条件の修正が反映された設定条件と、を入力し、前記対象となる製造物の設定条件を取得することを特徴とする。
　また、本発明に係る製造設備の設定条件決定方法は、上記発明において、前記対象となる製造物の製造前に同一の製造設備にて製造された製造物の設定条件であってオペレータによる手動での操作による設定条件の修正が反映された設定条件は、前記対象となる製造物の直前に製造された製造物の設定条件であることを特徴とする。
　上述した課題を解決し、目的を達成するために、本発明に係る圧延機のミルセットアップ設定値の決定方法は、圧延機のミルセットアップ設定値の決定方法において、対象となる圧延材の製造条件と、当該圧延材の製造前に同一の圧延機にて製造された圧延材のミルセットアップ設定値であってオペレータによる手動での操作による設定値の修正が反映されたミルセットアップ設定値と、を入力とし、前記対象となる圧延材のミルセットアップ設定値を出力として学習させた学習済みモデルに対し、対象となる圧延材のミルセットアップ設定値と、当該圧延材の製造前に同一の圧延機にて製造された圧延材のミルセットアップ設定値であってオペレータによる手動での操作による設定値の修正が反映されたミルセットアップ設定値と、を入力し、前記対象となる圧延材のミルセットアップ設定値を取得するミルセットアップ設定値算出工程を含むことを特徴とする。
　また、本発明に係る圧延機のミルセットアップ設定値の決定方法は、上記発明において、前記学習済みモデルは、対象となる圧延材の製造条件と、当該圧延材の製造前に同一の圧延機にて製造された圧延材のミルセットアップ設定値であってオペレータによる手動での操作による修正が反映されたミルセットアップ設定値と、を入力とし、前記対象となる圧延材のミルセットアップ設定値を出力として、学習モデルを学習させた第一の学習済みモデルと、前記対象となる圧延材の製造条件を入力とし、前記対象となる圧延材のミルセットアップ設定値を出力として、学習モデルを学習させた第二の学習済みモデルと、を含み、前記ミルセットアップ設定値算出工程は、所定の判定条件に基づいて前回のミルセットアップ設定値を用いることが適当であると判定した場合、前記第一の学習済みモデルに対して、前記対象となる圧延材の製造条件と、当該圧延材の製造前に同一の圧延機にて製造された圧延材のミルセットアップ設定値と、を入力することにより、前記対象となる圧延材のミルセットアップ設定値を出力として取得し、前記所定の判定条件に基づいて前回のミルセットアップ設定値を用いることが適当ではないと判定した場合、前記第二の学習済みモデルに対して、前記対象となる圧延材の製造条件を入力することにより、前記対象となる圧延材のミルセットアップ設定値を出力として取得することを特徴とする。
　また、本発明に係る圧延機のミルセットアップ設定値の決定方法は、上記発明において、前記学習済みモデルは、対象となる圧延材の製造条件と、当該圧延材の製造前に同一の圧延機にて製造された圧延材の製造条件と、当該圧延材の製造前に同一の圧延機にて製造された圧延材のミルセットアップ設定値であってオペレータによる手動での操作による設定値の修正が反映されたミルセットアップ設定値と、を入力とし、前記対象となる圧延材のミルセットアップ設定値を出力として、学習モデルを学習させたものであり、前記ミルセットアップ設定値算出工程は、前記学習済みモデルに対して、前記対象となる圧延材の製造条件と、当該圧延材の製造前に同一の圧延機にて製造された圧延材の製造条件と、当該圧延材の製造前に同一の圧延機にて製造された圧延材のミルセットアップ設定値と、を入力することにより、前記対象となる圧延材のミルセットアップ設定値を出力として取得することを特徴とする。
　上述した課題を解決し、目的を達成するために、本発明に係る圧延機のミルセットアップ設定値の決定装置は、圧延機のミルセットアップ工程におけるミルセットアップ設定値の決定装置であって、学習済みモデルに対して、対象となる圧延材の製造条件と、当該圧延材の製造前に同一の圧延機にて製造された圧延材のミルセットアップ設定値と、を入力することにより、前記対象となる圧延材のミルセットアップ設定値を出力として取得するミルセットアップ設定値算出装置を備え、前記学習済みモデルは、前記対象となる圧延材の製造条件と、当該圧延材の製造前に同一の圧延機にて製造された圧延材のミルセットアップ設定値であってオペレータによる手動での操作による設定値の修正が反映されたミルセットアップ設定値と、を入力とし、前記対象となる圧延材のミルセットアップ設定値を出力として、学習モデルを学習させたものであることを特徴とする。
　上述した課題を解決し、目的を達成するために、本発明に係る製造設備による製造物の製造方法は、前記した製造設備の設定条件決定方法によって決定された設定条件を製造設備に設定し、当該製造設備によって製造物を製造することを特徴とする。
　上述した課題を解決し、目的を達成するために、本発明に係る圧延材の製造方法は、前記した圧延機のミルセットアップ設定値の決定方法によって決定されたミルセットアップ設定値を圧延機に設定し、当該圧延機によって圧延材を製造することを特徴とする。
　本発明によれば、前後の製造品種における設定条件の関係性を含めて学習させた学習済みモデルを用いることにより、オペレータ判断による設定条件の手介入修正の結果を反映した設定条件を容易に得ることができる。
図１は、本発明の実施形態に係るミルセットアップ設定値の決定装置を、複数の圧延スタンドを備える圧延機設備に適用した概略構成図である。 図２は、本発明の実施形態に係るミルセットアップ設定値の決定方法の学習工程で用いるニューラルネットワークの構成を示す図である。 図３は、従来のミルセットアップ設定値の決定方法における（ａ）学習フェーズおよび（ｂ）認識フェーズの内容を示す図である。 図４は、本発明の実施形態に係るミルセットアップ設定値の決定方法における（ａ）学習フェーズおよび（ｂ）認識フェーズの内容を示す図である。 図５は、本発明の実施形態に係るミルセットアップ設定値の決定方法の手順を示すフローチャートである。 図６は、本発明の実施形態に係るミルセットアップ設定値の決定方法の実施例であって、前回の圧下率設定値を入力に含めて学習させた学習済みニューラルネットワークによって予測した各圧延スタンドの圧下率設定値（予測）と、オペレータが各圧延スタンドに実際に設定した圧下率設定値（実績）との関係を示す散布図である。 図７は、本発明の実施形態に係るミルセットアップ設定値の決定方法の比較例であって、前回の圧下率設定値を入力に含めずに学習させた学習済みニューラルネットワークによって予測した各圧延スタンドの圧下率設定値（予測）と、オペレータが各圧延スタンドに実際に設定した圧下率設定値（実績）との関係を示す散布図である。
　本発明に係る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について、図面を参照しながら説明する。なお、本発明は以下の実施形態に限定されるものではない。また、以下の実施形態における構成要素には、当業者が置換可能かつ容易なもの、あるいは実質的に同一のものが含まれる。
（ミルセットアップ設定値の決定方法）
　本発明の実施形態に係る圧延機のミルセットアップ設定値の決定方法は、圧延機のミルセットアップ工程において、ミルセットアップの条件（以下、「ミルセットアップ設定値」という）を決定するための方法である。図１は、本実施形態に係るミルセットアップ設定値の決定方法を実施するミルセットアップ設定値の決定装置を、圧延機設備１に適用した例を示している。
　圧延機設備１は、圧延材である鋼板（具体的にはコイル）Ｗを圧延する複数の圧延スタンド２ａ～２ｅを有する圧延機２と、各圧延スタンド２ａ～２ｅのロールギャップを制御する圧下位置制御装置３と、各圧延スタンド２ａ～２ｅのロールベンダーおよびロールシフトを制御するロールベンダーシフト制御装置４と、ミルセットアップ計算を行うプロセス計算機５と、ミルセットアップ設定値の算出を行うミルセットアップ設定値算出装置６と、機械学習を行う学習装置７と、を備えている。本実施形態に係るミルセットアップ設定値の決定装置は、少なくともプロセス計算機５、ミルセットアップ設定値算出装置６および学習装置７を備えている。
　プロセス計算機５、ミルセットアップ設定値算出装置６および学習装置７は、具体的にはパーソナルコンピュータやワークステーション等の汎用の情報処理装置によって実現されるものであり、例えばＣＰＵ、ＲＯＭ、ＲＡＭ等を主要構成部品としている。
　なお、プロセス計算機５、ミルセットアップ設定値算出装置６および学習装置７は、それぞれ別個の装置によって構成してもよく、あるいは、プロセス計算機５に対して、ミルセットアップ設定値算出装置６および学習装置７をソフトウェアとして内包させることにより、プロセス計算機５、ミルセットアップ設定値算出装置６および学習装置７を一つの装置によって構成してもよい。
　プロセス計算機５は、ミルセットアップ設定値算出装置６によって算出されたミルセットアップ設定値に基づいて、圧下位置制御装置３およびロールベンダーシフト制御装置４の操作量を算出する。本実施形態では、プロセス計算機５から入力される鋼板Ｗの圧延条件（製造条件）に基づいて、ミルセットアップ設定値算出装置６においてミルセットアップ設定値が算出される。プロセス計算機５は、このミルセットアップ設定値を圧延スケジュール計算に反映させることにより、圧下位置制御装置３およびロールベンダーシフト制御装置４の操作量を変更する。
　ミルセットアップ設定値算出装置６は、学習装置７から入力される学習結果（学習済みモデル）と、プロセス計算機５から入力される鋼板Ｗの圧延条件と、に基づいて、ミルセットアップ工程におけるミルセットアップ設定値を算出する。
　ここで、ミルセットアップ工程とは、各圧延スタンド２ａ～２ｅの圧下率の配分（ドラフトスケジュール）、前方張力、後方張力、ロールベンダー、ロールシフト等のミルセットアップ設定値を、鋼板Ｗの圧延条件に応じて設定するプロセスを指している。また、鋼板Ｗの圧延条件とは、例えば板厚、板幅、鋼種、ロール諸元（ロール径等）等を指している。
　ミルセットアップ工程では、例えば以下の参考文献１に記載されているようなフローに従い、各圧延スタンド２ａ～２ｅの圧下率および張力の設定に基づいて、圧延荷重、圧延トルク等の予測計算を行い、走間板厚変更のための圧下位置およびロール周速度の算出を行う。また、ミルセットアップ工程では、鋼板Ｗの品質（例えば板形状、オフゲージ）に影響の大きいロールベンダーおよびロールシフトの設定を、材料諸元や上記の圧延荷重の予測値に基づいて決定し、適宜オペレータが手動で調整したものを最終的なミルセットアップ設定値とすることが一般的である。
参考文献１：中井耕三ほか、「ミルセットアップモデル調整支援システム」、日立評論、日立評論社、1985年、Vol.67、No.4
　学習装置７は、鋼板Ｗの圧延条件とミルセットアップ設定値との関係性を学習モデルであるニューラルネットワークに学習させることにより、学習済みモデルである学習済みニューラルネットワークを生成する。図２は、本実施形態で用いるニューラルネットワークの構成を示している。このニューラルネットワークは、入力層と、一層以上の中間層と、出力層と、から構成されている。各層はＡｆｆｉｎｅレイヤーであり、中間層の出力は、Ｓｉｇｍｏｉｄ関数等の適当な活性化関数を有している。
　また、本実施形態で用いるニューラルネットワークは、再帰型構造のニューラルネットワーク（Recurrent　Neural　Network：ＲＮＮ）である。本実施形態では、ＲＮＮのうち、中間層に対して、同時刻（＝ｔ）の入力層の入力と前時刻（＝ｔ－１）の出力層の出力とが入力される「ジョーダン・ネットワーク（Jordan　Network）」を用いることができる。なお、前記したジョーダン・ネットワークに代えて、中間層に対して、同時刻（＝ｔ）の入力層の入力と前時刻（＝ｔ－１）の中間層の出力とが入力される「エルマン・ネットワーク（Elman　Network）」を用いてもよい。学習装置７は、このニューラルネットワークの学習を、例えばオフラインまたはオンラインでバックプロパゲーション法等を用いて実施する。
　ここで、前記した特許文献１，２では、学習済みニューラルネットワークを用いてミルセットアップ設定値を算出していたが、これら従来のミルセットアップ設定値の決定方法では、例えば図３に示すような学習フェーズおよび認識フェーズを実施していた。
　まず学習フェーズでは、図３の（ａ）に示すように、今回の鋼板Ｗの圧延条件が入力となり、今回の鋼板Ｗのミルセットアップ設定値が出力となるようにニューラルネットワークを学習させ、学習済みニューラルネットワークを生成する。そして、認識フェーズでは、同図の（ｂ）に示すように、学習フェーズで生成された学習済みニューラルネットワークに対して、今回の鋼板Ｗの圧延条件を入力することにより、今回の鋼板Ｗのミルセットアップ設定値を出力として取得する。
　しかしながら、実際の操業では、認識フェーズで取得した今回のミルセットアップ設定値をそのまま用いるのではなく、圧延機設備の状況に応じて、適宜オペレータによる手動での操作による設定条件（設定値）の修正（以下、「手介入修正」という）が行われ、この手介入修正が反映されたミルセットアップ設定値を、最終的な設定値として用いている。
　なお、オペレータによる手介入修正が行われる状況としては、例えば、（１）各圧延スタンドのモータのうちの一部に負荷が集中しており、他のモータに負荷を分散させるために各圧延スタンドの圧下率の配分を変更したい場合、（２）各圧延スタンドの圧延ロールのうちの一部が摩耗しているため、鋼板のスリップを防止するために各圧延スタンドの圧下率の配分を変更したい場合、（３）圧延スタンドの入側で鋼材が蛇行するおそれがあるため、各圧延スタンドの圧下率の配分を変更したい場合、等が挙げられる。
　また、従来のミルセットアップ設定値の決定方法では、前後に処理する鋼板をそれぞれ独立のものと考えており、「前後の鋼板のミルセットアップ設定値に関連性がない」という前提でミルセットアップ設定値を予測していた。そのため、前記した認識フェーズ（図３の（ｂ）参照）では、例えば鋼種等の圧延条件が同じであれば、圧延機設備の状況や前回のミルセットアップ設定値にかかわらず、常に同じミルセットアップ設定値を出力していた。
　しかしながら、実際の操業では、例えば鋼板と圧延ロールとの摩擦状態や潤滑状態等の圧延状況が保存され、前後の鋼板の鋼種が多少異なっていても、前後の鋼板で同様の圧延状況が継続することが多い。
　例えば、各圧延スタンドのうちの一部がスリップしやすい傾向にある場合、圧延ロールの状態と潤滑油の性状とが滑りやすい状態であるため、前後の鋼板の鋼種が多少異なっていても、スリップしやすい傾向がそのまま継続することになる。現場のオペレータは、このことを経験上知っているため、前後の鋼板の圧延条件が多少異なっていても、前後の鋼板で同じミルセットアップ設定値となるように手介入修正を行ったり、あるいは前後の鋼板の圧延条件が同じであっても、前後の鋼板で異なるミルセットアップ設定値となるように手介入修正を行ったりする。
　そこで、本実施形態に係るミルセットアップ設定値の決定方法では、手介入修正を含めたミルセットアップ設定値を、前後のミルセットアップ設定値の関係性も含めて事前に学習することにより、上記のような圧延状況の保存の原則や、オペレータの経験則を反映したミルセットアップ設定値を予測できるようにした。本実施形態に係るミルセットアップ設定値の決定方法では、具体的には図４に示すような学習フェーズおよび認識フェーズを実施する。
　まず学習フェーズでは、図４の（ａ）に示すように、対象となる鋼板Ｗ（以下、「今回の鋼板Ｗ」という）の圧延条件と、当該鋼板Ｗの製造前に同一の圧延機２にて製造された鋼板Ｗ（以下、「前回の鋼板Ｗ」という）のミルセットアップ設定値と、が入力となり、今回の鋼板Ｗのミルセットアップ設定値が出力となるようにニューラルネットワークを学習させ、学習済みニューラルネットワークを生成する。そして、認識フェーズでは、同図の（ｂ）に示すように、学習済みニューラルネットワークに対して、今回の鋼板Ｗの圧延条件と、前回の鋼板Ｗのミルセットアップ設定値と、を入力することにより、今回の鋼板Ｗのミルセットアップ設定値を出力として取得する。
　なお、前記した「前回の鋼板Ｗのミルセットアップ設定値」とは、オペレータによる手介入修正の結果が反映された、最終的なミルセットアップ設定値のことを指している。また、「前回の鋼板Ｗのミルセットアップ設定値」とは、今回の鋼板Ｗの直前に製造された鋼板Ｗのミルセットアップ設定値のことを指している。
　以下、本実施形態に係るミルセットアップ設定値の決定方法の各工程について具体的に説明する。本実施形態では、学習工程（学習フェーズ）と、ミルセットアップ設定値算出工程（認識フェーズ）と、をこの順で行う。まず学習工程では、学習装置７が第一の学習工程および第二の学習工程を行う。
　第一の学習工程では、前後の鋼板Ｗのミルセットアップ設定値の関係性も含めて学習を行う。すなわち第一の学習工程では、今回の鋼板Ｗの圧延条件と、前回の鋼板Ｗのミルセットアップ設定値であってオペレータによる手介入修正が反映されたミルセットアップ設定値と、を入力とし、今回の鋼板Ｗのミルセットアップ設定値を出力とする学習用の教師データ（以下、「学習データ」という）を、過去の操業実績から多数用意して、ニューラルネットワークを学習させることにより、第一の学習済みニューラルネットワークを生成する。
　なお、学習に用いる「今回の鋼板Ｗのミルセットアップ設定値」としては、今回鋼板Ｗにおいて手介入修正が行われた場合には、この手介入修正が反映された設定値を用いることが好適であるが、手介入修正が反映されていない設定値（すなわち、認識フェーズにおいて算出した設定値）を学習に用いたとしても、問題にはならない。
　第二の学習工程では、前後の鋼板Ｗのミルセットアップ設定値の関係性を含めずに学習を行う。すなわち第二の学習工程では、今回の鋼板Ｗの圧延条件を入力とし、今回の鋼板Ｗのミルセットアップ設定値を出力として、ニューラルネットワークを学習させることにより、第二の学習済みニューラルネットワークを生成する。
　ミルセットアップ設定値算出工程では、図５に示すように、ミルセットアップ設定値算出装置６が、前回のミルセットアップ設定値を用いることが適当か否かを判定する（ステップＳ１）。本ステップでは、例えば前後の鋼板Ｗにおいて、同様の圧延状況が継続している場合（圧延状況が変化していない場合）に肯定判定を行い、同様の圧延状況が継続していない場合（圧延状況が変化した場合）に否定判定を行う。
　ステップＳ１において、前回のミルセットアップ設定値を用いることが適当であると判定した場合（ステップＳ１でＹｅｓ）、ミルセットアップ設定値算出装置６は、第一の学習済みニューラルネットワークに対して、今回の鋼板Ｗの圧延条件と、前回の鋼板Ｗのミルセットアップ設定値と、を入力することにより、今回の鋼板Ｗのミルセットアップ設定値を出力として取得する（ステップＳ２）。そして、プロセス計算機５は、得られたミルセットアップ設定値を用いて、ミルセットアップを行い（ステップＳ３）、本処理を終了する。
　なお、ステップＳ１で肯定判定がなされる「前回のミルセットアップ設定値を用いることが適当である場合」とは、前後の鋼板Ｗで圧延状況が変化していないため、今回のミルセットアップ設定値の予測に前回のミルセットアップ設定値を用いると、オペレータが望むような（オペレータの経験則に沿った）ミルセットアップ設定値が予測されやすくなるということを指している。
　ここで、ステップＳ１において、前回のミルセットアップ設定値を用いることが適当ではないと判定した場合（ステップＳ１でＮｏ）、ミルセットアップ設定値算出装置６は、第二の学習済みニューラルネットワークに対して、今回の鋼板Ｗの圧延条件を入力することにより、今回の鋼板Ｗのミルセットアップ設定値を出力として取得し（ステップＳ４）、ステップＳ３に進む。
　なお、ステップＳ１で否定判定がなされる「前回のミルセットアップ設定値を用いることが適当ではない場合」とは、例えば圧延ロールの組み替え直後等、前後の鋼板Ｗで圧延状況が変化するため、今回のミルセットアップ設定値の予測に前回のミルセットアップ設定値を用いると、オペレータが望まない（オペレータの経験則に沿わない）ミルセットアップ設定値が予測されやすくなるということを指している。
　以上説明したような本実施形態に係るミルセットアップ設定値の決定方法およびミルセットアップ設定値の決定装置によれば、前後の鋼板Ｗのミルセットアップ設定値の関係性を含めて学習させた学習済みニューラルネットワークを用いることにより、オペレータ判断によるミルセットアップ設定値の手介入修正の結果を反映したミルセットアップ設定条件を容易に得ることができる。
　また、前記した非特許文献１に開示されている方法では、数式モデルに基づく最適化を行うため、例えば圧延条件が変わるとモデルを作り直す必要があったが、本実施形態に係るミルセットアップ設定値の決定方法およびミルセットアップ設定値の決定装置では、このようにモデルを作り直す必要がない。
（変形例）
　ここで、本実施形態に係るミルセットアップ設定値の決定方法では、学習工程において、今回の鋼板Ｗの圧延条件に加えて、前回の鋼板Ｗの圧延条件についてもニューラルネットワークに学習させてもよい。
　この場合、事前に行う学習工程では、今回の鋼板Ｗの圧延条件と、前回の鋼板Ｗの圧延条件と、前回の鋼板Ｗのミルセットアップ設定値と、を入力とし、今回の鋼板Ｗのミルセットアップ設定値を出力として、ニューラルネットワークの学習を行うことにより、学習済みニューラルネットワークを生成する。そして、ミルセットアップ設定値算出工程では、学習済みニューラルネットワークに対して、今回の鋼板Ｗの圧延条件と、前回の鋼板Ｗの圧延条件と、前回の鋼板Ｗのミルセットアップ設定値と、を入力することにより、今回の鋼板Ｗのミルセットアップ設定値を出力として取得する。
　このように、前後の鋼板Ｗの圧延条件の関係性を含めて学習させた学習済みニューラルネットワークを用いることにより、ミルセットアップ設定条件の予測精度をより向上させることができる。
（製造設備の設定条件決定方法）
　ここで、上記の実施形態では、製造設備の一例として圧延機設備１を挙げて説明を行ったが、本発明に係る方法は、圧延機設備１以外の製造設備にも広く適用可能である。この場合、製造設備における製造物を切り替える際の、製造設備の設定条件決定方法として、学習工程と、設定条件算出工程と、をこの順で行う。
　上記の学習工程では、対象となる製造物の製造条件と、当該製造物の製造前に同一の製造設備にて製造された製造物の設定条件であってオペレータによる手動での操作による設定条件の修正が反映された設定条件と、を入力とし、対象となる製造物の設定条件を出力として、ニューラルネットワークを学習させることにより、学習済みニューラルネットワークを生成する。そして、設定条件算出工程では、対象となる製造物の製造条件と、当該製造物の製造前に同一の製造設備にて製造された製造物の設定条件であってオペレータによる手動での操作による設定条件の修正が反映された設定条件と、を入力することにより、対象となる製造物の設定条件を出力として取得する。
　このような製造設備の設定条件決定方法によれば、前後の製造物における設定条件の関係性を含めて学習させた学習済みニューラルネットワークを用いることにより、オペレータ判断による設定条件の手介入修正の結果を反映した設定条件を予測することができる。
　以下、実施例を挙げて本発明をより具体的に説明する。図６の（ａ）～（ｅ）は、本発明の実施例であり、本発明に係る方法に基づいて、前回の圧下率設定値を入力に含めて学習させた学習済みニューラルネットワークによって予測した各圧延スタンドの圧下率設定値（予測）と、オペレータが各圧延スタンドに実際に設定した圧下率設定値（実績）との関係を示す散布図である。
　また、図７の（ａ）～（ｅ）は、本発明の比較例であり、特許文献１に開示されている方法に基づいて、前回の圧下率設定値を入力に含めずに学習させた学習済みニューラルネットワークによって予測した各圧延スタンドの圧下率設定値（予測）と、オペレータが各圧延スタンドに実際に設定した圧下率設定値（実績）との関係を示す散布図である。図６および図７において、縦軸は各圧延スタンドの圧下率設定値（予測）、横軸は各圧延スタンドの圧下率設定値（実績）、である。また、本実施例では、学習工程およびミルセットアップ設定値算出工程において、鋼板Ｗの圧延条件として、鋼板Ｗの板厚、板幅、鋼種、各圧延スタンドのロール諸元（ロール径等）を用いた。
　図６および図７に示すように、本発明に係る方法を用いることにより、特許文献１に開示されている方法を用いた場合よりも、各圧延スタンドの圧下率設定値の再現精度が向上していることが分かる。すなわち、本発明に係る方法では、特許文献１に開示されている方法と比較して、平均平方二乗誤差（Root　Mean　Squared　Error：ＲＭＳＥ）が各圧延スタンド平均で約５２％減少しており、各圧延スタンドの圧下率設定値（予測）と、オペレータが実際に設定する（オペレータの経験則に沿った）各圧延スタンドの圧下率設定値（実績）との誤差が減少していることが分かる。
　以上、本発明に係る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について、発明を実施するための形態および実施例により具体的に説明したが、本発明の趣旨はこれらの記載に限定されるものではなく、請求の範囲の記載に基づいて広く解釈されなければならない。また、これらの記載に基づいて種々変更、改変等したものも本発明の趣旨に含まれることはいうまでもない。
　例えば、前記した実施形態に係るミルセットアップ設定値の決定方法では、圧延材の一例としてコイル等の鋼板Ｗを挙げて説明を行ったが、アルミニウム等の他素材を対象材としてもよい。
　また、前記した実施形態に係るミルセットアップ設定値の決定方法では、学習工程で生成した二つの学習済みニューラルネットワークを利用してミルセットアップ設定値算出工程を行っているが、学習工程で学習済みニューラルネットワークを一つのみ生成し、一つの学習済みニューラルネットワークを利用してミルセットアップ設定値算出工程を行ってもよい。この場合、第一の学習工程と第二の学習工程とで同じニューラルネットワークの学習を行い、一つの学習済みニューラルネットワークを生成する。
　第一の学習工程は、前後の鋼板Ｗにおいて、同様の圧延状況が継続しており（圧延状況が変化しておらず）、前後の鋼板Ｗのミルセットアップ設定値に関連性がある場合に実施する。第一の学習工程では、今回の鋼板Ｗの圧延条件と、前回の鋼板Ｗのミルセットアップ設定値と、を入力とし、今回の鋼板Ｗのミルセットアップ設定値を出力として、ニューラルネットワークを学習させる。
　第二の学習工程は、前後の鋼板Ｗにおいて、同様の圧延状況が継続しておらず（圧延状況が変化しており）、前後の鋼板Ｗのミルセットアップ設定値に関連性がない場合に実施する。第二の学習工程では、今回の鋼板Ｗの圧延条件と、前回の鋼板Ｗのミルセットアップ設定値と、を入力とし、今回の鋼板Ｗのミルセットアップ設定値を出力として、ニューラルネットワークを学習させる。但し、第二の学習工程では、前回の鋼板Ｗのミルセットアップ設定値を例えば「０」のような固定値とする等として、前回の鋼板Ｗのミルセットアップ設定値がミルセットアップ設定値算出工程における出力に寄与しないよう工夫してニューラルネットワークの学習を行う。
　なお、上記の説明では、「前後の鋼板Ｗのミルセットアップ設定値に関連性がある場合」に第一の学習工程を実施し、「前後の鋼板Ｗのミルセットアップ設定値に関連性がない場合」に第二の学習工程を実施するとしたが、例えば前回の鋼板Ｗのミルセットアップ設定値を含む第一の学習データと、前回の鋼板Ｗのミルセットアップ設定値を含むが、前回の鋼板Ｗのミルセットアップ設定値が「０」に固定された第二の学習データと、をそれぞれ用意し、一度の学習工程で第一および第二の学習データを学習させることにより、上記第一および第二の学習工程を実施した場合と同様の学習済みニューラルネットワークを得ることができる。
　続いて、ミルセットアップ設定値算出工程では、学習済みニューラルネットワークに対して、今回の鋼板Ｗの圧延条件と、前回の鋼板Ｗのミルセットアップ設定値と、を入力することにより、今回の鋼板Ｗのミルセットアップ設定値を出力として取得する。但し、ミルセットアップ設定値算出工程では、前後の鋼板Ｗにおいて、同様の圧延状況が継続しておらず、前後の鋼板Ｗのミルセットアップ設定値に関連性がない場合は、前回の鋼板Ｗのミルセットアップ設定値として例えば「０」を学習済みニューラルネットワークに入力する。
　これにより、一つの学習済みニューラルネットワークを用いて、前後の鋼板Ｗで同様の圧延状況が継続している場合のミルセットアップ設定値と、前後の鋼板Ｗで同様の圧延状況が継続していない場合のミルセットアップ設定値と、をそれぞれ予測することができる。
　また、前記した実施形態に係るミルセットアップ設定値の決定方法では、学習工程でニューラルネットワークを用いた学習を行っているが、ニューラルネットワーク以外にも、時系列データを扱える決定木、サポートベクタマシン等の機械学習手法を用いて学習を行い、学習済みモデルを生成してもよい。
　また、本発明に係る方法は、ミルセットアップ工程以外のプロセスにも適用可能である。例えば熱間圧延の場合についても、上記の参考文献１に記載されているフローのようにドラフトスケジュールの決定を行っているため、本発明に係る方法は有効である。さらに、厚板圧延のようなリバース方式の圧延を行う場合、摩擦状態や潤滑状態等の前回の圧延状況をオペレータが判断して設定値を変更する機会が多くあるため、本発明に係る方法が特に有効に働く。
　また、溶融亜鉛めっき鋼板製造ラインにおけるめっき付着量制御は、一般にガスワイピングと呼ばれる方法で行われる。この場合、亜鉛めっきの性状が安定化してからでないとめっき付着量を正確に測定することができないため、亜鉛ポットから１００ｍ程度離れた場所に付着量センサーが設置されるのが一般的であり、フィードバックコントロールでは大きな時間遅れが発生する。そのため、溶接点が亜鉛ポットを通過するタイミングでワイピング設備の設定変更を実施している。
　このような溶融亜鉛めっき鋼板製造ラインにおけるめっき付着量制御に対して、本発明に係る方法を適用し、溶接点の前後における鋼板に対するワイピング設備の設定値の関係性をニューラルネットワークに学習させ、その学習結果を用いることにより、オペレータ判断による設定値の手介入修正の結果を反映した、ワイピング設備の設定値を得ることができる。
　また、溶融亜鉛めっき鋼板製造ラインにおけるめっき合金化制御は、誘導加熱やガス加熱によって行われる。この場合、亜鉛めっき合金化が完了してからでないと合金化度を正確に測定することができないため、亜鉛ポットから１００ｍ程度離れた場所に合金化度センサーが設置されるのが一般的であり、フィードバックコントロールでは大きな時間遅れが発生する。そのため、溶接点が合金化加熱セクションを通過するタイミングで加熱設備の設定変更を実施している。
　このような溶融亜鉛めっき鋼板製造ラインにおけるめっき合金化制御に対して、本発明に係る方法を適用し、溶接点の前後における鋼板に対する加熱設備の設定値の関係性をニューラルネットワークに学習させ、その学習結果を用いることにより、オペレータ判断による設定値の手介入修正の結果を反映した、加熱設備の設定値を得ることができる。
　また、本発明に係る製造設備の設定条件決定方法を製造物の製造方法に適用し、当該製造設備の設定条件決定方法によって決定された設定条件を製造設備に設定し、当該製造設備によって製造物を製造することも可能である。また、本発明に係る圧延機のミルセットアップ設定値の決定方法を圧延材の製造方法に適用し、当該ミルセットアップ設定値の決定方法によって決定されたミルセットアップ設定値を圧延機に設定し、当該圧延機によって圧延材を製造することも可能である。
　１　圧延機設備
　２　圧延機
　２ａ，２ｂ，２ｃ，２ｄ，２ｅ　圧延スタンド
　３　圧下位置制御装置
　４　ロールベンダーシフト制御装置
　５　プロセス計算機
　６　ミルセットアップ設定値算出装置
　７　学習装置

Claims (8)

  1. 　製造設備に与える設定条件の決定方法において、
    　対象となる製造物の製造条件と、当該製造物の製造前に同一の製造設備にて製造された製造物の設定条件であってオペレータによる手動での操作による設定条件の修正が反映された設定条件と、を入力とし、前記対象となる製造物の設定条件を出力として学習させた学習済みモデルに対し、対象となる製造物の製造条件と、当該製造物の製造前に同一の製造設備にて製造された製造物の設定条件であってオペレータによる手動での操作による設定条件の修正が反映された設定条件と、を入力し、前記対象となる製造物の設定条件を取得することを特徴とする製造設備の設定条件決定方法。
  2. 　前記対象となる製造物の製造前に同一の製造設備にて製造された製造物の設定条件であってオペレータによる手動での操作による設定条件の修正が反映された設定条件は、前記対象となる製造物の直前に製造された製造物の設定条件であることを特徴とする請求項１に記載の製造設備の設定条件決定方法。
  3. 　圧延機のミルセットアップ設定値の決定方法において、
    　対象となる圧延材の製造条件と、当該圧延材の製造前に同一の圧延機にて製造された圧延材のミルセットアップ設定値であってオペレータによる手動での操作による設定値の修正が反映されたミルセットアップ設定値と、を入力とし、前記対象となる圧延材のミルセットアップ設定値を出力として学習させた学習済みモデルに対し、対象となる圧延材のミルセットアップ設定値と、当該圧延材の製造前に同一の圧延機にて製造された圧延材のミルセットアップ設定値であってオペレータによる手動での操作による設定値の修正が反映されたミルセットアップ設定値と、を入力し、前記対象となる圧延材のミルセットアップ設定値を取得するミルセットアップ設定値算出工程を含むことを特徴とする圧延機のミルセットアップ設定値の決定方法。
  4. 　前記学習済みモデルは、
    　対象となる圧延材の製造条件と、当該圧延材の製造前に同一の圧延機にて製造された圧延材のミルセットアップ設定値であってオペレータによる手動での操作による修正が反映されたミルセットアップ設定値と、を入力とし、前記対象となる圧延材のミルセットアップ設定値を出力として、学習モデルを学習させた第一の学習済みモデルと、
    　前記対象となる圧延材の製造条件を入力とし、前記対象となる圧延材のミルセットアップ設定値を出力として、学習モデルを学習させた第二の学習済みモデルと、
    　を含み、
    　前記ミルセットアップ設定値算出工程は、
    　所定の判定条件に基づいて前回のミルセットアップ設定値を用いることが適当であると判定した場合、前記第一の学習済みモデルに対して、前記対象となる圧延材の製造条件と、当該圧延材の製造前に同一の圧延機にて製造された圧延材のミルセットアップ設定値と、を入力することにより、前記対象となる圧延材のミルセットアップ設定値を出力として取得し、
    　前記所定の判定条件に基づいて前回のミルセットアップ設定値を用いることが適当ではないと判定した場合、前記第二の学習済みモデルに対して、前記対象となる圧延材の製造条件を入力することにより、前記対象となる圧延材のミルセットアップ設定値を出力として取得することを特徴とする請求項３に記載の圧延機のミルセットアップ設定値の決定方法。
  5. 　前記学習済みモデルは、対象となる圧延材の製造条件と、当該圧延材の製造前に同一の圧延機にて製造された圧延材の製造条件と、当該圧延材の製造前に同一の圧延機にて製造された圧延材のミルセットアップ設定値であってオペレータによる手動での操作による設定値の修正が反映されたミルセットアップ設定値と、を入力とし、前記対象となる圧延材のミルセットアップ設定値を出力として、学習モデルを学習させたものであり、
    　前記ミルセットアップ設定値算出工程は、前記学習済みモデルに対して、前記対象となる圧延材の製造条件と、当該圧延材の製造前に同一の圧延機にて製造された圧延材の製造条件と、当該圧延材の製造前に同一の圧延機にて製造された圧延材のミルセットアップ設定値と、を入力することにより、前記対象となる圧延材のミルセットアップ設定値を出力として取得することを特徴とする請求項３に記載の圧延機のミルセットアップ設定値の決定方法。
  6. 　圧延機のミルセットアップ工程におけるミルセットアップ設定値の決定装置であって、
    　学習済みモデルに対して、対象となる圧延材の製造条件と、当該圧延材の製造前に同一の圧延機にて製造された圧延材のミルセットアップ設定値と、を入力することにより、前記対象となる圧延材のミルセットアップ設定値を出力として取得するミルセットアップ設定値算出装置を備え、
    　前記学習済みモデルは、前記対象となる圧延材の製造条件と、当該圧延材の製造前に同一の圧延機にて製造された圧延材のミルセットアップ設定値であってオペレータによる手動での操作による設定値の修正が反映されたミルセットアップ設定値と、を入力とし、前記対象となる圧延材のミルセットアップ設定値を出力として、学習モデルを学習させたものであることを特徴とする圧延機のミルセットアップ設定値の決定装置。
  7. 　請求項１または請求項２に記載の製造設備の設定条件決定方法によって決定された設定条件を製造設備に設定し、当該製造設備によって製造物を製造することを特徴とする製造物の製造方法。
  8. 　請求項３から請求項５のいずれか一項に記載の圧延機のミルセットアップ設定値の決定方法によって決定されたミルセットアップ設定値を圧延機に設定し、当該圧延機によって圧延材を製造することを特徴とする圧延材の製造方法。
PCT/JP2019/039304 2019-02-12 2019-10-04 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 WO2020166124A1 (ja)

Priority Applications (6)

Application Number Priority Date Filing Date Title
US17/429,819 US20220126339A1 (en) 2019-02-12 2019-10-04 Setup condition determining method for manufacturing facilities, mill setup value determining method for rolling mill, mill setup value determining device for rolling mill, product manufacturing method, and rolled material manufacturing method
EP19915005.3A EP3926425A4 (en) 2019-02-12 2019-10-04 METHOD FOR DETERMINING SETTING CONDITIONS OF A MANUFACTURING INSTALLATION, METHOD FOR DETERMINING A ROLLING MILL CONFIGURATION SETTING VALUE OF A ROLLING MILL, DEVICE FOR DETERMINING A ROLLING MILL CONFIGURATION SETTING VALUE OF A ROLLING MILL, METHOD FOR MANUFACTURING 'A MANUFACTURED OBJECT, AND METHOD FOR MANUFACTURING ROLLED PRODUCTS
KR1020217025534A KR102645431B1 (ko) 2019-02-12 2019-10-04 제조 설비의 설정 조건 결정 방법, 압연기의 밀 셋업 설정값의 결정 방법, 압연기의 밀 셋업 설정값의 결정 장치, 제조물의 제조 방법 및 압연재의 제조 방법
CN201980091804.8A CN113439244B (zh) 2019-02-12 2019-10-04 轧制机的轧机设置设定值的决定方法、轧制机的轧机设置设定值的决定装置及轧制材料的制造方法
RU2021126485A RU2768986C1 (ru) 2019-02-12 2019-10-04 Способ определения установочных условий для производственного объекта, способ определения значения настройки для прокатного стана, устройство определения значения настройки для прокатного стана, способ производства продукции и способ производства рулонного материала
MX2021009586A MX2021009586A (es) 2019-02-12 2019-10-04 Metodo de determinacion de condiciones de configuracion para instalaciones de fabricacion, metodo de determinacion del valor de configuracion de molino para molino de laminado, dispositivo de determinacion del valor de configuracion de molino para molino de laminado, metodo de fabricacion de productos y metodo de fabricacion de material laminado.

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-022839 2019-02-12
JP2019022839A JP6705519B1 (ja) 2019-02-12 2019-02-12 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

Publications (1)

Publication Number Publication Date
WO2020166124A1 true WO2020166124A1 (ja) 2020-08-20

Family

ID=70858315

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/039304 WO2020166124A1 (ja) 2019-02-12 2019-10-04 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

Country Status (7)

Country Link
US (1) US20220126339A1 (ja)
EP (1) EP3926425A4 (ja)
JP (1) JP6705519B1 (ja)
KR (1) KR102645431B1 (ja)
MX (1) MX2021009586A (ja)
RU (1) RU2768986C1 (ja)
WO (1) WO2020166124A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022049859A1 (ja) 2020-09-03 2022-03-10 Ｊｆｅスチール株式会社 鋼帯の鋼中水素量予測方法、鋼中水素量制御方法、製造方法、鋼中水素量予測モデルの生成方法及び鋼中水素量予測装置
TWI782641B (zh) * 2020-09-04 2022-11-01 日商東芝三菱電機產業系統股份有限公司 串列式冷壓延機的控制系統
US11919060B2 (en) * 2021-08-16 2024-03-05 The Bradbury Co., Inc. Methods and apparatus to control roll-forming processes

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7468466B2 (ja) 2021-06-21 2024-04-16 Ｊｆｅスチール株式会社 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
TWI785945B (zh) * 2021-12-23 2022-12-01 中國鋼鐵股份有限公司 熱軋鋼材的板形預測系統

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS59215205A (ja) * 1983-05-20 1984-12-05 Nippon Steel Corp 板圧延のクラウン・形状制御設定方法
JPH0538511A (ja) 1991-08-06 1993-02-19 Nkk Corp タンデム圧延機のドラフトスケジユールの決定方法
JPH0890020A (ja) 1994-09-13 1996-04-09 Kobe Steel Ltd タンデム式圧延機のドラフトスケジュール設定装置
JPH09155420A (ja) * 1995-12-07 1997-06-17 Kawasaki Steel Corp 圧延機のセットアップモデルの学習方法
JPH1034216A (ja) * 1996-07-26 1998-02-10 Furukawa Electric Co Ltd:The タンデム圧延機の板クラウン制御方法および装置
US6745169B1 (en) * 1995-07-27 2004-06-01 Siemens Aktiengesellschaft Learning process for a neural network
CN107908836A (zh) * 2017-10-31 2018-04-13 首钢京唐钢铁联合有限责任公司 一种轧制参数优化方法及装置
US20180341248A1 (en) * 2017-05-24 2018-11-29 Relativity Space, Inc. Real-time adaptive control of additive manufacturing processes using machine learning

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE69121789T2 (de) * 1990-06-04 1997-04-03 Hitachi Ltd Steuerungsvorrichtung für die Steuerung einer gesteuerten Anlage und Steuerungsverfahren dafür
US5930136A (en) * 1990-06-04 1999-07-27 Hitachi, Ltd. Control device for controlling a controlled apparatus, and a control method therefor
JP3136183B2 (ja) * 1992-01-20 2001-02-19 株式会社日立製作所 制御方法
JPH07204718A (ja) * 1994-01-11 1995-08-08 Mitsubishi Electric Corp 圧延装置
US5586221A (en) * 1994-07-01 1996-12-17 Syracuse University Predictive control of rolling mills using neural network gauge estimation
JP2763495B2 (ja) * 1994-10-24 1998-06-11 三菱電機株式会社 圧延装置
JPH08129404A (ja) * 1994-10-31 1996-05-21 Toshiba Corp 制御装置及び制御対象物の制御方法
JP3223856B2 (ja) * 1997-04-17 2001-10-29 日本鋼管株式会社 圧延機の制御方法及び圧延機の制御装置
JP2004255436A (ja) * 2003-02-27 2004-09-16 Kobe Steel Ltd タンデム式熱間圧延機の板クラウン制御方法
JP4968001B2 (ja) * 2007-11-09 2012-07-04 東芝三菱電機産業システム株式会社 連続圧延機の負荷配分制御装置
RU2500493C1 (ru) * 2012-05-22 2013-12-10 Открытое акционерное общество "Магнитогорский металлургический комбинат" Система управления процессом прокатки полосы

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS59215205A (ja) * 1983-05-20 1984-12-05 Nippon Steel Corp 板圧延のクラウン・形状制御設定方法
JPH0538511A (ja) 1991-08-06 1993-02-19 Nkk Corp タンデム圧延機のドラフトスケジユールの決定方法
JPH0890020A (ja) 1994-09-13 1996-04-09 Kobe Steel Ltd タンデム式圧延機のドラフトスケジュール設定装置
US6745169B1 (en) * 1995-07-27 2004-06-01 Siemens Aktiengesellschaft Learning process for a neural network
JPH09155420A (ja) * 1995-12-07 1997-06-17 Kawasaki Steel Corp 圧延機のセットアップモデルの学習方法
JPH1034216A (ja) * 1996-07-26 1998-02-10 Furukawa Electric Co Ltd:The タンデム圧延機の板クラウン制御方法および装置
US20180341248A1 (en) * 2017-05-24 2018-11-29 Relativity Space, Inc. Real-time adaptive control of additive manufacturing processes using machine learning
CN107908836A (zh) * 2017-10-31 2018-04-13 首钢京唐钢铁联合有限责任公司 一种轧制参数优化方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
AKIRA MURAKAMI ET AL.: "Tetsu-to-Hagane", vol. 90, 2004, THE IRON AND STEEL INSTITUTE OF JAPAN, article "Pass Schedule Optimization for a Tandem Cold Mill"
KOZO NAKAI ET AL.: "Hitachi Review", vol. 67, 1985, HITACHI REVIEW CORPORATION, article "Support System of Mill Set-up Model Adjustment"
See also references of EP3926425A4

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022049859A1 (ja) 2020-09-03 2022-03-10 Ｊｆｅスチール株式会社 鋼帯の鋼中水素量予測方法、鋼中水素量制御方法、製造方法、鋼中水素量予測モデルの生成方法及び鋼中水素量予測装置
TWI782641B (zh) * 2020-09-04 2022-11-01 日商東芝三菱電機產業系統股份有限公司 串列式冷壓延機的控制系統
US11919060B2 (en) * 2021-08-16 2024-03-05 The Bradbury Co., Inc. Methods and apparatus to control roll-forming processes

Also Published As

Publication number Publication date
JP2020134967A (ja) 2020-08-31
JP6705519B1 (ja) 2020-06-03
RU2768986C1 (ru) 2022-03-28
KR20210114459A (ko) 2021-09-23
CN113439244A (zh) 2021-09-24
EP3926425A1 (en) 2021-12-22
MX2021009586A (es) 2021-09-08
US20220126339A1 (en) 2022-04-28
KR102645431B1 (ko) 2024-03-07
EP3926425A4 (en) 2022-04-06

Similar Documents

Publication Publication Date Title
WO2020166124A1 (ja) 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
JPWO2006040823A1 (ja) 圧延、鍛造又は矯正ラインの材質制御方法及びその装置
JP2012176428A (ja) 圧延制御装置及び圧延制御方法
CN113439244B (zh) 轧制机的轧机设置设定值的决定方法、轧制机的轧机设置设定值的决定装置及轧制材料的制造方法
CN115335158B (zh) 控制辊轧材料的带材平整度的方法、控制系统和生产线
JP2968332B2 (ja) 連続圧延機におけるクラウンの制御方法
JP7140073B2 (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
RU2764727C2 (ru) Способ и устройство для прокатки металлических полос
JP2018122339A (ja) 板厚制御方法、板厚制御装置、冷間圧延設備および鋼板の製造方法
JP2019111568A (ja) 走間板厚変更方法および装置
JP5908039B2 (ja) 圧延制御装置及び圧延制御方法
JP4669376B2 (ja) 平坦度の高い厚鋼板の製造方法
JP4102267B2 (ja) 冷間タンデム圧延における板幅制御方法
JP2004268071A (ja) タンデム圧延機の板厚制御方法および制御装置
JP2013180323A (ja) 薄鋼板の製造方法
KR102104905B1 (ko) 예측 모델을 이용한 압연 제어 장치 및 방법
JP2008194740A (ja) タンデム圧延機による金属帯の圧延方法およびそれを用いた金属帯の製造方法
WO2024013366A1 (en) Method for producing cold rolled steel strip
JP4427872B2 (ja) タンデム圧延設備の板プロフィル制御方法
JP2005319492A (ja) 冷間圧延における形状制御方法
JP6685785B2 (ja) 冷間圧延における形状制御方法
JP4164306B2 (ja) 冷間圧延におけるエッジドロップ制御方法
JP2003285113A (ja) 板プロフィルの良好な金属板の製造方法
JP4635686B2 (ja) 板厚制御装置
JP6020348B2 (ja) 金属帯の圧延方法及び圧延装置

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: 19915005

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 20217025534

Country of ref document: KR

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2019915005

Country of ref document: EP

Effective date: 20210913