WO2021250957A1 - 熱処理レールの硬度予測方法、熱処理方法、硬度予測装置、熱処理装置、製造方法、製造設備、並びに、硬度予測モデルの生成方法 - Google Patents

Abstract

安定した硬度分布を有するレールの熱処理を可能とする。オーステナイト域温度以上のレールを冷却設備（７）で強制冷却した後のレールの硬度を予測する。冷却開始前のレールの表面温度と冷却設備（７）の操業条件とを少なくとも有する冷却条件データセットを入力データとし、強制冷却後のレールの内部の硬度を出力データとして演算するモデルを用いて、冷却条件データセットと硬度の出力データとからなる学習用データを複数組、取得する。取得した複数組の学習用データを用いた機械学習により、冷却条件データセットを少なくとも入力データとし強制冷却後のレール内部の硬度に関する情報を出力データとする硬度予測モデルを予め生成する。硬度予測モデルを用いて、強制冷却の冷却条件として設定された一組の冷却条件データセットに対するレール内部の硬度からレールの硬度を予測する。

Description

熱処理レールの硬度予測方法、熱処理方法、硬度予測装置、熱処理装置、製造方法、製造設備、並びに、硬度予測モデルの生成方法

　本発明は、オーステナイト域温度以上の高温のレールに対し強制冷却を実行する熱処理工程を有する熱処理レールの製造に関する技術である。本発明は、特に、オーステナイト域温度以上に加熱されたレールを強制冷却して、少なくともレール頭部が硬度の均一性に優れたレールとする輸送用鉄道用の熱処理レールの製造に好適な技術である。

　熱処理レールの製造には、熱間圧延で製造されたレールに対し、硬度や靭性等の品質を向上させる目的で、強制冷却（熱処理工程）を実行する場合がある。この強制冷却（熱処理工程）は、例えば、オーステナイト域温度以上で圧延が終了した直後のレール、又は圧延・放冷後に再加熱してオーステナイト域温度以上の温度としたレールに対し実行される。すなわち、強制冷却はオーステナイト域温度以上となっているレールに対し実行される。本明細書では、熱処理工程を経て製造されるレールを熱処理レールとも記載する。

　特に、天然資源採掘現場で用いられる輸送用鉄道は、一般的な旅客用鉄道と比べて貨車の積載量が大きい。このため、輸送用鉄道では、レールの摩耗が激しく、頻繁にレールの交換が必要となる。しかし、レールの交換は、作業コストや交換品のコスト増加だけでなく、路線の稼働率も低下させることに繋がる。このため、レール交換の頻度を抑えたいという要望がある。つまり、輸送用鉄道では、より耐摩耗性の高いレールの使用が求められている。

　高耐摩耗性のレールを得るためには、レール表面から所定深さまでの断面内部の領域（以降、単に「内部」とも記載する）の硬度分布が、所定の硬度値よりも高いことが求められる。また、その領域の結晶組織が、パーライト組織であることが望ましい。その理由として、ベイナイト組織では、パーライト組織と同一硬度であっても耐摩耗性が低く、またマルテンサイト組織では靭性が低くなってしまうためである。

　パーライト組織を高硬度化するには、組織を構成するフェライトとセメンタイトの層（ラメラー）の間隔を微細にすることが効果的である。そして、微細なラメラーを得るためには、オーステナイト域温度以上のレールを、平衡変態温度よりも十分低い温度まで、高い冷却速度（冷速）で冷却した過冷却状態において変態を進行させる必要がある。ただし、冷速が過大な場合にはベイナイト組織やマルテンサイト組織に変態してしまい、特性が悪化してしまうおそれがある。また一般にレールは、品質上最も重要なレール頭部表面を中心に冷却処理が実行される。このとき、レール頭部は最も質量が集中している部分であるため、レール頭部においては、冷却中は、表面と内部で大きな温度差が発生する傾向にある。そのため、レール頭部では、変態開始時刻も表面と内部で差が生じることから、その時間差に合わせた冷却能力の制御によって、レール内部の組織制御を行う必要がある。

　熱処理レールの冷却制御のための技術としては、例えば特許文献１に記載の技術がある。特許文献１には、７５０℃以上の温度域から、４～１５℃／秒の冷却速度で６００～４５０℃まで強制冷却を行う第１の強制冷却と、その後、強制冷却を一時的に停止してパーライト変態を終了させた後、再度強制冷却を行う方法が開示されている。

　また、特許文献２には、冷却開始から変態発熱の開始タイミングや終了タイミングをレール表面の温度測定結果に基づき判定しながら、強制冷却の条件を変更する方法が開示されている。

　更に、特許文献３には、予め設定されたレール内部の代表点における硬度と、炭素当量、冷却媒体の噴射流量、噴射圧力、及び噴射距離の関係式とを用いて、レール素材となる鋼片の炭素当量に基づいて冷却ノズルとレール頭部間の噴射距離を設定すると共に、冷却設備入側で測定されたレール頭頂部の表面温度（冷却開始前の表面温度）から冷却時間を設定する方法が開示されている。

　一方、特許文献４には、制御装置内のプロセスモデルとして、数値的、機械的、冶金的な埋め込み型モデルを有して、レール内部の温度履歴とミクロ組織変化、及び機械的性質を予測し、その予測結果に基づき冷却ゾーン毎の冷却条件を設定する方法が開示されている。

特許第４９３８１５８号公報 特許第５６８６２３１号公報 特開昭６１－１４９４３６号公報 特許第６２６１５７０号公報

伝熱工学資料［改訂第５版］　日本機械学会（２００９）

　特許文献１に記載の方法は、加熱されたレールの強制冷却条件として、第１の強制冷却の開始と終了、及び第２の強制冷却の開始と終了の各条件を規定するものである。しかし、特許文献１に記載のような方法で冷却条件を事前に設定する場合、レール素材の鋼片の成分ばらつきや、冷却開始温度などにばらつきが生じると、熱処理後のレールの内部硬度にばらつきが生じるという課題がある。

　一方、特許文献２に記載の方法は、強制冷却中のレール表面の温度測定結果に基づいて冷却条件を変更する点で、素材のばらつきや冷却開始温度などの変動要因の影響を考慮可能な方法である。しかし、特許文献２に記載の方法では、冷却条件の変更はあくまでレール頭部の表面温度だけに基づいて行うものであり、必ずしもレール内部の温度変化や組織変化を反映した冷却条件の変更とはならない、という課題がある。例えば、レール内部では、熱伝導による温度変化と変態による温度変化とが同時に発生し、時間の経過とともに各位置の温度や変態が生じる位置が変化する。このため、表面温度の測定結果だけから内部の組織分布まで推定することは困難である。

　また、特許文献３に記載された方法は、レール頭部の表面から１０ｍｍ内部に入った位置における硬度を物理モデルによる簡易式で予測するため、レール内部の硬度と冷却条件とを関連付けることが可能である。しかし、レール内部の組織形成は、冷却媒体によるレール頭部表面での熱伝達挙動、レール内部での熱伝導挙動、変態による組織変化や変態発熱が複雑に影響しあう。このため、簡易式によってレール内部の硬度予測を正確に行うことは困難である。また、レール内部の硬度は断面によって異なるため、特定位置の硬度を制御するだけでは品質を確保するという観点からも十分とはいえない。

　特許文献４の技術は、レール鋼の化学組成、圧延条件、冷却前のオーステナイト粒径、予想変態挙動、レール断面の幾何形状、温度分布、及び目標機械的特性を入力として、オンラインで変態予測を含む伝熱解析を行って最終的な機械特性を予想し、必要に応じて冷却条件の見直しを行うことが記載されている。

　しかし、レールの断面形状は複雑なため、物理モデルを用いた、伝熱解析や境界条件となる熱伝達係数の決定には、二次元、若しくは三次元の熱伝導解析や冷却媒体の流動解析が必要になる。このため、オンラインでは計算負荷が非常に大きい。更に変態を含む伝熱解析は非線形な現象である。このために、解析のための空間及び時間刻みを非常に小さくしなければ安定した解を得ることができない。そのため、熱間圧延終了から冷却設備に搬入するまでの間に伝熱解析の計算を終了して、適切な冷却条件を決定し、更に、冷却過程においても温度履歴に合わせて再計算を行って、冷却条件を適宜修正していくということは、現状の計算機の能力では困難である。

　以上のように、従来技術では、レール内部の硬度分布を制御する際に、レール素材の鋼片の成分ばらつきや冷却開始温度などの変動要因に応じた精度の良い制御が、現実的には困難であるという課題がある。
　特に、冷却設備の入側における素材の条件は、鋼片毎に変動がある。このため、進行が速く発熱の大きいパーライト変態を、表面から内部にわたって安定的に制御することは、オンラインでの伝熱解析（物理モデルによる数値計算）を用いた処理では難しい。

　本発明は、上記のような点に鑑みてなされたもので、レール表面から内部まで所望の組織に制御して、安定した硬度分布を有するレールの熱処理を可能とするための技術を提供することを目的とする。

　課題解決のために、本発明の一態様は、オーステナイト域温度以上の温度となっているレールを冷却設備で強制冷却する熱処理工程後の上記レールの硬度を予測するレールの硬度予測方法であって、冷却開始前のレールの表面温度と強制冷却のための上記冷却設備の操業条件とを少なくとも有する冷却条件データセットを入力データとして、上記強制冷却後のレールの少なくともレール頭部の内部の硬度を出力データとして演算するための物理モデルである内部硬度演算モデルを用いて、上記冷却条件データセットと上記硬度の出力データとからなる学習用データを複数組、取得しておき、取得した複数組の学習用データを用いた機械学習により、上記冷却条件データセットを少なくとも入力データとし上記強制冷却後のレール内部の硬度に関する情報を出力データとする硬度予測モデルを予め生成し、上記硬度予測モデルを用いて求められる、上記熱処理工程の冷却条件として設定される一組の冷却条件データセットに対するレール内部の硬度に関する情報に基づき、上記熱処理工程後のレールの硬度を予測する、ことを要旨とする。

　また、本発明の一態様は、オーステナイト域温度以上の温度になっているレールを冷却設備で強制冷却する熱処理工程を有する熱処理レールの熱処理方法であって、冷却開始前のレールの表面温度を測定し、上記冷却設備でのレールの冷却開始前に、測定したレールの表面温度を用いて、本発明の一態様に記載の熱処理レールの硬度予測方法によって、レール内部の硬度を予測し、予測したレール内部の硬度が目標とする硬度の範囲外の場合、予測したレール内部の硬度が目標とする硬度の範囲内に収まるように、上記冷却設備の操業条件を再設定することを要旨とする。

　また、本発明の一態様は、オーステナイト域温度以上の温度となっているレールを冷却設備で強制冷却した後の上記レールの硬度を、上記冷却設備での冷却開始前のレールの表面温度と強制冷却のための上記冷却設備の操業条件とを少なくとも有する冷却条件データセットから求めるための硬度予測モデルの生成方法であって、上記冷却条件データセットを入力データとして、上記強制冷却後のレールの少なくともレール頭部の内部の硬度を出力データとして演算するための物理モデルである内部硬度演算モデルを用いて、上記冷却条件データセットと上記硬度の出力データとからなる学習用データを複数組、取得し、取得した複数組の学習用データを用いた機械学習により、上記冷却条件データセットを少なくとも入力データとし上記強制冷却後のレール内部の硬度に関する情報を出力データとする硬度予測モデルを予め生成する、ことを要旨とする。

　また、本発明の一態様は、本発明の一態様の熱処理レールの熱処理方法を有する、熱処理レールの製造方法である。

　また、本発明の一態様は、オーステナイト域温度以上の温度となっているレールを冷却設備で強制冷却する熱処理工程後の上記レールの硬度を予測するレールの硬度予測装置であって、冷却開始前のレールの表面温度と強制冷却のための上記冷却設備の操業条件とを少なくとも有する冷却条件データセットを入力データとして、上記強制冷却後のレールの少なくともレール頭部の内部の硬度を出力データとして演算するための物理モデルである内部硬度演算モデルを用いて演算した、上記冷却条件データセットと上記硬度の出力データとからなる学習用データを複数組、格納しているデータベースと、上記複数組の学習用データを用いた機械学習により、上記冷却条件データセットを少なくとも入力データとし上記強制冷却後のレール内部の硬度に関する情報を出力データとする硬度予測モデルを生成する硬度予測モデル生成部と、冷却開始前のレールの表面温度を測定する温度計と、上記温度計が測定した測定値と上記硬度予測モデルを用いて、上記熱処理工程の冷却条件として設定される一組の冷却条件データセットに対するレール内部の硬度に関する情報に基づき、上記熱処理工程後のレールの硬度を予測する硬度予測部と、を備えることを要旨とする。

　また、本発明の一態様は、オーステナイト域温度以上の温度になっているレールを冷却設備で強制冷却する熱処理工程を有するレールの熱処理装置であって、上記冷却設備でのレールの冷却開始前に、本発明の一態様に記載の熱処理レールの硬度予測装置によって、レール内部の硬度を予測する硬度予測部と、上記硬度予測部が予測したレール内部の硬度が目標とする硬度の範囲外の場合、予測したレール内部の硬度が目標とする硬度の範囲内に収まるように、上記冷却設備の操業条件を再設定する操業条件再設定部と、を備えることを要旨とする。

　また、本発明の一態様は、本発明の一態様に記載の熱処理レールの熱処理装置を備える熱処理レールの製造設備である。
　ここで、上述の通り、本明細書で「レール内部」とは、レール表面から所定深さまでの断面内部の領域を指す。

　本発明の態様によれば、伝熱解析等を用いた計算負荷が大きな処理となる、複数の冷却条件に対する強制冷却後のレール内部の硬度分布のデータ（学習用データ）を演算する処理を、オフラインで実行可能であるので、精度良く実行することができる。そして、本発明の態様によれば、その精度の良い学習用データによって、冷却条件に対する強制冷却後のレール内部の硬度分布のデータを求めるための、硬度予測モデルを機械学習で求めている。
　このため、本発明の態様によれば、例えば、熱処理レールの頭部表面から内部にかけての領域に対する組織制御を適切に実行することが可能となり、製造するレール毎の硬度のばらつきや、レールの長手方向の硬度ばらつきを低減して、品質ばらつきを抑えた熱処理レールの製造が可能となる。

本発明に基づく実施形態に係る熱処理レールの製造設備を示す概略図である。 本発明に基づく実施形態に係る冷却設備での冷却のためのヘッダ等の配置を説明する図である。 レールの強制冷却部位を説明する図である。 熱処理の制御方法の例を示す図であって、（ａ）は１段冷却法、（ｂ）、（ｃ）は多段ステップ冷却法での冷却条件を説明する図である。 １段冷却法による表面温度と変態挙動の関係を説明する図である。 本発明に基づく実施形態に係る２段ステップ法による表面温度と変態挙動の関係を説明する図である。 硬度予測装置の構成例を示す図である。 内部硬度オフライン計算部の構成を示す図である。 硬度制御を行う制御装置の構成例を示す図である。 本発明の実施形態である目標硬度の設定方法の例を説明する図である。 レールの硬度が目標範囲外の場合の例を示す図である。 本発明の実施形態である目標硬度の設定方法の他の例を説明する図である。

　次に本発明の実施形態について図面を参照して説明する。
　（熱処理レールの製造設備２）
　図１は、熱処理レール１を製造する熱処理レールの製造設備２の一例を示す模式図である。図１に示す製造設備２は、加熱炉１１、圧延機３、切断機４、冷却設備７、及び冷却床１０を備え、これらの設備が、この順番に、レール材の搬送方向（パスライン）に沿って配置されている。

　＜加熱炉１１＞
　加熱炉１１は、連続鋳造設備などで作製した鋼片を、例えば、冷却設備７の入側においてオーステナイト域温度以上となるように加熱する処理を実行する。もっとも、冷却設備７の前工程として再加熱する処理を有する場合には、その限りではない。

　＜圧延機３＞
　圧延機３は、加熱炉１１において加熱された鋼片を複数の圧延パスにより、所望のレール形状に造形・延伸する熱間圧延の設備である。圧延機３は、通常、複数の圧延スタンドから構成される。

　＜切断機４＞
　切断機４は、圧延機３によって延伸された長尺のレール１を長手方向に分割するための設備であり、製品としてのレール長と圧延材の長さに応じて適宜使用される。製造設備２としては、例えば、１００ｍ程度の圧延長のままで分割することなく冷却設備７に搬送される場合もあれば、１本当りの長さが例えば２５ｍ程度の長さに切断（鋸断）した後に搬送される場合もある。

　＜冷却設備７＞
　冷却設備７は、オーステナイト域温度以上の高温のレール１に対し、後述する強制冷却を行う設備である。冷却設備７は、製造ライン内のレール１のパスラインに沿って設置される。
　ただし、冷却設備７は、必ずしも圧延機３からの搬送ライン上に設置する構成でなくても良い。例えば、冷却設備７を、熱間圧延設備とは別のエリアに設け、熱間圧延されたレール１を、加熱炉でオーステナイト域温度以上に再加熱してから、冷却設備７に搬送する構成であってもよい。
　冷却設備７は、冷却対象となるレール１の長手方向に沿って配置された複数の冷却ゾーンで構成されており、レール１の長さに応じて使用する冷却ゾーンを設定する。各冷却ゾーンの冷却条件（操業条件）は個別に設定可能となっている。
　冷却設備７の詳細については、後述する。

　＜温度計＞
　温度計８は、冷却設備７の入口側の位置（切断機４と冷却設備７との間の位置）に設けられ、冷却開始前のレール温度を検出する。温度計８が測定した測定結果は、冷却設備７を制御する制御装置６に送られる。温度計８は、例えば、少なくともレール１の頭部の表面温度を測定する。
　また、冷却設備７の下流側の位置（冷却設備７の出口側）に、強制冷却終了後のレール１表面の温度を検出するための温度計９を設置してもよい。この場合、制御装置６において予測された強制冷却終了後の温度と、温度計９が測定した温度とを比較することで、制御装置６の予測結果の妥当性を判定することができる。

　＜冷却床１０＞
　冷却設備７で強制冷却されたレール１は、冷却床１０に搬送される。
　冷却床１０は、例えば、レール１が曲がらないように矯正する役目や均一に冷却する役目がある。また、冷却床１０で、製造したレール１の目視検査、重量測定などについても適宜実行される。

　（冷却設備７）
　本実施形態の冷却設備７では、処理位置まで搬入されたレール１の頭部及び足部を、冷却ヘッダから噴射される冷却媒体によって、強制冷却する構成となっている。冷却ヘッダは、冷却ゾーン毎に設けられる。
　図２は、冷却設備７が有する冷却ヘッダの配置例を、レール断面からみた模式図で示す図である。すなわち、本実施形態の冷却ヘッダは、図２に示すように、レール１の頭部１０１を冷却するための頭頂冷却ヘッダ７１及び頭側冷却ヘッダ７２と、レール１の足部１０３を冷却するための足裏冷却ヘッダ７３とを備える。なお、必要に応じてレール１の腹部１０２を冷却するための腹部冷却ヘッダを更に備えてもよい。また、頭頂冷却ヘッダ７１と頭側冷却ヘッダ７２とを総称して「頭部冷却ヘッダ」と呼ぶ。

　頭頂冷却ヘッダ７１、頭側冷却ヘッダ７２、及び足裏冷却ヘッダ７３（以下、これらを包括して適宜「冷却ヘッダ７１、７２、７３」と呼ぶ。）は、それぞれ配管を介して冷却媒体源と接続され、不図示の複数のノズルから冷却媒体を噴射する。また、配管には制御用の弁が設けられている。
　ここで、本実施形態の冷却設備７が採用する冷却方式は、衝風冷却とする。衝風冷却は、本発明に適した冷却速度を達成可能で、被冷却材の表面温度に対する冷却能力の変動が少ない、圧縮空気を冷却媒体として噴射する方式である。ただし、本実施形態における冷却方式は、衝風冷却に限定されるものではなく、ミスト冷却を含む水冷方式でもよい。

　各冷却ヘッダの具体的なノズル配置については、次の通りである、すなわち、冷却ヘッダ７１のノズルは、レール１の頭部１０１上方において、レール１の長手方向に沿って配置される。冷却ヘッダ７１のノズルは、図３に示す頭部１０１の上面（頭頂面）１０１１に向けて冷却媒体（空気）を噴射する。また、冷却ヘッダ７２のノズルは、処理位置のレール１の頭部１０１の両側方において、レール１の長手方向に沿って配置される。冷却ヘッダ７２のノズルは、図３に示す頭部１０１の側面（頭側面）１０１２に向けて冷却媒体（空気）を噴射する。また、足裏冷却ヘッダ７３のノズルは、処理位置のレール１の足部１０３下方において、レール１の長手方向に沿って配置される。足裏冷却ヘッダ７３のノズルは、図３に示す足部１０３の裏面（足裏面）１０３１に向けて冷却媒体（空気）を噴射する。

　なお、ノズルの形式は、複数の円管ノズルから構成される群噴流や、矩形状の隙間を持つスリットから構成されるスリットノズルなどが好適である。衝風冷却において、冷却能力（熱伝達係数）の制御は噴射圧力と噴射距離の調整で行うことができるということが一般に知られている（例えば非特許文献１）。そこで、これら冷却ヘッダ７１、７２、７３の各々は、冷却媒体（空気）の噴射制御を行うために、圧力制御可能な構成としている。更に、レール１の規格によるレール１の断面形状の違いに合わせる目的と冷却能力を制御する目的で、冷却設備７は、各冷却ヘッダに対し、レール１表面との距離が調整可能な移動機構を備えている。これら各ヘッダの位置調整機構としては、電動アクチュエータ、空気シリンダー、油圧シリンダーなどがある。本実施形態の位置調整機構としては、位置決め精度の観点から電動アクチュエータが好適である。また、レール１表面から各冷却ヘッダまでの距離を測定する不図示の距離計（例えばレーザー変位計）を備えている。そして、冷却中の各冷却ヘッダの噴射距離を、設定値に合わせて制御することができる。加えて、冷却中の熱収縮でレール１が変形してヘッダとの距離が変化しないように、レール１の足部１０３などを挟持し、上下左右方向の変形を拘束する拘束装置を備えている（不図示）。

　また冷却設備７は、図２に示すように、頭部温度計７４と足部温度計７５を備える。頭部温度計７４は、レール１の頭部１０１上方に設けられ、頭部１０１の表面温度（例えば、頭頂面１０１１内の１箇所）を測定する。足部温度計７５は、レール１の足部１０３下方に設けられ、足部１０３の表面温度（例えば、足裏面１０３１内の１箇所）を測定する。これらの２種類の温度計７４，７５は、冷却設備７内に長手方向で複数設置されており、これらの２種類の温度計７４，７５によって、冷却中の各所の温度履歴をモニタリングすることができる。また、噴射される空気（冷却媒体）の温度を監視するための温度計（不図示）が複数のヘッダに設置される場合がある。噴射する温度も冷却能力に影響を与えるからである。
　ここで、冷却設備７でレール１に向けて噴射される冷却媒体の噴射圧力、噴射距離、噴射位置、及び噴射時間などが制御装置６によって制御されて、冷却条件が調整可能となっている。

＜熱処理方法＞
　次に、冷却設備７による強制冷却の処理（熱処理）の原理その他に関し、説明する。
　ここで、強制冷却前のレール１は、オーステナイト域温度以上に加熱されているものとする。そして、冷却設備７では、この高温のレール１に対し、冷却条件に基づき強制冷却を実行する。この強制冷却によって、レール１の表面及び内部の温度変化や変態が進行し、頭部冷却ヘッダによる冷却条件を随時変更することで、熱処理後のレール１内部の組織を制御することができる。

　熱処理（強制冷却）の制御方法としては、例えば、図４に示すような、１段冷却法（図４（ａ））や、２段ステップ法（図４（ｂ））、３段ステップ法（図４（ｃ））などの多段ステップ法がある。１段冷却法は、冷却開始から冷却条件として冷却ヘッダの噴射流量、圧力、噴射距離を、冷却終了まで一定の条件で冷却を行う方法である。多段ステップ法は、冷却条件を冷却開始から２段（前段と後段）あるいは３段以上として、時間経過に伴って冷却条件を段階的に変更する方法である。本実施形態では、多段ステップ法を採用する。
　多段ステップ法の場合には、各ステップで冷却ヘッダの噴射流量、圧力、噴射距離を決定すると共に、次ステップへ移行するタイミングを決定する。ただし、冷却条件の変更は時間経過に対応して、必ずしも多段ステップ法を採用する必要はなく、時間経過とともに変化する冷却条件が特定できるように、冷却条件を時間の関数として設定してもよい。

　冷却条件は、長手方向に分割された冷却ゾーン毎に個別に設定することができる。また、頭側冷却ヘッダ７２では左右の冷却ヘッダの冷却条件を異なる条件に設定してもよい。また、冷却ヘッダの噴射流量、圧力、噴射距離は、単独又は２以上の条件を組み合わせて、ステップ状に変更してもよい。ただし、２以上の条件を組み合わせて変更する場合には、図４の時間ステップに合わせて、複数の条件を同時に変更する。
　ここで、レール１の素材として広く用いられる共析鋼では、オーステナイトからパーライトへの変態は概ね５５０℃～７３０℃の温度域で起こる。実際には、ベイナイトの抑制と高硬度を両立するために、５７０～５９０℃の温度域で変態させることが望ましい。

　２段ステップ法を用いて、このような目的とする温度域で変態させる場合、前段ステップの冷却は、例えば、冷却開始から表面が変態を開始する前までの冷却とし、その前段ステップの冷却速度は４～６℃／秒の範囲に設定するのがよい。この範囲の冷却速度よりも遅い場合には、高温で変態し硬度が低下してしまう。また、この範囲の冷却速度より速い場合には、ベイナイト変態を起こしてしまうおそれがある。

　図５は、レール１頭部の表層の組織変化の例を模式的に表したものである。図５は、熱処理の制御方法として、強制冷却の開始から終了までの間、冷却条件を一定に保つ１段冷却法を適用した例を示している。図５のように、一定の噴射圧力で冷却を継続した場合、パーライト変態が発生すると、変態発熱により急激な温度上昇ΔＴ（８０～１２０℃）が発生する。このような温度上昇は表層のパーライト組織を軟化させるため、所定の硬度を確保することができなくなる。また、この表層の変態発熱の影響により、表面から５～１０ｍｍ程度内部に入った位置では冷却速度が低下し、過冷度が小さくなることで、熱処理後のレール１内部の硬度も低下してしまう。すなわち、熱処理の制御方法が１段冷却法では、熱処理後のレール１内部の硬度を目的とする硬度とすることが出来ないおそれがある。

　これに対して２段ステップ法では、図６に示すように、表面の変態発熱が開始した後の後段ステップで、変態発熱に合わせて冷却能力を大きくすることができる。このように表面で変態が開始するタイミングに合わせて、冷却を強くすることによって変態発熱による温度上昇を抑制でき、表面のパーライト組織が軟化しにくくなる。また、表面で生じた変態発熱の影響により、レール１内部の冷却速度が低下することも抑制することができる。ただし、後段ステップでの冷却速度が大きすぎると、表面のパーライト変態が完了しないまま強冷することになり、一部ベイナイト組織が発生してしまう場合もある。そのため、後段ステップにおいて、表面で変態発熱が開始してから冷却が終了するまでの平均の冷却速度が、１～２℃／秒の範囲であることが望ましい。

　衝風冷却で圧力制御によって、このような二段階の冷却（２段ステップ法）を実施する際、前段ステップの緩慢な冷却では低圧空気を噴射し、変態発熱による温度上昇が顕著になる後段ステップの冷却では高圧空気を噴射すればよい。圧力調整は、一般的に流量調整弁を用いて行われる。また、噴射距離の変更によって二段階の冷却を実施する際には、前段ステップの緩慢な冷却では、遠方から空気を噴射し、変態発熱の影響が大きい後段ステップの冷却では近接化させて空気を噴射することにより同様の効果を得ることができる。

　ところで、図５や図６に示す変態開始時間（冷却曲線がパーライト変態開始曲線Ｐと交わる時間）は、冷却開始温度によって変化する。また、レール１の形状が変われば、頭部の質量が変化する。このため、同一の冷却条件を設定しても、要求される冷却速度や冷却能力が変化する。そのため、制御装置６による、冷却条件を緩冷から強冷に切り替えるタイミングだけでなく、各ステップの噴射圧力や噴射距離による冷却能力の制御が必要になる。更に、レール鋼の化学組成や冷却前のオーステナイト粒径によって、図５、６に示す変態曲線が変化するため、冷却条件を、レール素材の鋼片の含有成分や、冷却前のオーステナイト粒径に影響を与える圧延機３でのパススケジュールに応じて変更する場合もある。

　（熱処理レール１の硬度予測方法（硬度予測装置２０））
　本実施形態は、硬度予測装置２０を有する。硬度予測装置２０は、オーステナイト域温度以上の温度となっているレール１を、冷却設備７で強制冷却を施す熱処理工程後のレール１の硬度を予測する熱処理レール１の硬度予測方法を実現するための装置である。
　硬度予測装置２０は、図７に示すように、基礎データ取得部２１と、データベース２３（記憶部）と、硬度予測モデル生成部２４と、硬度予測部２６とを備える。硬度予測部２６は、オンラインで使用され、制御装置６に組み込まれている。
　ここで、冷却設備７での冷却開始前のレール１の表面温度及び冷却設備７の操業条件を少なくとも有する冷却条件のデータの組を、冷却条件データセットと記載する。

　オフラインで用いられる冷却条件データセットには、レール１の冷却開始前の表面温度として、冷却設備７入側に配置した温度計８で取得する温度情報に相当する数値情報を含む。また、冷却設備７の操業条件として、冷却開始から冷却終了までの各ステップにおける各冷却ヘッダの噴射流量、噴射圧力、噴射距離及び冷却ステップの切替えタイミング（例えば、冷却開始から各ステップの切替えまでの時間）を含む。
　冷却条件データセットは、冷却開始前のレール１の表面温度、及び冷却設備７の操業条件以外の、冷却のための熱処理の入力情報を含んでいても良い。

　＜基礎データ取得部２１＞
　基礎データ取得部２１は、オフラインでの冷却条件データセットを入力データとして、強制冷却後のレール１の少なくともレール１頭部の内部の硬度を出力データとして演算するための物理モデルである内部硬度演算モデルを有する。本実施形態では、内部硬度演算モデルを用いた数値計算の実行は、内部硬度オフライン計算部２２で行われる。
　そして、基礎データ取得部２１は、複数の冷却条件データセットについて、個々に、内部硬度オフライン計算部２２によるオフラインでの演算を実行して、入力データとしての冷却条件データセットと出力データとしての上記レール１内部の硬度情報とからなる学習用データを複数組、取得する。基礎データ取得部２１は、取得した学習用データをデータベース２３に格納する。

　本実施形態では、内部硬度オフライン計算部２２が演算する出力データである内部の硬度のデータは、少なくともレール１表面から予め設定した深さまでの領域における当該内部の硬度分布で表現される。予め設定した深さは、例えば１０ｍｍ以上５０ｍｍ以下である。予め設定した深さは、例えば、レール１頭部の表層が摩耗しても実用に耐える摩耗深さの限界値以上に設定する。慣用的には１インチ（２５．４ｍｍ）とするのが好ましい。

　すなわち、本実施形態の基礎データ取得部２１は、オフラインで実行され、少なくとも冷却開始前の表面温度及び冷却設備７の操業条件からなる一組の冷却条件データセットを入力データとして、熱処理工程後のレール１内部における硬度分布を出力データとする数値計算を実行する内部硬度オフライン計算部２２を有し、冷却条件データセットを種々変更して、各冷却条件データセットに対するレール１内部における硬度分布を算出して、求めた冷却条件データセットと硬度分布との関係を表す学習用データをデータベース２３に送る機能を備える。

　ここで、複数の冷却条件データセット若しくは、冷却条件データセットを構成する冷却開始前の表面温度等のデータなどの構成データは、予め、データベース２３に格納しておけばよい。各冷却条件データセットは、例えば、過去の操業条件や将来製造するレール１の条件などに基づき、温度条件の範囲などを設定し、設定した範囲内の値から決定する。もっとも、使用する複数の冷却条件データセットは、必ずしもデータベース２３に予め格納しておく必要はなく、直接に内部硬度オフライン計算部２２に入力するように構成しても良い。

　＜内部硬度オフライン計算部２２（内部硬度演算モデル）＞
　内部硬度オフライン計算部２２は、図８に示すように、熱伝達係数計算部２２Ａ、熱伝導計算部２２Ｂ、組織計算部２２Ｃ、硬度計算部２２Ｄを備える。この内部硬度オフライン計算部２２による物理モデルに基づく硬度計算は、冷却開始から冷却終了までの計算を、熱伝達係数計算、熱伝導計算、組織計算部２２Ｃの処理の順に行い、最終的な組織計算結果から硬度計算を行うことで求めることができる。

　ただし、後述のように連成解析を行う場合には、冷却開始から冷却終了までの計算を行う際に、例えば０．１～１０μｓの時間ステップ毎に、熱伝達係数計算、熱伝導計算、組織計算部２２Ｃの処理の間で連成計算を行う。それらの計算が終了した後に、次の時間ステップについて計算を実行する。以上の処理を冷却終了まで繰り返す方法をとる。なお、硬度計算は連成解析には組み込まれないため、冷却終了後の組織計算結果に基づいて計算を行えばよい。
　演算するレール１の箇所は、必ずしもレール１の表面全体に対して実行する必要はない。本実施形態の内部硬度オフライン計算部２２は、少なくとも、均一の硬度が一番要求されるレール１頭部の硬度を演算する場合とする。
　また、冷却条件データセットから硬度分布を求める内部硬度オフライン計算部２２の計算式は、公知のモデル式を採用してもよい。

　＜熱伝達係数計算部２２Ａ＞
　熱伝達係数計算部２２Ａは、熱処理中のレール１表面における熱伝達係数を計算する。本実施形態の熱伝達係数計算部２２Ａは、レール１頭部表面における複数箇所の熱伝達係数を演算する。
　本実施形態の熱伝達係数計算部２２Ａは、冷却設備７の操業パラメータ及びレール形状を入力として有限体積法などの数値流体力学手法によって、レール１表面の熱伝達係数を算出する。有限体積法は、解析対象となる領域を有限個のコントロールボリュームに分割し、各ボリュームに対して積分形の物理量の保存方程式を適用する方法である。ただし、ヌッセルト数やレイノルズ数などの無次元量の関係を冷却実験から求めた強制対流に関する実験式により、熱伝達係数を算出してもよい。

　このとき、熱伝達係数計算部２２Ａでは、冷却開始から冷却終了までの各ステップにおける各冷却ヘッダの噴射流量、噴射圧力、噴射距離及び冷却ステップの切替えタイミングに応じて、レール１頭部表面の各位置における時系列の熱伝達係数（時間とともに変化する熱伝達係数の分布）を求める。また、噴射する冷媒の温度を変数に含めてもよい。

　＜熱伝導計算部２２Ｂ＞
　熱伝導計算部２２Ｂは、熱伝達係数計算部２２Ａにより算出された熱伝達係数を境界条件として、熱処理による上記レール１内部の熱伝導計算、例えばレール１の２次元断面内の熱伝導計算を行う。熱伝導計算として、例えば、断面内の温度分布を求める。
　本実施形態の熱伝導計算部２２Ｂは、熱伝達係数計算部２２Ａで出力されたレール１頭部表面の各位置における熱伝達係数を境界条件とし、有限要素法などの数値伝熱解析手法を用いて、冷却開始から冷却終了までのレール１内部の温度履歴（熱伝導計算）を算出する。また、熱伝導計算に必要な物性値としての熱伝導率、比熱、密度などの値は、対象とするレール１の成分組成に応じて適宜変更する。

　なお、上記の二つの計算部２２Ａ，２２Ｂは、流動場を計算する熱伝達係数計算部２２Ａによる計算結果を用いて、温度場を計算する熱伝導計算部２２Ｂの計算を行う方法であっても十分な計算精度が得られる。しかし、より計算精度を向上させたい場合には、流動場と温度場の相互作用を考慮した連成解析を行ってもよい。連成解析では計算精度は向上するものの計算負荷が増大するためオンライン解析で適用することは実用上は困難であるが、本発明では、これらの解析をオフラインで実行するため負荷増大は許容される。

　＜組織計算部２２Ｃ＞
　組織計算部２２Ｃは、熱伝導計算部２２Ｂが算出する温度履歴計算に基づくレール１内部の温度分布から、相変態を考慮した上記レール１の断面内の組織予測を行う。断面内の組織予測は、例えば断面内の組織分布である。

　本実施形態の組織計算部２２Ｃは、熱伝導計算部２２Ｂにより得られたレール１内部の温度履歴から、相変態を考慮してレール１断面内の各位置における組織予測を行う。相変態の挙動は、熱処理を行う鋼の成分組成や冷却開始前のオーステナイト粒径により変化するため、対象とするレール１の規格に対応した成分組成毎に計算を行う。また、圧延機３でのパススケジュールや、圧延終了後から強制冷却開始までに要する時間によってオーステナイト粒径が変化する。このため、これらの操業条件毎に組織計算を行ってもよく、強制冷却開始前のオーステナイト粒径を予測する組織予測モデルを更に加えてもよい。なお、オフラインでの計算では、レール素材の鋼の成分組成やオーステナイト粒径が異なる場合でも、予め多数の条件に対して計算を行うことが可能である。そのため、後述する硬度予測モデル２５の入力データとして、これらのパラメータを加えてもよい。

　また、本実施形態の組織計算部２２Ｃでは、冷却速度に応じた相変態開始温度の変化や相変態の進行速度の変化など、動的な相変態特性を組み込んだ相変態計算を行う。
　ここで、温度履歴が相変態に影響を与えるだけでなく、変態発熱によって温度履歴も影響を受けることから、組織計算部２２Ｃと上記の熱伝導計算部２２Ｂは連成解析とすることが望ましい。組織計算部２２Ｃにおける変態挙動の計算には、例えば、伊藤らによる方法（鉄と鋼、６４（１１），Ｓ８０６，１９７８年、又は鉄と鋼、６５（８），Ａ１８５－Ａ１８８，１９７９年）などに記載の、公知の計算式を用いることができる。

　＜硬度計算部２２Ｄ＞
　硬度計算部２２Ｄは、組織計算部２２Ｃが算出した各断面の組織予測に基づく組織分布から、レール１の断面内の硬度分布を算出する。
　本実施形態の硬度計算部２２Ｄでは、化学組成や過冷度を入力とした各組織と硬度との関係式を用いて予測硬度を算出する。例えば、パーライト組織は、板状の軟質なフェライトと硬質なセメンタイトが層状をなすラメラー構造であり、ラメラー間隔と硬度の間に強い相関があることが知られており、例えば、Ａ．　Ｒ．　Ｍａｒｄｅｒらによる方法（Ｔｈｅ　Ｅｆｆｅｃｔ　ｏｆ　Ｍｏｒｐｈｏｌｏｇｙ　ｏｎ　ｔｈｅ　Ｓｔｒｅｎｇｔｈ　ｏｆ　Ｐｅａｒｌｉｔｅ：　Ｍｅｔ．　Ｔｒａｎｓ．　Ａ，　７Ａ　（１９７６），３６５－３７２）を用いることができる。また、化学組成、過冷度と各組織の硬度の関係式は事前に実験などで求めた実験式を用いてもよい。

＜データベース２３＞
　内部硬度オフライン計算部２２を用いて、冷却条件データセットとして、レール１の冷却開始前の表面温度、及び冷却設備７の操業条件として冷却開始から冷却終了までの各冷却ヘッダの噴射流量、噴射圧力、噴射距離及び冷却ステップの切替えタイミングを種々変更したデータセットを生成する。また、各データセットに対応したレール１内部における硬度分布を計算した結果は、学習用データとしてデータベース２３に蓄積される。
　ここで、計算結果であるレール１内部の硬度分布は、レール１頭部１０１の断面内の各位置（断面内の座標）に対応した硬度データで表現する。ただし、硬度分布の硬度データは、連続的な値ではなく、熱伝導計算部２２Ｂや組織計算部２２Ｃの計算で用いた要素分割に応じた離散的な値である。

　また、断面内の細かな硬度分布までは実用上の必要性が低いため、硬度分布としては、断面内の座標として１～５ｍｍ程度のピッチで抽出した硬度データを用いれば十分である。なお、硬度データは、ピッチ毎に計算結果を平均化してもよい。更に、断面内の硬度情報の全てが必要ではなく、例えば、頭頂面１０１１から垂直方向の位置と硬度のデータをレール１内部の硬度分布としてもよい。更に、このデータに加えて、ＪＩＳ　Ｅ　１１２０－２００７に規定されているように、頭角部（１０１１と１０１２の境界部）から斜め方向に進んだ位置と硬度のデータを用いてもよい。その際、表面から内部方向の代表位置としては、深さ２、５、１０、１５、２０、２５ｍｍなど数点の代表点を用いて、それに対応する硬度データをレール１内部の硬度分布とすることができる。

　一方、レール１断面内の硬度分布を等高線で表した図や色分けした画像データ（硬度分布を画像表現したデータ）を、レール１内部の硬度分布と定義してもよい。ディープラーニングなどの機械学習手段では、画像を出力データとする硬度予測モデル２５の生成が可能だからである。
　データベース２３を構築する際の入力データとなる冷却条件データセットは、過去の操業実績を参照して、その範囲内で冷却条件を変化させればよい。また、冷却設備７の各冷却ヘッダの設備仕様の範囲内で、適宜計算の入力条件を変更して内部硬度オフライン計算部２２による計算を行う。

　以上のように、複数組の入力データ（冷却条件データセット）と出力データ（硬度計算結果）の組合せが作成され、予めデータベース２３へと格納される。
　格納する学習用データとしては、５００個以上の入力データ（冷却条件データセット）と出力データ（硬度計算結果）の組があればよい。好ましくは２０００個以上の学習用データを生成する。

＜硬度予測モデル生成部２４＞
　硬度予測モデル生成部２４では、データベース２３に保存されている複数組の学習用データを用いた機械学習により、上記冷却条件データセットを少なくとも入力データとし上記強制冷却後のレール１内部の硬度に関する情報を出力データとする硬度予測モデル２５を生成する。硬度予測モデル２５の生成は、オフラインで実行される。
　使用する機械学習モデルは、実用上必要な精度での硬度予測が可能であれば、いずれのモデルでもよい。機械学習モデルとして、例えば、一般的に用いられるニューラルネットワーク（ディープラーニングを含む）、決定木学習、ランダムフォレスト、サポートベクター回帰などを用いればよい。また複数のモデルを組み合わせたアンサンブルモデルを用いてもよい。

　更に、硬度予測モデル２５として、レール１の硬度値ではなく、予め定められた硬度分布の許容範囲にあるか否かの判定を行い、その結果を合格／不合格と２値化したデータを出力データとした、機械学習モデルを用いてもよい。その際、ｋ近傍法やロジスティック回帰のような分類モデルを用いるのが好ましい。

＜制御装置６＞
　本実施形態のレール１の製造設備２は、図１に示すように、レール１の冷却条件を制御するための制御装置６を備える。
　制御装置６は上位コンピュータ５から、レール１の形状、化学組成、目標とする硬度（内部の分布）、基準冷却条件を取得し、それを実現するための操業条件を算出して冷却制御装置へ指令を出し、冷却設備７の操業パラメータを決定する。
　本実施形態における制御装置６の構成を図９に示す。
　制御装置６は、図９に示すように、冷却設備７の操業条件初期設定部６１、硬度予測部２６、操業条件判定部６２、操業条件再設定部６３を備える。

　＜操業条件初期設定部６１＞
　操業条件初期設定部６１は、目標硬度分布を満たしつつベイナイト組織やマルテンサイト組織のような異常組織を生じないように、冷却ヘッダの噴射圧力や噴射距離、噴射位置及びそれらの切替えタイミングを予め設定しておく。これらの冷却条件は、過去の操業結果に基づく経験則や特許文献１～３に示されている方法などにより、オフラインで決定しておくことができる。また、基礎データ取得部２１を用いて、レール１の軌種、規格、寸法、化学組成の代表値に対して、目標硬度を得るための適正な冷却条件を予め決定し、これらの条件を冷却設備７の操業条件初期設定部６１に設定してもよい。

　＜硬度予測部２６＞
　硬度予測部２６は、硬度予測モデル２５を用いて求められる、上記熱処理工程の冷却条件として設定される一組の冷却条件データセットに対するレール１内部の硬度に基づき、上記熱処理工程後のレール１の硬度を予測する。
　本実施形態の硬度予測部２６は、冷却設備７入側の温度計８により計測されたレール１頭部の表面温度と、操業条件初期設定部６１により設定された冷却ヘッダの冷却条件とを用いて、冷却条件データセットを構成する。硬度予測部２６は、オンラインで生成した冷却条件データセットを入力データとして、オフラインで生成した硬度予測モデル２５を用いて、熱処理終了後のレール１内部における硬度分布を予測する。
　また、硬度予測部２６は、操業条件再設定部６３で操業条件の再設定が実行された場合は、その再設定後の情報に基づき操業条件の初期設定を更新して、再度、熱処理終了後のレール１内部における硬度分布を予測する。

　＜操業条件判定部６２＞
　操業条件判定部６２は、硬度予測部２６が求めたレール１内部における硬度分布を、上位コンピュータ５から受け取ったレール１内部の硬度分布の目標範囲と比較する。
　ここで、レール１内部の目標硬度とは、例えば図１０に示すように、ＪＩＳＥ１１２０（２００７）に定められている硬度範囲を満たすものとして設定することができる。ここで、ＪＩＳＥ１１２０は、レール１頭部の表面硬度の上下限値及び内部硬度の上限値と所定の深さ位置（基準点）における下限値が規定されている。
　ここで、基準点の位置は、表面から１１ｍｍの距離にある位置である。

　図１１は、目標硬度範囲から外れた場合の例を示す図である。
　ここで、レール１頭部の内部硬度は、表面から内部に向かって離れるほど低下するのが一般的な特徴である。このため、図１２に示すように、レール１の表層から一定深さまでの硬度分布の目標曲線を設定し、その硬度からの差が一定の範囲に入るように設定してもよい。その際、硬度分布の目標曲線の許容範囲内では、上記ＪＩＳＥ１１２０の規格を満足するものとする。

　更に、レール１内部の硬度予測位置（表面からの深さをｄｉとする。ｉは評価点（１～ｎ）を表す）に対応する目標硬度をＢｉとして、予測される各位置における硬度ＢＰｉを用いて、予め設定された硬度誤差の許容値αにより、以下の（１）式を満足するか否かを判定してもよい。
　　Σ^ｎ _ｉ＝１（Ｂ_ｉ　－ＢＰ_ｉ）^２　＜　α　　・・・（１）
　操業条件判定部６２は、予測されるレール１内部硬度が、予め設定された目標硬度範囲に入らない場合には、操業条件再設定部６３に移行する。

　＜操業条件再設定部６３＞
　操業条件再設定部６３は、冷却条件を再設定する。
　冷却条件の再設定は、具体的には、冷却開始から冷却終了までの各ステップにおける各冷却ヘッダの噴射流量、噴射圧力、噴射距離、冷却ステップの切替えタイミングのいずれか、又は複数の操業パラメータを再設定する。
　再設定された操業パラメータは、硬度予測部２６で用いられる。
　これによって、予測されるレール１内部における硬度分布が、目標硬度範囲に収まるように操業パラメータの修正が実行されることになる。
　ここで、冷却条件の再設定には、数回から十数回の硬度分布予測が必要となる。しかしながら、予めオフラインで学習済みモデルを生成し、その生成した学習済みモデルを用いて硬度予測をするため、一つの冷却条件データセットに対する硬度予測結果の出力が短時間で実行可能である。すなわち、数回から十数回の再計算を行っても全体としては短時間で再設定が可能である。

　＜冷却制御部６４＞
　冷却制御部６４は、硬度予測部２６が求めたレール１内部における硬度分布が目標範囲と判定された操業条件で、冷却設備７での強制冷却処理を実行する。
　すなわち、冷却制御部６４は、目標範囲内の硬度となると予測される各冷却ヘッダの噴射流量、噴射圧力、噴射距離及び冷却ステップの切替えタイミングで強制冷却を実行する制御を行う。
　ここで、冷却設備７の弁の開閉には数秒程度の時間を要する場合があり、噴射距離を変更する場合にも数秒の遅れが発生するため、各冷却ヘッダの冷却条件の変更に要する応答時間を考慮して、冷却条件の変更指令を調整してもよい。

　また、上記の冷却設備７の操業条件の設定については、レール１の長手方向に対して分割されたヘッダ毎に実施することができる。特にレール１の先尾端は圧延時に圧延機を通過する速度が一定でないため、ロールとの接触やロール冷却水、デスケーリング水による冷却量が大きくなり、長手中央の定常部に比べて温度が低下しやすい。したがって、冷却設備７入側の温度計８によりレール１の長手方向の温度分布を測定し、長手方向に分割された冷却ヘッダの位置毎に上記方法を適用して、長手方向の各位置での冷却条件を個別に制御する。これにより、冷却開始温度が長手方向で分布していても、冷却終了後には長手方向で均一な硬度を有するレール１を製造することができる。

　（動作その他）
　予め物理モデルに基づく計算式で演算する内部硬度オフライン計算部２２の実行をオフラインで行う。これによって、本実施形態では、伝熱解析等を用いた計算負荷が大きな処理となる、複数の冷却条件に対する強制冷却後のレール１内部の硬度分布のデータ（学習用データ）を演算する処理を、精度良く実行することができる。
　更に、本実施形態では、その精度の良い多数の学習用データに基づき、冷却条件に対する強制冷却後のレール１内部の硬度分布のデータを求めるための、硬度予測モデル２５を、機械学習で求める。
　そして、オンラインでは、その硬度予測モデル２５によって硬度の予測を実行することで、複雑な計算を行う内部硬度オフライン計算部２２による硬度予測結果を極めて高速に出力することが可能となる。

　なお、上記データベース２３内の学習用データの作成は、冷却設備７のオンラインでの操業とは別個に作成することができる。このため、随時データセットをデータベース２３に蓄積していき、定期的に（例えば１か月に一度）、硬度予測モデル２５を更新することができる。これにより、硬度予測モデル２５の元になるデータセット数が増加し、学習済モデルの出力結果について精度が向上する。特に、実操業で蓄積されるデータとは異なり、意図的に冷却条件データセットの値を設定できるため、冷却条件データセットに統計的な偏りが生じにくく、機械学習を行うのに適したデータとなる。したがって、データセット数が増加するほど、精度が向上するという特徴がある。

　本実施形態では、上記のようにオンラインで高精度の硬度予測が短時間で実行できるため、レール１内部の硬度を目標硬度範囲とする操業条件で強制冷却（熱処理）が実行される。この結果、本実施形態では、例えば、熱処理レール１の頭部表面から内部にかけての組織制御を適切に実行することが可能となる。この結果、製造するレール１毎の硬度のばらつきや、レール１の長手方向の硬度ばらつきを低減して、品質ばらつきを抑えた熱処理レール１の製造が可能となる。

　（効果）
　（１）本実施形態は、オーステナイト域温度以上の温度となっているレール１を冷却設備７で強制冷却する熱処理工程後の上記レール１の硬度を予測するレール１の硬度予測方法であって、冷却開始前のレール１の表面温度と強制冷却のための上記冷却設備７の操業条件とを少なくとも有する冷却条件データセットを入力データとして、上記強制冷却後のレール１の少なくともレール１頭部の内部の硬度を出力データとして演算するための物理モデルである内部硬度演算モデルを用いて、上記冷却条件データセットと上記硬度の出力データとからなる学習用データを複数組、取得しておき、取得した複数組の学習用データを用いた機械学習により、上記冷却条件データセットを少なくとも入力データとし上記強制冷却後のレール１内部の硬度を出力データとする硬度予測モデル２５を予め生成し、上記硬度予測モデル２５を用いて求められる、上記熱処理工程の冷却条件として設定される一組の冷却条件データセットに対するレール１内部の硬度に基づき、上記熱処理工程後のレール１の硬度を予測する。

　例えば、オーステナイト域温度以上の温度となっているレール１を冷却設備７で強制冷却する熱処理工程後の上記レール１の硬度を予測するレール１の硬度予測装置２０であって、冷却開始前のレール１の表面温度と強制冷却のための上記冷却設備７の操業条件とを少なくとも有する冷却条件データセットを入力データとして、上記強制冷却後のレール１の少なくともレール１頭部の内部の硬度を出力データとして演算するための物理モデルである内部硬度演算モデルを用いて演算した、上記冷却条件データセットと上記硬度の出力データとからなる学習用データを複数組、格納しているデータベース２３と、上記複数組の学習用データを用いた機械学習により、上記冷却条件データセットを少なくとも入力データとし上記強制冷却後のレール１内部の硬度を出力データとする硬度予測モデル２５を生成する硬度予測モデル生成部２４と、上記硬度予測モデル２５を用いて、上記熱処理工程の冷却条件として設定される一組の冷却条件データセットに対するレール１内部の硬度に基づき上記熱処理工程後のレール１の硬度を予測する硬度予測部２６と、を備える熱処理レール１の硬度予測装置２０を用いる。

　この構成によれば、オンラインで高精度の硬度予測が短時間で実行できるため、レール１内部の硬度を目標硬度範囲とする操業条件で強制冷却（熱処理）が実行される。この結果、本実施形態では、例えば、熱処理レール１の頭部表面から内部にかけての組織制御を適切に実行することが可能となり、製造するレール１毎の硬度のばらつきや、レール１の長手方向の硬度ばらつきを低減して、品質ばらつきを抑えた熱処理レール１の製造が可能となる。

　（２）本実施形態では、上記内部硬度演算モデルを用いて演算される出力データは、少なくともレール１表面から予め設定した深さまでの領域における硬度分布である。
　この構成によれば、より確実に熱処理のための硬度予測が可能となる。

　（３）本実施形態では、上記内部硬度演算モデルは、上記冷却設備７を用いた熱処理の際のレール１表面の熱伝達係数を計算する熱伝達係数計算部２２Ａと、上記熱伝達係数計算部２２Ａが算出した熱伝達係数を境界条件として、上記熱処理による上記レール１内部の温度履歴計算を行う熱伝導計算部２２Ｂと、上記熱伝導計算部２２Ｂが算出した温度履歴計算に基づくレール１内部の温度分布から、相変態を考慮したレール１内部の組織予測を行う組織計算部２２Ｃと、上記組織計算部２２Ｃが算出したレール１内部の組織予測に基づくレール１内部の組織分布から、レール１内部の硬度を算出する硬度計算部２２Ｄと、を備える。
　この構成によれば、より確実に熱処理のための硬度予測が可能となる。

　（４）本実施形態は、オーステナイト域温度以上の温度になっているレール１を冷却設備７で強制冷却する熱処理工程を有する熱処理レール１の熱処理方法であって、上記冷却設備７でのレール１の冷却開始前に、本実施形態の熱処理レール１の硬度予測方法によって、レール１内部の硬度を予測し、予測したレール１内部の硬度が目標とする硬度の範囲外の場合、予測したレール１内部の硬度が目標とする硬度の範囲内に収まるように、上記冷却設備７の操業条件を再設定する。

　例えば、オーステナイト域温度以上の温度になっているレール１を冷却設備７で強制冷却する熱処理工程を有するレール１の熱処理装置であって、上記冷却設備７でのレール１の冷却開始前に、請求項１１～請求項１３のいずれか１項に記載の熱処理レール１の硬度予測装置２０によって、レール１内部の硬度を予測する硬度予測部２６と、上記硬度予測部２６が予測したレール１内部の硬度が目標とする硬度の範囲外の場合、予測したレール１内部の硬度が目標とする硬度の範囲内に収まるように、上記冷却設備７の操業条件を再設定する操業条件再設定部６３と、を備える熱処理レール１の熱処理装置を用いる。

　この構成によれば、レール１内部の硬度を目標硬度範囲とする操業条件で強制冷却（熱処理）が実行可能となる。この結果、本実施形態では、例えば、熱処理レール１の頭部表面から内部にかけての組織制御を適切に実行することが可能となり、製造するレール１毎の硬度のばらつきや、レール１の長手方向の硬度ばらつきを低減して、品質ばらつきを抑えた熱処理レール１の製造が可能となる。

　（５）本実施形態では、上記再設定する冷却設備７の操業条件は、上記冷却設備７でレール１に向けて噴射される冷却媒体の噴射圧力、噴射距離、噴射位置、及び噴射時間のうち、少なくとも一つの操業条件を含む。
　この構成によれば、レール１内部の硬度を目標硬度範囲とする操業条件を、より確実に設定可能となる。

　（６）本実施形態では、上記冷却設備７は、冷却対象のレール１の長手方向に沿って配置された複数の冷却ゾーンを有し、上記冷却設備７の操業条件の再設定は、その各冷却ゾーン毎に個別に操業条件の再設定を実行する。
　この構成によれば、レール１内部の硬度を目標硬度範囲とする操業条件を、より細かく設定可能となる。

　（７）本実施形態は、オーステナイト域温度以上の温度となっているレール１を冷却設備７で強制冷却した後の上記レール１の硬度を、上記冷却設備７での冷却開始前のレール１の表面温度と強制冷却のための上記冷却設備７の操業条件とを少なくとも有する冷却条件データセットから求めるための硬度予測モデル２５の生成方法であって、上記冷却条件データセットを入力データとして、上記強制冷却後のレール１の少なくともレール１頭部の内部の硬度を出力データとして演算するための物理モデルである内部硬度演算モデルを用いて、上記冷却条件データセットと上記硬度の出力データとからなる学習用データを複数組、取得し、取得した複数組の学習用データを用いた機械学習により、上記冷却条件データセットを少なくとも入力データとし上記強制冷却後のレール１内部の硬度を出力データとする硬度予測モデル２５を予め生成する。

　この構成によれば、オンラインで高精度の硬度予測を短時間で実行できる硬度予測モデル２５を生成可能となる。
　上記硬度予測モデル２５は、例えば、ニューラルネットワークモデル（ディープラーニングのモデルを含む）、ランダムフォレスト、又はＳＶＭ回帰で学習されたモデルとすればよい。

　（８）本実施形態では、上記内部硬度演算モデルを用いて演算される出力データは、少なくともレール１表面から予め設定した深さまでの領域における硬度分布であり、上記硬度予測モデル２５の出力データも、少なくともレール１表面から予め設定した深さまでの領域における硬度分布のデータである。
　この構成によれば、少なくともレール頭部の表層が硬度の均一性に優れたレールを製造するための情報を高精度で得ることが可能となる。

　（９）本実施形態では、実施形態の熱処理レール１の熱処理方法を有する、熱処理レール１の製造方法を提供する。例えば、実施形態の熱処理レール１の熱処理装置を有する、熱処理レール１の製造設備を提供する。
　この構成によれば、少なくともレール頭部の表層が硬度の均一性に優れたレールを製造可能となる。

　次に、本実施形態に基づく実施例について説明する。
　レール１の製造設備２（図１参照）を用いて、熱処理レール１の製造を行った。
　本実施例では、複数軌種、規格のレール１の強制冷却を行い、室温まで空冷した後で頭部の組織及び断面内の硬度分布を評価した。なお、各実施例、各比較例において、それぞれ２０本ずつの熱処理レール１を製造し、それぞれのばらつきを評価した。
　対象としたレール１は、軌種２種類（ＪＩＳ６０ｋｇレールと５０ｋｇＮレール）と規格２種類（高硬度レールＨと通常硬度レールＬ）の合計４種類とした。そして、約９００℃で熱間圧延を終了した後、圧延長のまま（切断することなく）、オンラインに設置された冷却設備７で強制冷却を行った。なお、本実施例に用いた鋼種のオーステナイト温度は７６０℃、平衡変態温度が７２０℃であった。

　冷却設備７の入側温度計８による入側温度の目標値は７５０℃に設定し、上記４種類のレール１について目標硬度分布が得られるように、予めオフライン計算により設定された冷却条件を操業条件初期設定部６１の指示値とした。
　冷却条件としては２ステップ法による冷却として、前段ステップと後段ステップにおける噴射圧の設定値及び、前段ステップから後段ステップへの切替え時間については、それぞれ熱処理を行うレール１の種類に応じて設定した（表中「固定」として基準となる条件を表す）。

　使用した硬度予測モデル２５は、本実施例では上記実施例１から４の４種類のレール１に対応して、それぞれに対応した硬度予測モデル２５を生成した。硬度予測モデル２５の生成に用いたデータベース２３は、実験室レベルの冷却実験装置を用いて、冷却ノズルの噴射流量、圧力を種々変更した１段冷却法による実験により、組織と硬度との関係を回帰式により作成した。なお、硬度予測モデル２５の生成に用いたデータ数は５００個であった。
　このとき、実際の操業では、入側温度計８による温度測定値と上記目標温度との間には、２０本のレール１毎のばらつきと、１本レール内の位置による温度ばらつきを合わせて、－３０～＋１０℃のばらつきが生じていた。

　比較例では、これらのばらつきがあっても、冷却条件は操業条件初期設定部６１で設定された固定パターンを使用した。一方、本実施例では、入側温度計による実測値と、予め設定され操業条件初期設定部６１で設定された冷却条件を冷却条件データセットとして、レール１内部における硬度分布を予測して、目標硬度範囲に収まるか否かを判定した。ここで目標硬度は、図１０に示す目標硬度として、表１中には、表面の硬度の「下限」と「上限」が規定されると共に、「基準点」における「下限」と、内部「全体」の「上限」によって規定した。

　本実施例においては、硬度予測部２６により予測されたレール１内部における硬度分布が、目標硬度範囲に収まる場合には、初期に設定されている冷却条件のまま強制冷却を行い、目標範囲から外れる場合には前段ステップにおける噴射圧力、後段ステップにおける噴射圧力（表中の「噴射圧調整量」の範囲内で調整）、及び前段ステップから後段ステップに移行するタイミング（表中の「噴射時間調整量」が修正した範囲）を変更した。なお、本実施例では、実施例、比較例共に噴射距離は軌種によらず冷却中一定（１５ｍｍ）とした。

　冷却終了後は、レール１を拘束装置から外して冷却床１０に搬送し、常温まで空冷した。そして、常温まで空冷したレール１を切断し、頭部の組織観察及び硬さ試験を行った。頭部の硬度測定及び組織観察は、全長１００ｍのレール１を５分割して、各位置でサンプルを採取した（各条件２０本のレール１×５サンプル＝１００）。頭部組織は、サンプルの切断面をＳＥＭ（走査型電子顕微鏡）で観察することで評価した。また、硬度は頭頂面から０～２０ｍｍの各深さ位置でブリネル硬さ試験により評価した。硬度の測定結果については、１００個のデータにおける最大値と最小値を評価した。

　表１における「基準点」の「最大」「最小」、表面における「最大」「最小」がこれに該当する。これらの値が目標硬度の上下限値の範囲内にあって、かつ内部全体で「上限」の範囲内にある場合を、「〇」とした。更に、組織観察の結果、ベイナイト組織やマルテンサイト組織などの異常組織は全ての例で発生せず、パーライト組織が得られたものを「〇」として評価した。
　表１に、実験条件及び評価結果を示す。

　表１から分かるように、実施例１～４では、レール１の硬度ばらつきが低減し、ベイナイト組織やマルテンサイト組織などの異常組織は全ての例で発生せず、均質なレール１を安定して製造することができた。
　一方、比較例では、冷却設備７の入側温度が目標温度に近かった条件では熱処理が適切に行われ目標通りの硬度と組織が得られたが、目標温度から外れたものは硬度のばらつきが大きく、異常組織の生成が見られるものもあった。

　ここで、本願が優先権を主張する、日本国特許出願２０２０－１００８９５（２０２０年０６月１０日出願）の全内容は、参照により本開示の一部をなす。ここでは、限られた数の実施形態を参照しながら説明したが、権利範囲はそれらに限定されるものではなく、上記の開示に基づく各実施形態の改変は当業者にとって自明なことである。

１ 熱処理レール
２ 製造設備
３ 圧延機
４ 切断機
５ 上位コンピュータ
６ 制御装置
７ 冷却設備
８ 温度計
１０ 冷却床
１１ 加熱炉
２０ 硬度予測装置
２１ 基礎データ取得部
２２ 内部硬度オフライン計算部
２２Ａ 熱伝達係数計算部
２２Ｂ 熱伝導計算部
２２Ｃ 組織計算部
２２Ｄ 硬度計算部
２３ データベース
２４ 硬度予測モデル生成部
２５ 硬度予測モデル
２６ 硬度予測部
６１ 操業条件初期設定部
６２ 操業条件判定部
６３ 操業条件再設定部
６４ 冷却制御部
７１ 頭頂冷却ヘッダ
７２ 頭側冷却ヘッダ
７３ 足裏冷却ヘッダ
７４ 頭部温度計
７５ 足部温度計

Claims (16)

1. 　オーステナイト域温度以上の温度となっているレールを冷却設備で強制冷却する熱処理工程後の上記レールの硬度を予測するレールの硬度予測方法であって、
   　冷却開始前のレールの表面温度と強制冷却のための上記冷却設備の操業条件とを少なくとも有する冷却条件データセットを入力データとして、上記強制冷却後のレールの少なくともレール頭部の内部の硬度を出力データとして演算するための物理モデルである内部硬度演算モデルを用いて、上記冷却条件データセットと上記硬度の出力データとからなる学習用データを複数組、取得しておき、
   　取得した複数組の学習用データを用いた機械学習により、上記冷却条件データセットを少なくとも入力データとし上記強制冷却後のレール内部の硬度に関する情報を出力データとする硬度予測モデルを予め生成し、
   　上記硬度予測モデルを用いて求められる、上記熱処理工程の冷却条件として設定される一組の冷却条件データセットに対するレール内部の硬度に関する情報に基づき、上記熱処理工程後のレールの硬度を予測する、
   　ことを特徴とする熱処理レールの硬度予測方法。
2. 　上記内部硬度演算モデルを用いて演算される出力データは、少なくともレール表面から予め設定した深さまでの領域における硬度分布であることを特徴とする請求項１に記載した熱処理レールの硬度予測方法。
3. 　上記内部硬度演算モデルは、
   　上記冷却設備を用いた熱処理の際のレール表面の熱伝達係数を計算する熱伝達係数計算部と、
   　上記熱伝達係数計算部が算出した熱伝達係数を境界条件として、上記熱処理による上記レール内部の温度履歴計算を行う熱伝導計算部と、
   　上記熱伝導計算部が算出した温度履歴計算に基づくレール内部の温度分布から、相変態を考慮したレール内部の組織予測を行う組織計算部と、
   　上記組織計算部が算出したレール内部の組織予測に基づくレール内部の組織分布から、レール内部の硬度を算出する硬度計算部と、
   　を備えることを特徴とする請求項１又は請求項２に記載した熱処理レールの硬度予測方法。
4. 　オーステナイト域温度以上の温度になっているレールを冷却設備で強制冷却する熱処理工程を有する熱処理レールの熱処理方法であって、
   　冷却開始前のレールの表面温度を測定し、
   　上記冷却設備でのレールの冷却開始前に、測定したレールの表面温度を用いて、請求項１～請求項３のいずれか１項に記載の熱処理レールの硬度予測方法によって、レール内部の硬度を予測し、
   　予測したレール内部の硬度が目標とする硬度の範囲外の場合、予測したレール内部の硬度が目標とする硬度の範囲内に収まるように、上記冷却設備の操業条件を再設定することを特徴とする熱処理レールの熱処理方法。
5. 　上記再設定する冷却設備の操業条件は、上記冷却設備でレールに向けて噴射される冷却媒体の噴射圧力、噴射距離、噴射位置、及び噴射時間のうち、少なくとも一つの操業条件を含むことを特徴とする請求項４に記載した熱処理レールの熱処理方法。
6. 　上記冷却設備は、冷却対象のレールの長手方向に沿って配置された複数の冷却ゾーンを有し、
   　上記冷却設備の操業条件の再設定は、その各冷却ゾーン毎に個別に操業条件の再設定を実行することを特徴とする請求項４又は請求項５に記載した熱処理レールの熱処理方法。
7. 　オーステナイト域温度以上の温度となっているレールを冷却設備で強制冷却した後の上記レールの硬度を、上記冷却設備での冷却開始前のレールの表面温度と強制冷却のための上記冷却設備の操業条件とを少なくとも有する冷却条件データセットから求めるための硬度予測モデルの生成方法であって、
   　上記冷却条件データセットを入力データとして、上記強制冷却後のレールの少なくともレール頭部の内部の硬度を出力データとして演算するための物理モデルである内部硬度演算モデルを用いて、上記冷却条件データセットと上記硬度の出力データとからなる学習用データを複数組、取得し、
   　取得した複数組の学習用データを用いた機械学習により、上記冷却条件データセットを少なくとも入力データとし上記強制冷却後のレール内部の硬度に関する情報を出力データとする硬度予測モデルを予め生成する、
   　ことを特徴とする硬度予測モデルの生成方法。
8. 　上記内部硬度演算モデルを用いて演算される出力データは、少なくともレール表面から予め設定した深さまでの領域における硬度分布であることを特徴とする請求項７に記載した硬度予測モデルの生成方法。
9. 　上記硬度予測モデルは、ニューラルネットワークモデル、ランダムフォレスト、又はＳＶＭ回帰で学習されたモデルであることを特徴とする請求項７又は請求項８に記載した硬度予測モデルの生成方法。
10. 　請求項４～請求項６のいずれ１項に記載の熱処理レールの熱処理方法を有する、熱処理レールの製造方法。
11. 　オーステナイト域温度以上の温度となっているレールを冷却設備で強制冷却する熱処理工程後の上記レールの硬度を予測するレールの硬度予測装置であって、
    　冷却開始前のレールの表面温度と強制冷却のための上記冷却設備の操業条件とを少なくとも有する冷却条件データセットを入力データとして、上記強制冷却後のレールの少なくともレール頭部の内部の硬度を出力データとして演算するための物理モデルである内部硬度演算モデルを用いて演算した、上記冷却条件データセットと上記硬度の出力データとからなる学習用データを複数組、格納しているデータベースと、
    　上記複数組の学習用データを用いた機械学習により、上記冷却条件データセットを少なくとも入力データとし上記強制冷却後のレール内部の硬度に関する情報を出力データとする硬度予測モデルを生成する硬度予測モデル生成部と、
    　冷却開始前のレールの表面温度を測定する温度計と、
    　上記温度計が測定した測定値と上記硬度予測モデルを用いて、上記熱処理工程の冷却条件として設定される一組の冷却条件データセットに対するレール内部の硬度に関する情報に基づき、上記熱処理工程後のレールの硬度を予測する硬度予測部と、
    　を備えることを特徴とする熱処理レールの硬度予測装置。
12. 　上記内部硬度演算モデルを用いて演算される出力データは、少なくともレール表面から予め設定した深さまでの領域における硬度分布であることを特徴とする請求項１１に記載した熱処理レールの硬度予測装置。
13. 　上記内部硬度演算モデルは、
    　上記冷却設備を用いた熱処理の際のレール表面の熱伝達係数を計算する熱伝達係数計算部と、
    　上記熱伝達係数計算部が算出した熱伝達係数を境界条件として、上記熱処理による上記レール内部の温度履歴計算を行う熱伝導計算部と、
    　上記熱伝導計算部が算出した温度履歴計算に基づくレール内部の温度分布から、相変態を考慮したレール内部の組織予測を行う組織計算部と、
    　上記組織計算部が算出したレール内部の組織予測に基づくレール内部の組織分布から、レール内部の硬度を算出する硬度計算部と、
    　を備えることを特徴とする請求項１１又は請求項１２に記載した熱処理レールの硬度予測装置。
14. 　オーステナイト域温度以上の温度になっているレールを冷却設備で強制冷却する熱処理工程を有するレールの熱処理装置であって、
    　上記冷却設備でのレールの冷却開始前に、請求項１１～請求項１３のいずれか１項に記載の熱処理レールの硬度予測装置によって、レール内部の硬度を予測する硬度予測部と、
    　上記硬度予測部が予測したレール内部の硬度が目標とする硬度の範囲外の場合、予測したレール内部の硬度が目標とする硬度の範囲内に収まるように、上記冷却設備の操業条件を再設定する操業条件再設定部と、
    　を備えることを特徴とする熱処理レールの熱処理装置。
15. 　上記再設定する冷却設備の操業条件は、上記冷却設備でレールに向けて噴射される冷却媒体の噴射圧力、噴射距離、噴射位置、及び噴射時間のうち、少なくとも一つの操業条件を含むことを特徴とする請求項１４に記載した熱処理レールの熱処理装置。
16. 　請求項１４又は請求項１５に記載の熱処理レールの熱処理装置を備える熱処理レールの製造設備。

Images