WO2022038751A1 - 熱間圧延ラインの制御装置 - Google Patents

熱間圧延ラインの制御装置 Download PDF

Info

Publication number
WO2022038751A1
WO2022038751A1 PCT/JP2020/031494 JP2020031494W WO2022038751A1 WO 2022038751 A1 WO2022038751 A1 WO 2022038751A1 JP 2020031494 W JP2020031494 W JP 2020031494W WO 2022038751 A1 WO2022038751 A1 WO 2022038751A1
Authority
WO
WIPO (PCT)
Prior art keywords
rolled material
value
hot rolling
coiler
control device
Prior art date
Application number
PCT/JP2020/031494
Other languages
English (en)
French (fr)
Inventor
敦 鈴木
光彦 佐野
Original Assignee
東芝三菱電機産業システム株式会社
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 東芝三菱電機産業システム株式会社 filed Critical 東芝三菱電機産業システム株式会社
Priority to PCT/JP2020/031494 priority Critical patent/WO2022038751A1/ja
Priority to CN202080065771.2A priority patent/CN114423537A/zh
Priority to JP2021534898A priority patent/JP7156538B2/ja
Publication of WO2022038751A1 publication Critical patent/WO2022038751A1/ja

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B45/00—Devices for surface or other treatment of work, specially combined with or arranged in, or specially adapted for use in connection with, metal-rolling mills
    • B21B45/02—Devices for surface or other treatment of work, specially combined with or arranged in, or specially adapted for use in connection with, metal-rolling mills for lubricating, cooling, or cleaning
    • B21B45/0203—Cooling
    • B21B45/0209—Cooling devices, e.g. using gaseous coolants
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B21B37/46—Roll speed or drive motor control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B21B37/74—Temperature control, e.g. by cooling or heating the rolls or the product
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B21B37/74—Temperature control, e.g. by cooling or heating the rolls or the product
    • B21B37/76—Cooling control on the run-out table
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B38/00—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product
    • B21B38/006—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product for measuring temperature

Definitions

  • This disclosure relates to a control device for a hot rolling line.
  • Patent Document 1 discloses a control device for a hot rolling line.
  • the control device feedforwardly controls the amount of cooling of the rolled material by the cooling device based on the learning result of the take-up temperature.
  • An object of the present disclosure is to provide a hot rolling line control device capable of improving the accuracy in feedforward control of the cooling amount of a rolled material by a cooling device.
  • the control device for the hot rolling line predicts the temperature of the rolled material in the hot rolling line in which the rolled material rolled by the finish rolling mill is injected with water by the cooling device, cooled, and then wound by the take-up coiler.
  • a storage unit that stores information on the prediction error of the passing speed of the rolled material in the cooling device used for the temperature model, and the rolled material rolled by the finishing rolling mill are injected with water by the cooling device and cooled, and then the winding is performed.
  • the learning value of the prediction error of the passing speed of the rolled material is calculated based on the actual value of the passing speed of the rolled material, and the storage is based on the learning value of the prediction error of the passing speed of the rolled material. It is equipped with a learning unit that updates information on the prediction error of the passing speed of the rolled material stored in the unit.
  • the control device for the hot rolling line predicts the temperature of the rolled material in the hot rolling line in which the rolled material rolled by the finish rolling mill is injected with water by the cooling device, cooled, and then wound by the take-up coiler.
  • a storage unit that stores information on the prediction error of the coiler deceleration start timing used in the temperature model, and the rolled material rolled by the finishing rolling mill 1 are injected with water by the cooling device to be cooled and then wound by the winding coiler.
  • the learning value of the prediction error of the coiler deceleration start timing was calculated based on the actual value of the line speed in the coiler deceleration section, and stored in the storage unit based on the learning value of the prediction error of the coiler deceleration start timing. It is equipped with a learning unit that updates information on the prediction error of the roller deceleration start timing.
  • the control device for the hot rolling line is a hot rolling line in which the rolled material rolled by the finish rolling mill is injected with water by a cooling device, cooled, and then wound by a take-up coiler.
  • the period from passing through the take-up thermometer provided between the cooling device and the take-up coiler to reaching the take-up coiler at the tail end of the rolled material is divided into a first half part and a second half part.
  • a storage unit that stores information on actual values of line speeds at a plurality of points in the first half and information on actual values of line speeds at a plurality of points in the second half, and information stored in the storage unit.
  • the actual value of multiple line speeds in the first half is used as the input layer, and the actual value of multiple line speeds in the second half is used as the output layer. It is provided with a prediction unit that calculates predicted values of line speeds at a plurality of points in the latter half by calculating an output layer using a neural network trained by the training unit using actual values as an input layer.
  • the control device for the hot rolling line is a hot rolling line in which the rolled material rolled by the finish rolling mill is injected with water by a cooling device, cooled, and then wound by a take-up coiler.
  • Actual values of line speeds at multiple points from passing through the take-up thermometer provided between the cooling device and the take-up coiler to the time when the tail end of the rolled material reaches the take-up coiler.
  • the storage unit that stores the information of It is equipped with a learning unit that performs filtering learning of the prediction error of the line speed.
  • FIG. 1 It is a block diagram of the main part of the hot rolling line to which the control device of the hot rolling line in Embodiment 1 is applied. It is a perspective view of the cut plate to which the control device of the hot rolling line in Embodiment 1 is applied. It is a figure which shows the predicted value of the temperature of the cut plate calculated by the control device of the hot rolling line in Embodiment 1. FIG. It is a figure which shows the predicted value and the actual value of the passing speed of the cutting plate in the ROT cooling device to which the control device of the hot rolling line in Embodiment 1 is applied. It is a figure which shows the learning table of the control device of the hot rolling line in Embodiment 1. FIG.
  • FIG. It is a figure for demonstrating the method which uses the learning value of the prediction error of the passing speed of a cutting plate in the control apparatus of the hot rolling line in Embodiment 1.
  • FIG. It is a figure which shows the predicted value of the temperature drop of a cutting plate by the control device of a hot rolling line in Embodiment 1.
  • FIG. It is a figure which shows the modification of the learning table of the control device of the hot rolling line in Embodiment 1.
  • FIG. It is a hardware block diagram of the control device of the hot rolling line in Embodiment 1.
  • FIG. It is a figure which shows the speed of the hot rolling line by the control of the control device of the hot rolling line in Embodiment 2.
  • FIG. 2 It is a figure which shows the predicted value and the actual value of the speed of a hot rolling line by the control device of a hot rolling line in Embodiment 2.
  • FIG. It is a figure which shows the start prediction timing and the start actual start timing of the coiler deceleration of the hot rolling line to which the control device of the hot rolling line in Embodiment 2 is applied.
  • FIG. It is a figure for demonstrating the method of using the learning value of the prediction error of the coiler deceleration start timing in the control device of the hot rolling line in Embodiment 2.
  • FIG. 2 It is a figure which shows the predicted value of the temperature drop of a cutting plate by the control device of a hot rolling line in Embodiment 2.
  • FIG. It is a figure which shows the actual value of the speed of the hot rolling line to which the control device 7 of the hot rolling line in Embodiment 2 is applied, and the actual value of the coiler deceleration rate.
  • FIG. 3 It is a figure which shows the example of the calculation of the training of the neural network by the control device of the hot rolling line in Embodiment 3.
  • FIG. It is a figure which shows the learning table of the control device of the hot rolling line in Embodiment 3.
  • FIG. It is a figure which shows the speed of the hot rolling line to which the control device of the hot rolling line in Embodiment 4 is applied. It is a figure which shows the learning table of the control device of the hot rolling line in Embodiment 4.
  • FIG. 1 is a block diagram of a main part of a hot rolling line to which a control device for a hot rolling line according to the first embodiment is applied.
  • the finish rolling mill 1 is provided on the downstream side of the rough rolling mill (not shown).
  • the ROT cooling device 2 is provided on the downstream side of the finish rolling mill 1.
  • the pinch roll 3 is provided on the downstream side of the ROT cooling device 2.
  • the take-up coiler 4 is provided on the downstream side of the pinch roll 3.
  • the ROT cooling device 2 includes a water injection device.
  • the water injection device is divided into a plurality of banks in the cooling water supply system. Multiple banks are lined up in the length direction of the hot rolling line. Each of the plurality of banks is provided with a plurality of water injection valves. Multiple water injection valves are lined up in the length direction of the hot rolling line. A plurality of nozzles are provided for each of the plurality of water injection valves. The plurality of nozzles are arranged in the width direction of the hot rolling line.
  • the finish rolling mill exit side thermometer 5 is provided between the finish rolling mill 1 and the ROT cooling device 2.
  • the take-up thermometer 6 is provided between the ROT cooling device 2 and the pinch roll 3.
  • the finish rolling mill 1 finish-rolls the rolled material.
  • the finish rolling mill exit side thermometer 5 measures the initial temperature of the total length of the rolled material as an FDT actual value before cooling.
  • the ROT cooling device 2 cools the rolled material by injecting water at a constant pressure.
  • the take-up thermometer 6 measures the initial temperature of the entire length of the rolled material as a CT actual value.
  • the take-up coiler 4 winds up the rolled material.
  • the control device 7 includes a storage unit 7a, a learning unit 7b, and a control unit 7c.
  • the control device 7 controls the speed of the rolling material by the final stand of the finishing rolling mill 1 by the control unit 7c. At this time, the control device 7 controls the torque of the mandrel which is the winding center of the winding coiler 4 in order to keep the winding shape of the rolled material by the winding coiler 4 good by the control unit 7c.
  • the torque reference at this time is the tension between the final stand of the finishing rolling mill 1 and the mandrel of the take-up coiler 4 in consideration of the calculated value of the radius of the coil at that time and the torque required for bending the rolled material.
  • the value is set so as to be a preset tension reference value.
  • the radius of the coil is calculated from the number of rotations of the mandrel of the take-up coiler 4, the plate thickness of the rolled material, and the space factor of the rolled material.
  • the control device 7 controls the control unit 7c to sandwich the rolled material with the pinch roll 3 at a preset pressure in order to maintain a good winding shape of the rolled material in the take-up coiler 4.
  • tension is generated between the pinch roll 3 and the mandrel of the take-up coiler 4.
  • the control device 7 controls the torque of the mandrel of the take-up coiler 4 by the control unit 7c.
  • the torque reference at this time is set so that the tension between the pinch roll 3 and the mandrel of the take-up coiler 4 becomes a preset tension reference value.
  • the control device 7 feed-forward controls the ROT cooling device 2 by the control unit 7c, starting from the FDT actual value of each cutting plate measured by the finish rolling mill exit side thermometer 5. Specifically, the control device 7 starts at the FDT actual value of each cutting plate measured by the finishing rolling mill exit side thermometer 5 by the control unit 7c, and predicts the final winding temperature of the rolled material. Calculates the predicted temperature of each cutting plate on the entry side and the exit side of each bank of the ROT cooling device 2 so that the temperature matches the target value of the winding temperature. At this time, the control device 7 calculates the temperature drop of each cutting plate in each bank by using the temperature model by the control unit 7c. The control device 7 adds the learning value stored in the learning table of the storage unit 7a to the predicted value of the passing speed of each cutting plate used in the temperature model by the control unit 7c.
  • the control device 7 updates the amount of cooling water in each bank by the control unit 7c, and cuts each in each bank. Recalculate the plate temperature drop.
  • the control device 7 controls the opening and closing of all valves in the ROT cooling device 2 in order of priority so as to satisfy the cooling water amount by the control unit 7c.
  • the control device 7 uses the learning unit 7b to obtain the actual value of the rotation angular velocity of the work roll of the final stand of the finishing rolling mill 1 ⁇ F7 res , the roll diameter RF7 , the actual value of the rotation angular velocity of the take-up coiler 4, ⁇ DC res , and the coil.
  • the actual value of the passing speed of each cutting plate passing through the ROT cooling device 2 is calculated from the radius R DC of.
  • the control device 7 uses the actual value and radius of the rotational angular velocity of the lower pinch roll 3 instead of the actual value ⁇ DC res of the rotational angular velocity of the take-up coiler 4 and the radius R DC of the coil by the learning unit 7b.
  • control device 7 Each time the entire rolled material is wound by the take-up coiler 4, the control device 7 is subjected to the learning unit 7b of each cut plate based on the actual value of the passing speed of each cut plate passing through the ROT cooling device 2. Calculate the learning value of the passing speed.
  • the control device 7 updates the information of the prediction error of the passing speed of the rolled material stored in the storage unit 7a based on the learning value of the prediction error of the passing speed of the rolled material by the learning unit 7b.
  • FIG. 2 is a perspective view of a cutting plate to which the control device for the hot rolling line according to the first embodiment is applied.
  • the heat input / output is calculated after the rolled material is virtually divided into cutting plates of a certain length.
  • the constant length is set between 3 m and 5 m.
  • h w is a water-cooled heat transfer coefficient (W / mm 2 / ° C.).
  • a w is the area (mm 2 ) of the upper and lower surfaces of the cutting plate that comes into contact with the cooling water.
  • a w changes depending on the number of water injection valves opened in each bank.
  • T surf is the surface temperature (° C.) of the cutting plate.
  • T w is the temperature (° C.) of the cooling water.
  • ⁇ T i is the drop temperature (° C.) of the cutting plate k in the bank i.
  • i is the bank number.
  • t is the time (s).
  • l k is the length (mm) of the cutting plate k in the traveling direction.
  • H k is the plate thickness (mm) of the cutting plate k.
  • B k is the width (mm) of the cutting plate k.
  • ⁇ is the density of the cutting plate k (kg / mm 3 ).
  • CP is the specific heat (J / kg / ° C.) of the cutting plate k.
  • Li is the length of the bank i .
  • v k i (m / s) is the passing speed of the cutting plate k in the bank i.
  • FIG. 3 is a diagram showing predicted values of the temperature of the cutting plate calculated by the control device for the hot rolling line in the first embodiment.
  • FIG. 3 shows a predicted value of the temperature of the cutting plate when the passing speed of the cutting plate is assumed to be constant in one bank.
  • the control device 7 calculates the predicted value of the temperature of each cutting plate on the entry side and the exit side of each bank using the equations (1) and (2). According to the right side of the equation (2), the rate of decrease of the predicted value of the temperature of the cutting plate changes depending on the passing speed of the cutting plate.
  • FIG. 4 is a diagram showing predicted values and actual values of the passing speed of the cutting plate in the ROT cooling device to which the control device for the hot rolling line according to the first embodiment is applied.
  • the cooling phenomenon of the cutting plate differs between when the cutting plate moves at high speed and when the cutting plate is stationary. Therefore, in the cooling phenomenon, the influence of the passing speed of the cutting plate is taken into consideration.
  • the water-cooled heat transfer coefficient hwi in the bank i is expressed by the following equation (3).
  • f wi W / mm 2 / ° C.
  • V 0 m / s
  • b w ( ⁇ ) is an adjustment coefficient.
  • the rate of decrease of the predicted value of the temperature of the cutting plate changes greatly depending on the passing speed of the cutting plate.
  • the control device 7 learns the prediction error of the passing speed of the cut plate after the rolled material has passed through the final stand of the finishing rolling mill 1.
  • the cutting plate k passes through the fourth bank from the upstream side.
  • the control device 7 stores the information of the predicted value of the passing speed of the cutting plate k and the information of the actual value in association with the information of the position in the longitudinal direction of the ROT cooling device 2.
  • the control device 7 determines the average value of the difference between the predicted value vd ki and the actual value v k i of the passing speed of the cutting plate k in the fourth bank to the nth bank from the upstream side Verror CUR (k). To calculate. Specifically, the control device 7 calculates the Verror CUR (k) using the following (4).
  • control device 7 performs filtering update on the average value Verror CUR ( k ) of the difference between the predicted value vd ki of the passing speed of the cutting plate k and the actual value vki . Specifically, the control device 7 performs filtering update using the following equation (5).
  • Error new (k) is a learning value of the passing speed of the cutting plate k after the filtering update.
  • Verror old (k) is a learning value of the passing speed of the cutting plate k before the filtering update.
  • ⁇ is the learning gain.
  • ⁇ is a value of 0 or more and 1 or less.
  • FIG. 5 is a diagram showing a learning table of the control device for the hot rolling line according to the first embodiment.
  • the information of "learning value (m / s)" includes the information of "steel grade", the information of "target plate thickness (mm)", and the information of "cut plate number”. Is associated with.
  • the information of "learning value (m / s)” is information indicating the learning value of the passing speed of the cutting plate before the filtering update.
  • the information of "steel type” is information indicating the material of the rolled material.
  • the information of "target plate thickness (mm)” is information indicating the target plate thickness of the rolled product.
  • the information of the "cut plate number” is the information indicating the number for identifying the cut plate.
  • FIG. 6 is a diagram for explaining a method of using the learning value of the prediction error of the passing speed of the cutting plate in the control device of the hot rolling line in the first embodiment.
  • control device 7 uses a learning value Verrorold (k ) as a predicted value of the passing speed of the cut plate k in each bank that the rolled material passes after passing through the final stand of the finishing rolling mill 1. ) Is added.
  • FIG. 7 is a diagram showing a predicted value of the temperature drop of the cutting plate by the control device of the hot rolling line in the first embodiment.
  • the predicted value of the temperature drop of the cutting plate is also corrected on the entry side and the exit side of each bank through which the rolled material passes after passing through the final stand of the finishing rolling mill 1.
  • the control device 7 updates the information of the prediction error of the passing speed of the rolled material. Therefore, it is possible to improve the accuracy in feedforward control of the cooling amount of the rolled material by the cooling device.
  • control device 7 learns the prediction error of the passing speed for each of the plurality of cutting plates. Therefore, it is possible to more reliably improve the accuracy when feedforward controlling the cooling amount of the rolled material by the cooling device.
  • control device 7 switches from the final stand of the finishing rolling mill 1 in which the speed reference of the hot rolling line passes through the final stand of the finishing rolling mill 1 to the winding coiler 4 in which the tension is controlled. After the timing, the prediction error of the passing speed of the cutting plate passing through the cooling device is learned. Therefore, it is possible to efficiently learn only the points where the prediction error of the passing speed of the cutting plate becomes large.
  • control device 7 stores the information of the learning value in association with the information of the steel grade of the cutting plate and the information of the target plate thickness. Therefore, it is possible to more reliably improve the accuracy when feedforward controlling the cooling amount of the rolled material by the cooling device.
  • control device 7 learns the average value of the prediction errors of the passing speeds of the plurality of banks of the cooling device after the rolled material passes through the final stand of the finishing rolling mill 1 for each of the number of cutting plates. Therefore, it is possible to efficiently learn only the points where the prediction error of the passing speed of the cutting plate becomes large.
  • FIG. 8 is a diagram showing a modified example of the learning table of the control device for the hot rolling line according to the first embodiment.
  • the information of "learning value (m / s)" includes the information of "steel grade", the information of "target plate thickness (mm)", the information of "Part”, and “corresponding”. It is associated with the information of "cutting plate number to be used”.
  • the "Part” information is information indicating a portion of the rolled material in the longitudinal direction. Specifically, the information of "Head” is information indicating the tip end portion in the longitudinal direction of the rolled material. The information of "Middle” is information indicating an intermediate portion in the longitudinal direction of the rolled material. The information of "Tail” is information indicating the tail end portion in the longitudinal direction of the rolled material.
  • the information of the "corresponding cut plate number” is the information indicating the corresponding "cut plate number" among the “cut plate numbers” in FIG. Specifically, “m to int ⁇ (nm) / 3 ⁇ ” corresponds to “h ⁇ 3" and “Head”. “H ⁇ 3" and “Middle” correspond to “int ⁇ (nm) / 3 ⁇ + 1 to int ⁇ 2 (nm) / 3 ⁇ ". “H ⁇ 3” and “Tail” correspond to “int ⁇ 2 (nm) / 3 ⁇ + 1 to n”. “3 ⁇ h ⁇ 5" and “Head” correspond to "m' ⁇ int ⁇ (n'-m') / 3 ⁇ ".
  • the "learning value (m / s)" information is information indicating the average value of the learning values of the passing speed of the cutting plate before the corresponding plurality of filtering updates.
  • the control device 7 divides the new cutting plates into three equal parts corresponding to "Head”, “Middle”, and “Tail”. Divide into the parts to which the cutting board belongs.
  • the control device 7 is a learning value of "Part” to which each cutting plate belongs to the predicted value of the passing speed of each cutting plate in each bank that the rolled material passes through after passing through the final stand of the finishing rolling mill 1. k) is added.
  • the control device 7 divides the new cutting plate into three equal parts corresponding to "Head”, “Middle”, and “Tail”, and divides the new cutting plate into parts to which each cutting plate belongs. ..
  • the control device 7 is a learning value of "Part” to which each cutting plate belongs to the predicted value of the passing speed of each cutting plate in each bank that the rolled material passes through after passing through the final stand of the finishing rolling mill 1. k) is added. Therefore, even if the setting of the length of the cutting plate is changed or the total number of cutting plates is changed, the accuracy of feed-forward control of the cooling amount of the rolled material by the cooling device can be improved more reliably. can.
  • FIG. 9 is a hardware configuration diagram of the control device for the hot rolling line according to the first embodiment.
  • Each function of the control device 7 can be realized by a processing circuit.
  • the processing circuit comprises at least one processor 100a and at least one memory 100b.
  • the processing circuit comprises at least one dedicated hardware 200.
  • each function of the control device 7 is realized by software, firmware, or a combination of software and firmware. At least one of the software and firmware is written as a program. At least one of the software and firmware is stored in at least one memory 100b. At least one processor 100a realizes each function of the control device 7 by reading and executing a program stored in at least one memory 100b. At least one processor 100a is also referred to as a central processing unit, a processing unit, an arithmetic unit, a microprocessor, a microcomputer, and a DSP.
  • At least one memory 100b is a non-volatile or volatile semiconductor memory such as RAM, ROM, flash memory, EPROM, EEPROM, a magnetic disk, a flexible disk, an optical disk, a compact disk, a mini disk, a DVD, or the like.
  • the processing circuit comprises at least one dedicated hardware 200
  • the processing circuit may be implemented, for example, as a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, an ASIC, an FPGA, or a combination thereof.
  • each function of the control device 7 is realized by a processing circuit.
  • each function of the control device 7 is collectively realized by a processing circuit.
  • a part may be realized by the dedicated hardware 200, and the other part may be realized by software or firmware.
  • the function of the control unit 7c is realized by a processing circuit as dedicated hardware 200, and for the functions other than the function of the control unit 7c, at least one processor 100a reads a program stored in at least one memory 100b. It may be realized by executing the above.
  • the processing circuit realizes each function of the control device 7 by hardware 200, software, firmware, or a combination thereof.
  • FIG. 10 is a diagram showing the speed of the hot rolling line under the control of the control device for the hot rolling line according to the second embodiment.
  • the same or corresponding parts as those of the first embodiment are designated by the same reference numerals. The explanation of this part is omitted.
  • the control device 7 feed-forward controls the ROT cooling device 2 with the FDT actual value of each cutting plate measured by the finish rolling mill exit side thermometer 5 as the starting point, the coiler deceleration start timing used for the temperature model is set.
  • the learning value stored in the learning table is added to the predicted value.
  • the control device 7 uses the learning value of the deceleration rate stored in the learning table.
  • the control device 7 uses the learning value information of the coiler deceleration start timing and the learning value information of the deceleration rate in the learning table based on the actual value of the line speed.
  • FIG. 11 is a diagram showing predicted values and actual values of the speed of the hot rolling line by the control device for the hot rolling line in the second embodiment.
  • the control device 7 uses the following equation (6) to mean the average value of the line speed prediction error va line error (m / s). To calculate.
  • td DS (s) is the predicted time for starting the deceleration of the coiler.
  • v line res (t) (m / s) is the actual value of the line speed at time t.
  • vd line (t) (m / s) is a predicted value of the line speed at time t.
  • the control device 7 sets the actual value of the peripheral speed of the final stand of the finishing rolling mill 1 as the actual value of the line speed. After the tail end of the rolled material passes through the final stand of the finishing rolling mill 1, the control device 7 sets the actual value of the peripheral speed of the lower pinch roll 3 as the actual value of the line speed.
  • FIG. 12 is a diagram showing a start prediction timing and a start actual timing of the coiler deceleration of the hot rolling line to which the control device of the hot rolling line according to the second embodiment is applied.
  • the control device 7 calculates the learning value Z DS CUR (s) of the prediction error of the coiler deceleration start timing using the following equation (7).
  • ad CD (m / s 2 ) is the predicted rate of coiler deceleration.
  • the ad CD is expressed by the following equation (8).
  • the control device 7 performs filtering update for the learning value Z DS CUR (s) of the prediction error of the coiler deceleration start timing. Specifically, the control device 7 performs filtering update using the following equation (9).
  • Z DS new (s) is a learning value of the prediction error of the coiler deceleration start timing after the filtering update.
  • Z DS old (s) is a learning value of the prediction error of the coiler deceleration start timing before the filtering update.
  • ⁇ is the learning gain.
  • ⁇ is a value of 0 or more and 1 or less.
  • FIG. 13 is a diagram showing a learning table of the control device for the hot rolling line according to the first embodiment.
  • the learning value is stored in the cell corresponding to the information of "steel grade” and the information of "plate thickness".
  • FIG. 14 is a diagram for explaining a method of using the learning value of the prediction error of the coiler deceleration start timing in the control device of the hot rolling line according to the second embodiment.
  • control device 7 corrects the prediction of the timing of the start of coiler deceleration by the learning value Z DS old (s) in the prediction of the line speed on the time axis.
  • FIG. 15 is a diagram showing a predicted value of a temperature drop of a cutting plate by a control device for a hot rolling line in the second embodiment.
  • the predicted value of the temperature drop of the cutting plate is also corrected on the entry side and the exit side of each bank through which the rolled material passes after passing through the final stand of the finishing rolling mill 1.
  • FIG. 16 is a diagram showing an actual value of the speed of the hot rolling line to which the control device 7 of the hot rolling line according to the second embodiment is applied and an actual value of the coiler deceleration rate.
  • the control device 7 performs filtering update with respect to the predicted value of the coiler deceleration rate.
  • the control device 7 linearly approximates the actual value of the line speed by the least squares method after the winding of the rolled material is completed, and then the slope of the straight line is the actual result of the coiler deceleration rate.
  • a CD CUR (m / s 2 ).
  • the control device 7 calculates the a CD CUR using the following equation (10) for the a CD CUR .
  • control device 7 After that, the control device 7 performs filtering update for the predicted value of the coiler deceleration rate. Specifically, the control device 7 performs filtering update using the following equation (11).
  • ad CD new is a learning value of the coiler deceleration rate after the filtering update.
  • ad CD old is a learning value of the coiler deceleration rate before the filtering update.
  • ⁇ CD is the learning gain.
  • ⁇ CD is a value of 0 or more and 1 or less.
  • the learning value is stored in the cell in the information of "steel grade” and the information of "plate thickness".
  • the control device 7 updates the information of the prediction error of the coiler deceleration start timing. Therefore, even when the coiler deceleration is performed, it is possible to improve the accuracy in feedforward control of the cooling amount of the rolled material by the cooling device.
  • control device 7 calculates the learning value of the coiler deceleration start timing so that the predicted value of the line speed changes by the average value of the line speed prediction error in the coiler deceleration section at the intermediate point of the coiler deceleration section. .. Therefore, the prediction error of the coiler deceleration start timing can be easily calculated.
  • control device 7 stores the information of the learning value in association with the information of the steel grade of the cutting plate and the information of the target plate thickness. Therefore, it is possible to more reliably improve the accuracy when feedforward controlling the cooling amount of the rolled material by the cooling device.
  • control device 7 learns by filtering the predicted value of the coiler deceleration rate based on the actual value of the coiler deceleration rate. Therefore, it is possible to more reliably improve the accuracy when feedforward controlling the cooling amount of the rolled material by the cooling device.
  • FIG. 17 is a diagram showing the speed of the hot rolling line to which the control device for the hot rolling line according to the third embodiment is applied.
  • the same or corresponding parts as those of the first embodiment are designated by the same reference numerals. The explanation of this part is omitted.
  • control device 7 learns the change in the line speed due to the coiler deceleration after the tail end of the rolled material passes through the final stand of the finishing rolling mill 1 by the neural network.
  • the control device 7 trains the neural network by the training unit 7d.
  • the control device 7 calculates the predicted value of the line speed by the prediction unit 7e using the neural network.
  • the "first half” is a section from the tip of the rolled material passing through the take-up thermometer 6 to the middle part of the rolled material passing through the take-up thermometer 6.
  • the "second half” is a section from the middle portion of the rolled material passing through the take-up thermometer 6 to the tail end portion of the rolled material reaching the take-up coiler 4.
  • control device 7 collects 10 actual line speed values at equal intervals in the "first half" and "second half".
  • the control device 7 uses the actual value of the "first half” as the "input group”.
  • the control device 7 uses the actual value of the "second half” as the "output group”.
  • the boundary between the "first half” and the “second half” is set based on the "start of deceleration", but it may be about half of the total length of the rolled material (40% to 60%).
  • the number of actual values collected is not limited. For example, with the boundary between the "first half” and the “second half” as the position of 40% of the total length of the rolled material, 10 actual values were collected in the "first half” and 20 points were collected in the "second half”. You may collect the value.
  • the control device 7 predicts 10 points of the "second half” line speed pattern using a trained neural network, and corrects the "second half” line speed pattern. Specifically, when the intermediate portion of the rolled material passes through the finish rolling mill exit side thermometer 5 and 10 points of the actual value of the line speed of the "first half portion" are obtained, the control device 7 is concerned. The 10 points, the plate thickness, and the number of the steel grade classification to which the One-hot encoding is applied are input to the neural network. The control device 7 linearly connects 10 points of the predicted values of the line speed pattern of the "second half” obtained as the output of the neural network to obtain the predicted value of the new line speed pattern of the "second half". For the cutting plate that passes through the finish rolling mill exit side thermometer 5 after the predicted value of the new line speed pattern is obtained, the control device 7 uses the temperature model based on the predicted value of the new line speed pattern. The ROT cooling device 2 is feed-forward controlled.
  • the control device 7 stores the data required for the neural network in the database. When the data for a certain number of rolled materials are accumulated, the control device 7 adds the data to the training data and executes the training of the neuron.
  • FIG. 18 is a diagram showing an input layer, an output layer, and an intermediate layer of the neural network used by the control device for the hot rolling line in the third embodiment.
  • the neural network includes an input layer, an intermediate layer, and an output layer.
  • the input layer, the intermediate layer, and the output layer are connected in order.
  • the middle layer is at least one layer. It has an input layer, an intermediate layer, an output layer, and at least one neuron.
  • each neuron is associated with all neurons in the anterior and posterior layers.
  • each neuron is associated with some neurons in the anterior and posterior layers.
  • the control device 7 trains the neural network.
  • the control device 7 reads the number of the steel type classification of a large number of rolled materials, the plate thickness, and the actual data of the line speed from the past rolling actual data.
  • the steel type classification is mainly based on the chemical composition.
  • the actual line speed data is data of several hundred points collected from the tip to the tail of the rolled material. For example, these performance data are used for thousands of products.
  • One-hot encoding is applied to the steel type classification number. For example, if the steel grade classification number ranges from 1 to 15, 15 variables, which are the total number, are prepared. When the steel grade classification number of the rolled material is 3, the third variable is 1. Variables other than the third are set to 0.
  • the classification number of the steel grade by One-Hot encoding, the plate thickness, and the actual value of the line speed of 10 points in the "first half" are input. For example, if the steel class number ranges from 1 to 15, the number of neurons in the input layer will be 26.
  • the actual value of the line speed of 10 points in the "second half" is input to each neuron in the output layer.
  • the number of neurons in the output layer is 10.
  • the number of neurons in the middle layer is sufficiently larger than the number of neurons in the input layer and the output layer.
  • the number of neurons in each layer is 128.
  • FIG. 19 is a diagram showing an example of calculation of training of a neural network by a control device for a hot rolling line in the third embodiment.
  • the input V 1 F and the input V 2 F are neurons in the input layer.
  • N 1 F is a neuron in the middle layer.
  • the input V 1 F and the input V 2 F are input to the neuron N 1 F.
  • the bias b is required.
  • the value a 1 F is obtained.
  • the value a 1 F is converted by the activation function h 1 F.
  • each predicted value of the output layer is calculated.
  • the mean square error mes of each predicted value of the output layer is calculated by the following equation (12).
  • the control device 7 adjusts the weight w and the bias b of each neuron so that the mes is below a certain reference value.
  • the control device 7 stores the weight w and the bias b of each neuron in the learning table.
  • FIG. 20 is a diagram showing a learning table of the control device for the hot rolling line according to the third embodiment.
  • the information of "weight w" and the information of "bias b" are associated with each other.
  • the information of "weight w” is information indicating the weight w of each neuron.
  • the information of "bias b” is information indicating the bias b of each neuron.
  • control device 7 calculates the output layer using the neural network with the actual values of the line speeds of the plurality of points in the first half as the input layer, so that the plurality of points in the second half are calculated. Calculate the predicted line speed. Therefore, it is possible to improve the accuracy in feedforward control of the cooling amount of the rolled material by the cooling device.
  • control device 7 includes the plate thickness of the rolled material and the classification number of the steel grade in the input layer, and calculates the predicted value of the line speed at a plurality of points in the latter half using the neural network. Therefore, it is possible to more reliably improve the accuracy when feedforward controlling the cooling amount of the rolled material by the cooling device.
  • control device 7 sets the weight of each neuron of the neural network so that the error between the predicted value and the actual value of the line speeds of a plurality of points in the latter half or the value of the evaluation function using the error is equal to or less than the reference value. Adjust with bias. Therefore, it is possible to more reliably improve the accuracy when feedforward controlling the cooling amount of the rolled material by the cooling device.
  • the computational load in neuron training is high. Therefore, if there is no margin in the computing power of the control device 7 during rolling, the neurons are trained at the timing when the computing power of the control device 7 has a margin, such as during roll replacement of the finishing rolling mill 1 or the like, or during the repair period. You may.
  • FIG. 21 is a diagram showing the speed of the hot rolling line to which the control device for the hot rolling line according to the fourth embodiment is applied.
  • the same or corresponding parts as those of the third embodiment are designated by the same reference numerals. The explanation of this part is omitted.
  • control device 7 feeds forward the ROT cooling device 2 with the FDT actual value of each cutting plate measured by the finish rolling mill exit side thermometer 5 as a starting point, and determines the predicted value of the line speed. Correct based on the learning value stored in the learning table.
  • the control device 7 Each time the entire rolled material is wound by the take-up coiler 4, the control device 7 has a tail end portion after the tip portion of the rolled material has passed the winding temperature with respect to the prediction pattern of the line speed on the time axis. Collect the actual value of the line speed of multiple points in the range until reaching the coiler. For example, the control device 7 collects actual values of line speeds at 10 points.
  • the control device 7 calculates the prediction error of the line speed at each time using the following equation (13).
  • the control device 7 performs filtering update for the prediction error at each time using the following equation (14).
  • Error new ( tl ) is a learning value of the line speed after the filtering update.
  • Verror old (t l ) is a learning value of the line speed before the filtering update.
  • ⁇ (l) is the learning gain.
  • ⁇ (l) is a value of 0 or more and 1 or less.
  • the control device 7 stores the information of the learning value of the prediction error of the line speed in the learning table.
  • FIG. 22 is a diagram showing a learning table of the control device for the hot rolling line according to the fourth embodiment.
  • the information of the "learning value (m / s)" is the information of the "steel grade", the information of the "target plate thickness (mm)", and the information of the "sampling number". Can be associated.
  • the information of "learning value (m / s)” is information indicating the learning value of the prediction error of the line speed before the filtering update.
  • the information of "steel type” is information indicating the material of the rolled material.
  • the information of "target plate thickness (mm)” is information indicating the target plate thickness of the rolled product.
  • the information of the “sampling number” is the information indicating the number corresponding to the time when the actual value of the line speed is sampled.
  • the control device 7 performs filtering learning of the prediction error of the line speed based on the actual value of the line speed at a plurality of points. Therefore, it is possible to improve the accuracy in feedforward control of the cooling amount of the rolled material by the cooling device.
  • control device 7 stores the information of the learning value in association with the information of the steel grade of the rolled material and the information of the target plate thickness. Therefore, it is possible to more reliably improve the accuracy when feedforward controlling the cooling amount of the rolled material by the cooling device.
  • the hot rolling line control device of the present disclosure can be used for the hot rolling line.

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Metal Rolling (AREA)

Abstract

冷却装置による圧延材の冷却量をフィードフォワード制御する際の精度を向上させることができる熱間圧延ラインの制御装置を提供する。熱間圧延ラインの制御装置は、仕上圧延機により圧延された圧延材を冷却装置により注水して冷却した後に巻取コイラで巻き取る熱間圧延ラインにおいて、圧延材の温度を予測する温度モデルに用いられる前記冷却装置における圧延材の通過速度の予測誤差の情報を記憶する記憶部と、前記仕上圧延機により圧延された圧延材を前記冷却装置により注水して冷却した後に前記巻取コイラで巻き取るたびに、圧延材の通過速度の実績値に基づいて圧延材の通過速度の予測誤差の学習値を計算し、圧延材の通過速度の予測誤差の学習値に基づいて前記記憶部に記憶された圧延材の通過速度の予測誤差の情報を更新する学習部と、を備えた。

Description

熱間圧延ラインの制御装置
　本開示は、熱間圧延ラインの制御装置に関する。
　特許文献１は、熱間圧延ラインの制御装置を開示する。当該制御装置は、巻取温度の学習結果に基づいて冷却装置による圧延材の冷却量をフィードフォワード制御する。
日本特許第２７９５７９１号公報
　しかしながら、ライン速度の予測誤差が大きいと、冷却装置による圧延材の冷却状態が変化する。この場合、特許文献１に記載された制御装置において冷却装置による圧延材の冷却量をフィードフォワード制御する際の精度が悪くなる。
　本開示は、上述の課題を解決するためになされた。本開示の目的は、冷却装置による圧延材の冷却量をフィードフォワード制御する際の精度を向上させることができる熱間圧延ラインの制御装置を提供することである。
　本開示に係る熱間圧延ラインの制御装置は、仕上圧延機により圧延された圧延材を冷却装置により注水して冷却した後に巻取コイラで巻き取る熱間圧延ラインにおいて、圧延材の温度を予測する温度モデルに用いられる前記冷却装置における圧延材の通過速度の予測誤差の情報を記憶する記憶部と、前記仕上圧延機により圧延された圧延材を前記冷却装置により注水して冷却した後に前記巻取コイラで巻き取るたびに、圧延材の通過速度の実績値に基づいて圧延材の通過速度の予測誤差の学習値を計算し、圧延材の通過速度の予測誤差の学習値に基づいて前記記憶部に記憶された圧延材の通過速度の予測誤差の情報を更新する学習部と、を備えた。
　本開示に係る熱間圧延ラインの制御装置は、仕上圧延機により圧延された圧延材を冷却装置により注水して冷却した後に巻取コイラで巻き取る熱間圧延ラインにおいて、圧延材の温度を予測する温度モデルに用いられるコイラ減速開始タイミングの予測誤差の情報を記憶する記憶部と、前記仕上圧延機１により圧延された圧延材を前記冷却装置により注水して冷却した後に前記巻取コイラで巻き取るたびに、コイラ減速区間におけるライン速度の実績値に基づいてコイラ減速開始タイミングの予測誤差の学習値を計算し、コイラ減速開始タイミングの予測誤差の学習値に基づいて前記記憶部に記憶されたコイラ減速開始タイミングの予測誤差の情報を更新する学習部と、を備えた。
　本開示に係る熱間圧延ラインの制御装置は、仕上圧延機により圧延された圧延材を冷却装置により注水して冷却した後に巻取コイラで巻き取る熱間圧延ラインにおいて、圧延材の先端部が前記冷却装置と前記巻取コイラとの間に設けられた巻取温度計を通過してから圧延材の尾端部が前記巻取コイラに到達するまでの間を前半部と後半部とに分けた際に、前半部における複数点のライン速度の実績値の情報と後半部における複数点のライン速度の実績値の情報とを記憶した記憶部と、前記記憶部に記憶された情報に基づいて、前半部における複数のライン速度の実績値を入力層とし、後半部における複数のライン速度の実績値を出力層とし、ニューラルネットワークの訓練を行う訓練部と、前半部における複数点のライン速度の実績値を入力層として前記訓練部により訓練されたニューラルネットワークを用いて出力層を計算することにより後半部における複数点のライン速度の予測値を計算する予測部と、を備えた。
　本開示に係る熱間圧延ラインの制御装置は、仕上圧延機により圧延された圧延材を冷却装置により注水して冷却した後に巻取コイラで巻き取る熱間圧延ラインにおいて、圧延材の先端部が前記冷却装置と前記巻取コイラとの間に設けられた巻取温度計を通過してから圧延材の尾端部が前記巻取コイラに到達するまでの間における複数点のライン速度の実績値の情報を記憶した記憶部と、前記仕上圧延機により圧延された圧延材を前記冷却装置により注水して冷却した後に前記巻取コイラで巻き取るたびに、複数点のライン速度の実績値に基づいてライン速度の予測誤差のフィルタリング学習を行う学習部と、を備えた。
　本開示によれば、冷却装置による圧延材の冷却量をフィードフォワード制御する際の精度を向上させることができる。
実施の形態１における熱間圧延ラインの制御装置が適用される熱間圧延ラインの要部の構成図である。 実施の形態１における熱間圧延ラインの制御装置が適用される切板の斜視図である。 実施の形態１における熱間圧延ラインの制御装置により計算された切板の温度の予測値を示す図である。 実施の形態１における熱間圧延ラインの制御装置が適用されるＲＯＴ冷却装置における切板の通過速度の予測値と実績値とを示す図である。 実施の形態１における熱間圧延ラインの制御装置の学習テーブルを示す図である。 実施の形態１における熱間圧延ラインの制御装置において切板の通過速度の予測誤差の学習値を使用する方法を説明するための図である。 実施の形態１における熱間圧延ラインの制御装置による切板の温度降下の予測値を示す図である。 実施の形態１における熱間圧延ラインの制御装置の学習テーブルの変形例を示す図である。 実施の形態１における熱間圧延ラインの制御装置のハードウェア構成図である。 実施の形態２における熱間圧延ラインの制御装置の制御による熱間圧延ラインの速度を示す図である。 実施の形態２における熱間圧延ラインの制御装置による熱間圧延ラインの速度の予測値と実績値とを示す図である。 実施の形態２における熱間圧延ラインの制御装置が適用される熱間圧延ラインのコイラ減速の開始予測タイミングと開始実績タイミングとを示す図である。 実施の形態１における熱間圧延ラインの制御装置の学習テーブルを示す図である。 実施の形態２における熱間圧延ラインの制御装置においてコイラ減速開始タイミングの予測誤差の学習値を使用する方法を説明するための図である。 実施の形態２における熱間圧延ラインの制御装置による切板の温度降下の予測値を示す図である。 実施の形態２における熱間圧延ラインの制御装置７が適用される熱間圧延ラインの速度の実績値とコイラ減速レートの実績値とを示す図である。 実施の形態３における熱間圧延ラインの制御装置が適用される熱間圧延ラインの速度を示す図である。 実施の形態３における熱間圧延ラインの制御装置が用いるニューラルネットワークの入力層と出力層と中間層とを示す図である。 実施の形態３における熱間圧延ラインの制御装置によるニューラルネットワークの訓練の演算の例を示す図である。 実施の形態３における熱間圧延ラインの制御装置の学習テーブルを示す図である。 実施の形態４における熱間圧延ラインの制御装置が適用される熱間圧延ラインの速度を示す図である。 実施の形態４における熱間圧延ラインの制御装置の学習テーブルを示す図である。
　実施の形態について添付の図面に従って説明する。なお、各図中、同一または相当する部分には同一の符号が付される。当該部分の重複説明は適宜に簡略化ないし省略する。
実施の形態１．
　図１は実施の形態１における熱間圧延ラインの制御装置が適用される熱間圧延ラインの要部の構成図である。
　図１の熱間圧延ラインにおいて、仕上圧延機１は、図示されない粗圧延機の下流側に設けられる。ＲＯＴ冷却装置２は、仕上圧延機１の下流側に設けられる。ピンチロール３は、ＲＯＴ冷却装置２の下流側に設けられる。巻取コイラ４は、ピンチロール３の下流側に設けられる。
　ＲＯＴ冷却装置２は、注水装置を備える。ＲＯＴ冷却装置２において、注水装置は、冷却水の供給系統で複数のバンクに区分される。複数のバンクは、熱間圧延ラインの長さ方向に並ぶ。複数のバンクの各々は、複数の注水バルブを備える。複数の注水バルブは、熱間圧延ラインの長さ方向に並ぶ。複数の注水バルブの各々に対し、複数のノズルが設けられる。複数のノズルは、熱間圧延ラインの幅方向に並ぶ。
　仕上圧延機出側温度計５は、仕上圧延機１とＲＯＴ冷却装置２との間に設けられる。巻取温度計６は、ＲＯＴ冷却装置２とピンチロール３との間に設けられる。
　仕上圧延機１は、圧延材を仕上圧延する。その後、仕上圧延機出側温度計５は、冷却前に当該圧延材の全長の初期温度をＦＤＴ実績値として計測する。その後、ＲＯＴ冷却装置２は、一定の圧力で注水することで当該圧延材を冷却する。その後、巻取温度計６は、当該圧延材の全長の初期温度をＣＴ実績値として計測する。その後、巻取コイラ４は、当該圧延材を巻き取る。
　制御装置７は、記憶部７ａと学習部７ｂと制御部７ｃとを備える。
　圧延材の先端が仕上圧延機１に噛み込んだ後、制御装置７は、制御部７ｃにより、仕上圧延機１の最終スタンドにより圧延材の速度を制御する。この際、制御装置７は、制御部７ｃにより、巻取コイラ４による圧延材の巻き形状を良好に保つために巻取コイラ４の巻取り中心となるマンドレルのトルクを制御する。
　この際のトルク基準は、その時点でのコイルの半径の計算値と圧延材の曲げに要するトルク等を考慮して仕上圧延機１の最終スタンドと巻取コイラ４のマンドレルとの間の張力の値が予め設定された張力基準値となるように設定される。この際、コイルの半径は、巻取コイラ４のマンドレルの回転回数と圧延材の板厚と圧延材の占積率とから計算される。
　圧延材の尾端が仕上圧延機１の最終スタンドを抜けた後は、仕上圧延機１の最終スタンドと巻取コイラ４のマンドレルとの間の張力が消失する。このため、制御装置７は、制御部７ｃにより、巻取コイラ４での圧延材の巻き形状を良好に保つためにピンチロール３で圧延材を予め設定された圧力で挟み込む制御を行う。その結果、ピンチロール３と巻取コイラ４のマンドレルとの間において張力が発生する。この状態において、制御装置７は、制御部７ｃにより、巻取コイラ４のマンドレルのトルクを制御する。
　この際のトルク基準は、ピンチロール３と巻取コイラ４のマンドレルとの間の張力が予め設定された張力基準値となるように設定される。
　制御装置７は、制御部７ｃにより、仕上圧延機出側温度計５で計測した各切板のＦＤＴ実績値を開始点として、ＲＯＴ冷却装置２をフィードフォワード制御する。具体的には、制御装置７は、制御部７ｃにより、仕上圧延機出側温度計５で計測した各切板のＦＤＴ実績値を開始点として、圧延材の最終的な巻取温度の予測値が巻取温度の目標値に一致するようにＲＯＴ冷却装置２の各バンクの入側および出側での各切板の温度の予測値を計算する。この際、制御装置７は、制御部７ｃにより、温度モデルを用いて各バンクでの各切板の温度降下を計算する。制御装置７は、制御部７ｃにより、温度モデルに用いる各切板の通過速度の予測値に対して記憶部７ａの学習テーブルに記憶された学習値を加算する。
　圧延材の最終的な巻取温度の予測値が巻取温度の目標値に一致しない場合、制御装置７は、制御部７ｃにより、各バンクでの冷却水量を更新して各バンクでの各切板の温度降下を再び計算する。制御装置７は、制御部７ｃにより、当該冷却水量を満たすように優先順位に従ってＲＯＴ冷却装置２における全てのバルブの開閉を制御する。
　制御装置７は、学習部７ｂにより、仕上圧延機１の最終スタンドのワークロールの回転角速度の実績値ωＦ７ ｒｅｓとロール径ＲＦ７と巻取コイラ４の回転角速度の実績値ωＤＣ ｒｅｓとコイルの半径ＲＤＣとからＲＯＴ冷却装置２を通過中の各切板の通過速度の実績値を計算する。制御装置７は、学習部７ｂにより、巻取コイラ４の回転角速度の実績値ωＤＣ ｒｅｓとコイルの半径ＲＤＣとの代わりに下側のピンチロール３の回転角速度の実績値と半径とを用いることもある。
　圧延材の全体が巻取コイラ４に巻き取られるたびに、制御装置７は、学習部７ｂにより、ＲＯＴ冷却装置２を通過中の各切板の通過速度の実績値に基づいて各切板の通過速度の学習値を計算する。制御装置７は、学習部７ｂにより、圧延材の通過速度の予測誤差の学習値に基づいて前記記憶部７ａに記憶された圧延材の通過速度の予測誤差の情報を更新する。
　次に、図２を用いて、温度モデルの考え方を説明する。
　図２は実施の形態１における熱間圧延ラインの制御装置が適用される切板の斜視図である。
　図２に示されるように、圧延材がＲＯＴ冷却装置２の直下において搬送される際、熱の出入りは、圧延材を一定長の切板に仮想的に分割した上で計算される。例えば、一定長は、３ｍから５ｍの間で設定される。
　熱の出入りの要素としては、水冷熱伝達、放射、相変態よる発熱等が考えられる。例えば、水冷熱伝達のみが要素である場合、水冷による抜熱量Ｑｗａｔｅｒ（Ｗ）は、次の（１）式で表される。
Figure JPOXMLDOC01-appb-M000001
　（１）式において、ｈｗは水冷熱伝達係数（Ｗ／ｍｍ２／℃）である。Ａｗは冷却水と接触する切板の上下面の面積（ｍｍ２）である。Ａｗは各バンクにおいて開く注水バルブの数で変化する。Ｔｓｕｒｆは切板の表面温度（℃）である。Ｔｗは冷却水の温度（℃）である。
　この際、各切板の温度変化は、次の（２）式で表される。
Figure JPOXMLDOC01-appb-M000002
　（２）式において、ΔＴｉはバンクｉでの切板ｋの降下温度（℃）である。ｉはバンクの番号である。ｔは時間（ｓ）である。ｌｋは切板ｋの進行方向の長さ（ｍｍ）である。Ｈｋは切板ｋの板厚（ｍｍ）である。Ｂｋは切板ｋの幅（ｍｍ）である。ρは切板ｋの密度（ｋｇ／ｍｍ３）である。ＣＰは切板ｋの比熱（Ｊ／ｋｇ／℃）である。Ｌｉはバンクｉの長さである。ｖｋ ｉ（ｍ／ｓ）はバンクｉでの切板ｋの通過速度である。
　次に、図３を用いて、ＲＯＴ冷却装置２における切板の温度の予測値を説明する。
　図３は実施の形態１における熱間圧延ラインの制御装置により計算された切板の温度の予測値を示す図である。
　図３は、一つのバンクにおいて切板の通過速度は一定であると仮定される場合の切板の温度の予測値を示す。切板が冷却される前に、制御装置７は、（１）式と（２）式とを用いて各バンクの入側および出側での各切板の温度の予測値を計算する。（２）式の右辺により、切板の温度の予測値の降下率は、切板の通過速度により変化する。
　次に、図４を用いて、ＲＯＴ冷却装置２における切板の通過速度の予測誤差の学習を説明する。
　図４は実施の形態１における熱間圧延ラインの制御装置が適用されるＲＯＴ冷却装置における切板の通過速度の予測値と実績値とを示す図である。
　切板の冷却現象は、切板が高速で移動する際と切板が静止している際とで異なる。このため、冷却現象において、切板の通過速度の影響が考慮される。具体的には、バンクｉにおける水冷熱伝達係数ｈｗ ｉは、次の（３）式で表される。
Figure JPOXMLDOC01-appb-M000003
　（３）式において、ｆｗ ｉ（Ｗ／ｍｍ２／℃）はモデル予測関数値である。Ｖ０（ｍ／ｓ）は基準速度である。ｂｗ（－）は調整係数である。
　（２）式と（３）式とにより、切板の温度の予測値の降下率は、切板の通過速度により大きく変化する。
　制御装置７は、圧延材が仕上圧延機１の最終スタンドを抜けた後の切板の通過速度の予測誤差を学習する。
　例えば、圧延材が仕上圧延機１の最終スタンドを抜けた後、切板ｋは、上流側から４番目のバンクを通過する。この場合、制御装置７は、切板ｋの通過速度の予測値の情報と実績値の情報とをＲＯＴ冷却装置２の長手方向の位置の情報に対応付けて記憶する。
　その後、制御装置７は、上流側から４番目のバンクからｎ番目のバンクにおける切板ｋの通過速度の予測値ｖｄｋ ｉと実績値ｖｋ ｉとの差の平均値Ｖｅｒｒｏｒ ＣＵＲ（ｋ）を計算する。具体的には、制御装置７は、次の（４）を用いてＶｅｒｒｏｒ ＣＵＲ（ｋ）を計算する。
Figure JPOXMLDOC01-appb-M000004
　次に、制御装置７は、切板ｋの通過速度の予測値ｖｄｋ ｉと実績値ｖｋ ｉとの差の平均値Ｖｅｒｒｏｒ ＣＵＲ（ｋ）に対してフィルタリング更新を行う。具体的には、制御装置７は、次の（５）式を用いてフィルタリング更新を行う。
Figure JPOXMLDOC01-appb-M000005
　（５）式において、Ｖｅｒｒｏｒ ｎｅｗ（ｋ）はフィルタリング更新後における切板ｋの通過速度の学習値である。Ｖｅｒｒｏｒ ｏｌｄ（ｋ）はフィルタリング更新前における切板ｋの通過速度の学習値である。βは学習ゲインである。βは０以上かつ１以下の値である。
　次に、図５を用いて、切板の通過速度の予測誤差の学習値を管理する方法を説明する。
　図５は実施の形態１における熱間圧延ラインの制御装置の学習テーブルを示す図である。
　図５に示されるように、学習テーブルにおいて、「学習値（ｍ／ｓ）」の情報は、「鋼種」の情報と「目標板厚（ｍｍ）」の情報と「切板番号」の情報とに対応付けられる。
　「学習値（ｍ／ｓ）」の情報は、フィルタリング更新前における切板の通過速度の学習値を示す情報である。「鋼種」の情報は、圧延材の材質を示す情報である。「目標板厚（ｍｍ）」の情報は、圧延された製品の目標板厚を示す情報である。「切板番号」の情報は、切板を識別する番号を示す情報である。
　切板の通過速度の予測誤差の学習値が更新される際、学習テーブルにおいて当該切板と同じ「鋼種」と「目標板厚（ｍｍ）」と「切板番号」のセルの値のみが更新される。
　次に、図６を用いて、切板の通過速度の予測誤差の学習値を使用する方法を説明する。
　図６は実施の形態１における熱間圧延ラインの制御装置において切板の通過速度の予測誤差の学習値を使用する方法を説明するための図である。
　図６に示されるように、制御装置７は、圧延材が仕上圧延機１の最終スタンドを抜けた後に通過する各バンクでの切板ｋの通過速度の予測値に学習値Ｖｅｒｒｏｒ ｏｌｄ（ｋ）を加算する。
　次に、図７を用いて、切板の温度降下の予測値を説明する。
　図７は実施の形態１における熱間圧延ラインの制御装置による切板の温度降下の予測値を示す図である。
　図７に示されるように、圧延材が仕上圧延機１の最終スタンドを抜けた後に通過する各バンクの入側及び出側において、切板の温度降下の予測値も補正される。
　以上で説明した実施の形態１によれば、制御装置７は、圧延材の通過速度の予測誤差の情報を更新する。このため、冷却装置による圧延材の冷却量をフィードフォワード制御する際の精度を向上させることができる。
　また、制御装置７は、複数の切板の各々に対して通過速度の予測誤差を学習する。このため、冷却装置による圧延材の冷却量をフィードフォワード制御する際の精度をより確実に向上させることができる。
　また、制御装置７は、圧延材が仕上圧延機１の最終スタンドを抜けて熱間圧延ラインの速度基準が速度制御を行う仕上圧延機１の最終スタンドから張力制御を行う巻取コイラ４に切り替わるタイミング以降において前記冷却装置を通過する切板の通過速度の予測誤差を学習する。このため、切板の通過速度の予測誤差が大きくなる点のみを効率的に学習することができる。
　また、制御装置７は、学習値の情報を当該切板の鋼種の情報と目標板厚の情報とに対応付けて記憶する。このため、冷却装置による圧延材の冷却量をフィードフォワード制御する際の精度をより確実に向上させることができる。
　また、制御装置７は、数の切板の各々に対し、圧延材が仕上圧延機１の最終スタンドを抜けてから前記冷却装置の複数のバンクの通過速度の予測誤差の平均値を学習する。このため、切板の通過速度の予測誤差が大きくなる点のみを効率的に学習することができる。
　次に、図８を用いて、学習テーブルの変形例を説明する。
　図８は実施の形態１における熱間圧延ラインの制御装置の学習テーブルの変形例を示す図である。
　図８に示されるように、学習テーブルにおいて、「学習値（ｍ／ｓ）」の情報は、「鋼種」の情報と「目標板厚（ｍｍ）」の情報と「Ｐａｒｔ」の情報と「該当する切板番号」の情報とに対応付けられる。
　「Ｐａｒｔ」の情報は、圧延材の長手方向の部分を示す情報である。具体的には、「Ｈｅａｄ」の情報は、圧延材の長手方向の先端部を示す情報である。「Ｍｉｄｄｌｅ」の情報は、圧延材の長手方向の中間部を示す情報である。「Ｔａｉｌ」の情報は、圧延材の長手方向の尾端部を示す情報である。
　「該当する切板番号」の情報は、図６における「切板番号」のうちの該当する「切板番号」を示す情報である。具体的には、「ｈ＜３」と「Ｈｅａｄ」とには、「ｍ～ｉｎｔ{（ｎ－ｍ）／３｝」が対応する。「ｈ＜３」と「Ｍｉｄｄｌｅ」とには、「ｉｎｔ{（ｎ－ｍ）／３｝＋１～ｉｎｔ{２（ｎ－ｍ）／３｝」が対応する。「ｈ＜３」と「Ｔａｉｌ」とには、「ｉｎｔ{２（ｎ－ｍ）／３｝＋１からｎ」が対応する。「３＜ｈ＜５」と「Ｈｅａｄ」とには、「ｍ´～ｉｎｔ{（ｎ´－ｍ´）／３｝」が対応する。「３＜ｈ＜５」と「Ｍｉｄｄｌｅ」とには、「ｉｎｔ{（ｎ´－ｍ´）／３｝＋１～ｉｎｔ{２（ｎ´－ｍ´）／３｝」が対応する。「３＜ｈ＜５」と「Ｔａｉｌ」とには、「ｉｎｔ{２（ｎ´－ｍ´）／３｝＋１からｎ´」が対応する。
　「学習値（ｍ／ｓ）」の情報は、該当する複数のフィルタリング更新前における切板の通過速度の学習値の平均値を示す情報である。
　切板の長さの変更により切板の数が変化した場合、制御装置７は、新たな切板を「Ｈｅａｄ」と「Ｍｉｄｄｌｅ」と「Ｔａｉｌ」とに対応した部分に３等分にして各切板が属する部分に分ける。制御装置７は、圧延材が仕上圧延機１の最終スタンドを抜けた後に通過する各バンクでの各切板の通過速度の予測値に各切板が属する「Ｐａｒｔ」の学習値Ｖｅｒｒｏｒ ｏｌｄ（ｋ）を加算する。
　以上で説明した変形例によれば、制御装置７は、新たな切板を「Ｈｅａｄ」と「Ｍｉｄｄｌｅ」と「Ｔａｉｌ」とに対応した部分に３等分にして各切板が属する部分に分ける。制御装置７は、圧延材が仕上圧延機１の最終スタンドを抜けた後に通過する各バンクでの各切板の通過速度の予測値に各切板が属する「Ｐａｒｔ」の学習値Ｖｅｒｒｏｒ ｏｌｄ（ｋ）を加算する。このため、切板の長さの設定が変更されたり切板の総数が変更されたりした場合でも、冷却装置による圧延材の冷却量をフィードフォワード制御する際の精度をより確実に向上させることができる。
　次に、図９を用いて、制御装置７の例を説明する。
　図９は実施の形態１における熱間圧延ラインの制御装置のハードウェア構成図である。
　制御装置７の各機能は、処理回路により実現し得る。例えば、処理回路は、少なくとも１つのプロセッサ１００ａと少なくとも１つのメモリ１００ｂとを備える。例えば、処理回路は、少なくとも１つの専用のハードウェア２００を備える。
　処理回路が少なくとも１つのプロセッサ１００ａと少なくとも１つのメモリ１００ｂとを備える場合、制御装置７の各機能は、ソフトウェア、ファームウェア、またはソフトウェアとファームウェアとの組み合わせで実現される。ソフトウェアおよびファームウェアの少なくとも一方は、プログラムとして記述される。ソフトウェアおよびファームウェアの少なくとも一方は、少なくとも１つのメモリ１００ｂに格納される。少なくとも１つのプロセッサ１００ａは、少なくとも１つのメモリ１００ｂに記憶されたプログラムを読み出して実行することにより、制御装置７の各機能を実現する。少なくとも１つのプロセッサ１００ａは、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、ＤＳＰともいう。例えば、少なくとも１つのメモリ１００ｂは、ＲＡＭ、ＲＯＭ、フラッシュメモリ、ＥＰＲＯＭ、ＥＥＰＲＯＭ等の、不揮発性または揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、ＤＶＤ等である。
　処理回路が少なくとも１つの専用のハードウェア２００を備える場合、処理回路は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、またはこれらの組み合わせで実現される。例えば、制御装置７の各機能は、それぞれ処理回路で実現される。例えば、制御装置７の各機能は、まとめて処理回路で実現される。
　制御装置７の各機能について、一部を専用のハードウェア２００で実現し、他部をソフトウェアまたはファームウェアで実現してもよい。例えば、制御部７ｃの機能については専用のハードウェア２００としての処理回路で実現し、制御部７ｃの機能以外の機能については少なくとも１つのプロセッサ１００ａが少なくとも１つのメモリ１００ｂに格納されたプログラムを読み出して実行することにより実現してもよい。
　このように、処理回路は、ハードウェア２００、ソフトウェア、ファームウェア、またはこれらの組み合わせで制御装置７の各機能を実現する。
実施の形態２．
　図１０は実施の形態２における熱間圧延ラインの制御装置の制御による熱間圧延ラインの速度を示す図である。なお、実施の形態１の部分と同一又は相当部分には同一符号が付される。当該部分の説明は省略される。
　圧延材の板厚が５ｍｍ以下である場合、仕上圧延のライン速度は高速である。このため、図１０に示されるように、圧延材が仕上圧延機１を抜けた後、ライン速度を落とす必要がある。
　この場合、制御装置７は、仕上圧延機出側温度計５で計測した各切板のＦＤＴ実績値を開始点としてＲＯＴ冷却装置２をフィードフォワード制御する際、温度モデルに用いるコイラ減速開始タイミングの予測値に学習テーブルに記憶された学習値を加算する。この際、制御装置７は、学習テーブルに記憶された減速レートの学習値を使用する。
　圧延材の全体が巻取コイラ４に巻き取られるたびに、制御装置７は、ライン速度の実績値に基づいてコイラ減速開始タイミングの学習値の情報と減速レートの学習値の情報を学習テーブルに記憶する。
　次に、図１１を用いて、ライン速度の予測誤差の平均値の計算方法を説明する。
　図１１は実施の形態２における熱間圧延ラインの制御装置による熱間圧延ラインの速度の予測値と実績値とを示す図である。
　図１１に示されるように、コイラ減速予測区間ＴｄＣＤ（ｓ）に対し、制御装置７は、次の（６）式を用いてライン速度の予測誤差の平均値ｖａｌｉｎｅ ｅｒｒｏｒ（ｍ／ｓ）を計算する。
Figure JPOXMLDOC01-appb-M000006
　（６）式において、ｔｄＤＳ（ｓ）は、コイラ減速開始予測時刻である。ｔＣＣ（ｓ）は巻取完了時刻である。したがって、ＴｄＣＤ＝ｔＣＣ－ｔｄＤＳの関係が成立する。ｖｌｉｎｅ ｒｅｓ（ｔ）（ｍ／ｓ）は時刻ｔにおけるライン速度の実績値である。ｖｄｌｉｎｅ（ｔ）（ｍ／ｓ）は時刻ｔにおけるライン速度の予測値である。
　圧延材の尾端が仕上圧延機１の最終スタンドを抜ける前において、制御装置７は、仕上圧延機１の最終スタンドの周速の実績値をライン速度の実績値とする。圧延材の尾端が仕上圧延機１の最終スタンドを抜けた後において、制御装置７は、下側のピンチロール３の周速の実績値をライン速度の実績値とする。
　次に、図１２を用いて、コイラ減速の開始タイミングの予測誤差の学習を説明する。
　図１２は実施の形態２における熱間圧延ラインの制御装置が適用される熱間圧延ラインのコイラ減速の開始予測タイミングと開始実績タイミングとを示す図である。
　図１２に示されるように、コイラ減速区間の中間地点において、ライン速度の予測誤差の平均値ｖａｌｉｎｅ ｅｒｒｏｒだけライン速度の予測値が変化するようにコイラ減速開始時間を変化させた値がコイラ減速開始タイミングの予測誤差の学習値ＺＤＳ ＣＵＲ（ｓ）となる。具体的には、制御装置７は、次の（７）式を用いてコイラ減速開始タイミングの予測誤差の学習値ＺＤＳ ＣＵＲ（ｓ）を計算する。
Figure JPOXMLDOC01-appb-M000007
（７）式において、ａｄＣＤ（ｍ／ｓ２）は、コイラ減速の予測レートである。ａｄＣＤは、次の（８）式で表される。
Figure JPOXMLDOC01-appb-M000008
　制御装置７は、コイラ減速開始タイミングの予測誤差の学習値ＺＤＳ ＣＵＲ（ｓ）に対してフィルタリング更新を行う。具体的には、制御装置７は、次の（９）式を用いてフィルタリング更新を行う。
Figure JPOXMLDOC01-appb-M000009
　（９）式において、ＺＤＳ ｎｅｗ（ｓ）はフィルタリング更新後におけるコイラ減速開始タイミングの予測誤差の学習値である。ＺＤＳ ｏｌｄ（ｓ）はフィルタリング更新前におけるコイラ減速開始タイミングの予測誤差の学習値である。γは学習ゲインである。γは０以上かつ１以下の値である。
　次に、図１３を用いて、コイラ減速開始タイミングの予測誤差の学習値を管理する方法を説明する。
　図１３は実施の形態１における熱間圧延ラインの制御装置の学習テーブルを示す図である。
　図１３に示されるように、学習テーブルにおいて、学習値は、「鋼種」の情報と「板厚」の情報とに対応したセルに格納される。
　切板の通過速度の予測誤差の学習値が更新される際、学習テーブルにおいて当該切板と同じ「鋼種」と「板厚」とに対応したセルの値のみが更新される。
　次に、図１４を用いて、コイラ減速開始タイミングの予測誤差の学習値を使用する方法を説明する。
　図１４は実施の形態２における熱間圧延ラインの制御装置においてコイラ減速開始タイミングの予測誤差の学習値を使用する方法を説明するための図である。
　図１４に示されるように、制御装置７は、時間軸上のライン速度の予測においてコイラ減速開始のタイミングの予測を学習値ＺＤＳ ｏｌｄ（ｓ）の分だけ補正する。
　次に、図１５を用いて、切板の温度降下の予測値を説明する。
　図１５は実施の形態２における熱間圧延ラインの制御装置による切板の温度降下の予測値を示す図である。
　図１５に示されるように、圧延材が仕上圧延機１の最終スタンドを抜けた後に通過する各バンクの入側及び出側において、切板の温度降下の予測値も補正される。
　次に、図１６を用いて、コイラ減速レートの予測値の学習を説明する。
　図１６は実施の形態２における熱間圧延ラインの制御装置７が適用される熱間圧延ラインの速度の実績値とコイラ減速レートの実績値とを示す図である。
　必要に応じて、制御装置７は、コイラ減速レートの予測値に対してフィルタリング更新を行う。この際、図１６に示されるように、制御装置７は、圧延材の巻取りが完了した後にライン速度の実績値を最小二乗法によって直線近似したうえで当該直線の傾きをコイラ減速レートの実績値ａＣＤ ＣＵＲ（ｍ／ｓ２）として計算する。具体的には、制御装置７は、ａＣＤ ＣＵＲは、次の（１０）式を用いてａＣＤ ＣＵＲを計算する。
Figure JPOXMLDOC01-appb-M000010
　その後、制御装置７は、コイラ減速レートの予測値に対してフィルタリング更新を行う。具体的には、制御装置７は、次の（１１）式を用いてフィルタリング更新を行う。
Figure JPOXMLDOC01-appb-M000011
　（１１）式において、ａｄＣＤ ｎｅｗはフィルタリング更新後におけるコイラ減速レートの学習値である。ａｄＣＤ ｏｌｄはフィルタリング更新前におけるコイラ減速レートの学習値である。γＣＤは学習ゲインである。γＣＤは０以上かつ１以下の値である。
　学習テーブルにおいて、学習値は、「鋼種」の情報と「板厚」の情報とにセルに格納される。
　切板の通過速度の予測誤差の学習値が更新される際、学習テーブルにおいて当該切板と同じ「鋼種」と「板厚」とに対応したセルの値のみが更新される。
　以上で説明した実施の形態２によれば、制御装置７は、コイラ減速開始タイミングの予測誤差の情報を更新する。このため、コイラ減速が行われる場合でも、冷却装置による圧延材の冷却量をフィードフォワード制御する際の精度を向上させることができる。
　また、制御装置７は、コイラ減速区間の中間地点において、コイラ減速区間におけるライン速度の予測誤差の平均値の分だけライン速度の予測値が変化するようにコイラ減速開始タイミングの学習値を計算する。このため、コイラ減速開始タイミングの予測誤差を容易に計算することができる。
　また、制御装置７は、学習値の情報を当該切板の鋼種の情報と目標板厚の情報とに対応付けて記憶する。このため、冷却装置による圧延材の冷却量をフィードフォワード制御する際の精度をより確実に向上させることができる。
　また、制御装置７は、コイラ減速レートの実績値に基づいてコイラ減速レートの予測値をフィルタリング学習する。このため、冷却装置による圧延材の冷却量をフィードフォワード制御する際の精度をより確実に向上させることができる。
実施の形態３．
　図１７は実施の形態３における熱間圧延ラインの制御装置が適用される熱間圧延ラインの速度を示す図である。なお、実施の形態１の部分と同一又は相当部分には同一符号が付される。当該部分の説明は省略される。
　実施の形態３において、制御装置７は、圧延材の尾端が仕上圧延機１の最終スタンドを抜けた後のコイラ減速によるライン速度の変化をニューラルネットワークで学習する。制御装置７は、訓練部７ｄにより、ニューラルネットワークを訓練する。制御装置７は、予測部７ｅにより、ニューラルネットワークを用いてライン速度の予測値を計算する。
　例えば、「前半部」は、圧延材の先端部が巻取温度計６を通過してから圧延材の中間部が巻取温度計６を通過するまでの区間である。例えば、「後半部」は、圧延材の中間部が巻取温度計６を通過してから圧延材の尾端部が巻取コイラ４に到達するまでの区間である。
　例えば、制御装置７は、「前半部」と「後半部」とにおいて等間隔でライン速度の実績値を１０点ずつ採取する。制御装置７は、「前半部」の実績値を「入力群」とする。制御装置７は、「後半部」の実績値を「出力群」とする。
　なお、「前半部」と「後半部」との境界は、「減速開始」を基本に設定されるが、圧延材の全長の半分程度（４０％～６０％）としてもよい。また、実績値の採取の数は限定されない。例えば、「前半部」と「後半部」との境界を圧延材の全長の４０％の位置として、「前半部」において１０点の実績値を採取し、「後半部」において、２０点の実績値を採取してもよい。
　制御装置７は、訓練済みのニューラルネットワークを用いて「後半部」のライン速度パターンの１０点を予測し、「後半部」のライン速度パターンを修正する。具体的には、圧延材の中間部が仕上圧延機出側温度計５を通過することで「前半部」のライン速度の実績値の１０点が得られた時点で、制御装置７は、当該１０点と板厚とＯｎｅ－Ｈｏｔエンコーディングが適用された鋼種区分の番号とをニューラルネットワークに入力する。制御装置７は、ニューラルネットワークの出力として得られる「後半部」のライン速度パターンの予測値の１０点を線形につなげて「後半部」の新たなライン速度パターンの予測値とする。新たなライン速度パターンの予測値が得られた後において仕上圧延機出側温度計５を通過する切板に対し、制御装置７は、新たなライン速度パターンの予測値に基づいて温度モデルを用いてＲＯＴ冷却装置２をフィードフォワード制御する。
　圧延材の全体が巻取コイラ４に巻き取られるたびに、制御装置７は、ニューラルネットワークに必要なデータをデータベースに記憶する。ある程度の本数の圧延材についてのデータが蓄積された時点で、制御装置７は、当該データを訓練データに加えたうえでニューロンの訓練を実行する。
　次に、図１８を用いて、ニューラルネットワークを説明する。
　図１８は実施の形態３における熱間圧延ラインの制御装置が用いるニューラルネットワークの入力層と出力層と中間層とを示す図である。
　図１８に示されるように、ニューラルネットワークは、入力層と中間層と出力層とを備える。入力層と中間層と出力層とは、順々に接続される。中間層は、少なくも１層である。入力層と中間層と出力層と、少なくとも一つのニューロンを有する。例えば、各ニューロンは、前後の層の全てのニューロンと結合される。例えば、各ニューロンは、前後の層の一部のニューロンと結合される。
　制御装置７は、ニューラルネットワークの訓練を行う。制御装置７は、過去の圧延実績データから多数の圧延材の鋼種区分の番号と板厚とライン速度の実績データを読み込む。鋼種区分は、主に化学成分に基づいた区分である。ライン速度の実績データは、圧延材の先端部から尾端部にかけて採取された数百点のデータである。例えば、これらの実績データは、数千の製品の分だけ用いられる。
　鋼種区分の番号には、Ｏｎｅ－Ｈｏｔエンコーディングが適用される。例えば、鋼種区分の番号が１から１５の範囲をとる場合、総数である１５個の変数が用意される。当該圧延材の鋼種区分の番号が３番である場合、３番目の変数は１とされる。３番目以外の変数は０とされる。
　入力層の各ニューロンには、Ｏｎｅ－Ｈｏｔエンコーディングによる鋼種の区分番号と板厚と「前半部」の１０点のライン速度の実績値が入力される。例えば、鋼種区分の番号が１から１５の範囲をとる場合、入力層のニューロンの数は２６個となる。
　出力層の各ニューロンには、「後半部」の１０点のライン速度の実績値が入力される。出力層のニューロンの数は１０個となる。
　中間層のニューロンの数は、入力層と出力層とのニューロンの数よりも十分に多い数である。例えば、各層において、ニューロンの数は、１２８個とする。
　次に、図１９を用いて、ニューラルネットワークの訓練の演算の例を説明する。
　図１９は実施の形態３における熱間圧延ラインの制御装置によるニューラルネットワークの訓練の演算の例を示す図である。
　図１９に示されるように、入力Ｖ１ Ｆと入力Ｖ２ Ｆとは、入力層のニューロンである。Ｎ１ Ｆは、中間層のニューロンである。入力Ｖ１ Ｆと入力Ｖ２ Ｆとは、ニューロンＮ１ Ｆに入力される。
　ニューロンＮ１ Ｆにおいて、入力Ｖ１ Ｆと重みＷ１－１ Ｆの乗算結果と入力Ｖ２ Ｆと重みＷ２－１ Ｆの乗算結果との和が計算された後、必要に応じてバイアスｂ１ Ｆが加算されることで、値ａ１ Ｆが得られる。値ａ１ Ｆは、活性化関数ｈ１ Ｆにより変換される。ニューロンＮ１ Ｆからは、出力信号ｙ＝ｈ１ Ｆ（ａ）が出力される。
　当該操作が繰り返されることで、出力層の各予測値が計算される。その後、出力層の各予測値の平均二乗誤差ｍｅｓが次の（１２）式により計算される。
Figure JPOXMLDOC01-appb-M000012
　制御装置７は、ｍｅｓが一定の基準値以下にするように各ニューロンの重みｗとバイアスｂとを調整する。制御装置７は、各ニューロンの重みｗとバイアスｂとを学習テーブルに記憶する。
　次に、図２０を用いて、ニューラルネットワークの訓練結果を管理する方法を説明する。
　図２０は実施の形態３における熱間圧延ラインの制御装置の学習テーブルを示す図である。
　図２０に示されるように、学習テーブルにおいて、「重みｗ」の情報と「バイアスｂ」の情報とは、互いに対応付けられる。
　「重みｗ」の情報は、各ニューロンの重みｗを示す情報である。「バイアスｂ」の情報は、各ニューロンのバイアスｂを示す情報である。
　以上で説明した実施の形態３によれば、制御装置７は、前半部における複数点のライン速度の実績値を入力層としてニューラルネットワークを用いて出力層を計算することにより後半部における複数点のライン速度の予測値を計算する。このため、冷却装置による圧延材の冷却量をフィードフォワード制御する際の精度を向上させることができる。
　また、制御装置７は、圧延材の板厚と鋼種の区分番号とを入力層に含んで、ニューラルネットワークを用いて後半部における複数点のライン速度の予測値を計算する。このため、冷却装置による圧延材の冷却量をフィードフォワード制御する際の精度をより確実に向上させることができる。
　また、制御装置７は、後半部における複数点のライン速度の予測値と実績値との誤差または当該誤差を用いた評価関数の値が基準値以下となるようにニューラルネットワークの各ニューロンの重みとバイアスとを調整する。このため、冷却装置による圧延材の冷却量をフィードフォワード制御する際の精度をより確実に向上させることができる。
　なお、ニューロンの訓練は、学習結果の反映を早める観点から圧延材の全体が巻取コイラ４に巻き取られるたびに行うことが望ましい。
　しかし、ニューロンの訓練における計算負荷が高い。このため、圧延中において制御装置７の計算能力に余裕がない場合は、仕上圧延機１等のロール交換中、修理期間中など、制御装置７の計算能力に余裕があるタイミングでニューロンを訓練してもよい。
実施の形態４．
　図２１は実施の形態４における熱間圧延ラインの制御装置が適用される熱間圧延ラインの速度を示す図である。なお、実施の形態３の部分と同一又は相当部分には同一符号が付される。当該部分の説明は省略される。
　実施の形態４において、制御装置７は、仕上圧延機出側温度計５で計測した各切板のＦＤＴ実績値を開始点としてＲＯＴ冷却装置２をフィードフォワード制御する際、ライン速度の予測値を学習テーブルに記憶された学習値に基づいて修正する。
　圧延材の全体が巻取コイラ４に巻き取られるたびに、時間軸におけるライン速度の予測パターンに対し、制御装置７は、圧延材の先端部が巻取温度を通過してから尾端部がコイラに到達するまでの範囲における複数点のライン速度の実績値を採取する。例えば、制御装置７は、１０点のライン速度の実績値を採取する。
　制御装置７は、次の（１３）式を用いて各時刻のライン速度の予測誤差を計算する。
Figure JPOXMLDOC01-appb-M000013
　制御装置７は、次の（１４）式を用いて各時刻での予測誤差に対してフィルタリング更新を行う。
Figure JPOXMLDOC01-appb-M000014
　（１４）式において、Ｖｅｒｒｏｒ ｎｅｗ（ｔｌ）はフィルタリング更新後におけるライン速度の学習値である。Ｖｅｒｒｏｒ ｏｌｄ（ｔｌ）はフィルタリング更新前におけるライン速度の学習値である。δ（ｌ）は学習ゲインである。δ（ｌ）は０以上かつ１以下の値である。
　制御装置７は、ライン速度の予測誤差の学習値の情報を学習テーブルに記憶する。
　次に、図２２を用いて、ライン速度の予測誤差の学習値を管理する方法を説明する。
　図２２は実施の形態４における熱間圧延ラインの制御装置の学習テーブルを示す図である。
　図２２に示されるように、学習テーブルにおいて、「学習値（ｍ／ｓ）」の情報は、「鋼種」の情報と「目標板厚（ｍｍ）」の情報と「サンプリング番号」の情報とに対応付けられる。
　「学習値（ｍ／ｓ）」の情報は、フィルタリング更新前におけるライン速度の予測誤差の学習値を示す情報である。「鋼種」の情報は、圧延材の材質を示す情報である。「目標板厚（ｍｍ）」の情報は、圧延された製品の目標板厚を示す情報である。「サンプリング番号」の情報は、ライン速度の実績値をサンプリングした時間に対応する番号を示す情報である。
　ライン速度の予測誤差の学習値が更新される際、学習テーブルにおいて当該切板と同じ「鋼種」と「目標板厚（ｍｍ）」と「サンプリング番号」のセルの値のみが更新される。
　以上で説明した実施の形態４によれば、制御装置７は、複数点のライン速度の実績値に基づいてライン速度の予測誤差のフィルタリング学習を行う。このため、冷却装置による圧延材の冷却量をフィードフォワード制御する際の精度を向上させることができる。
　また、制御装置７は、学習値の情報を当該圧延材の鋼種の情報と目標板厚の情報とに対応付けて記憶する。このため、冷却装置による圧延材の冷却量をフィードフォワード制御する際の精度をより確実に向上させることができる。
　以上のように、本開示の熱間圧延ラインの制御装置は、熱間圧延ラインに利用できる。
　１　仕上圧延機、　２　ＲＯＴ冷却装置、　３　ピンチロール、　４　巻取コイラ、　５　仕上圧延機出側温度計、　６　巻取温度計、　７　制御装置、　７ａ　記憶部、　７ｂ　学習部、　７ｃ　制御部、　７ｄ　訓練部、　７ｅ　予測部、　１００ａ　プロセッサ、　１００ｂ　メモリ、　２００　ハードウェア

Claims (19)

  1. 　仕上圧延機により圧延された圧延材を冷却装置により注水して冷却した後に巻取コイラで巻き取る熱間圧延ラインにおいて、圧延材の温度を予測する温度モデルに用いられる前記冷却装置における圧延材の通過速度の予測誤差の情報を記憶する記憶部と、
    　前記仕上圧延機により圧延された圧延材を前記冷却装置により注水して冷却した後に前記巻取コイラで巻き取るたびに、圧延材の通過速度の実績値に基づいて圧延材の通過速度の予測誤差の学習値を計算し、圧延材の通過速度の予測誤差の学習値に基づいて前記記憶部に記憶された圧延材の通過速度の予測誤差の情報を更新する学習部と、
    を備えた熱間圧延ラインの制御装置。
  2. 　前記学習部は、圧延材を仮想的に分割した複数の切板の各々に対して通過速度の予測誤差を学習する請求項１に記載の熱間圧延ラインの制御装置。
  3. 　前記学習部は、圧延材が前記仕上圧延機の最終スタンドを抜けて前記熱間圧延ラインの速度基準が速度制御を行う前記仕上圧延機の最終スタンドから張力制御を行う前記巻取コイラに切り替わるタイミング以降において前記冷却装置を通過する切板の通過速度の予測誤差を学習する請求項２に記載の熱間圧延ラインの制御装置。
  4. 　前記記憶部は、前記学習部により計算された学習値の情報を当該切板の鋼種の情報と目標板厚の情報とに対応付けて記憶する請求項２または請求項３に記載の熱間圧延ラインの制御装置。
  5. 　前記学習部は、複数の切板の各々に対し、圧延材が前記仕上圧延機の最終スタンドを抜けてから前記冷却装置の複数のバンクの通過速度の予測誤差の平均値を学習する請求項２から請求項４のいずれか一項に記載の熱間圧延ラインの制御装置。
  6. 　前記学習部は、圧延材が前記仕上圧延機の最終スタンドを抜けてから前記冷却装置を通過する複数の切板を先端部と中間部と尾端部に分けたうえで、先端部の切板における通過速度の予測誤差の平均値と中間部の切板における通過速度の予測誤差の平均値と尾端部の切板における通過速度の予測誤差の平均値とを学習する請求項２から請求項４のいずれか一項に記載の熱間圧延ラインの制御装置。
  7. 　前記仕上圧延機の出側における冷却前の圧延材の温度の実績値に基づいて前記温度モデルを用いて前記冷却装置による圧延材の冷却量をフィードフォワード制御する際に、前記温度モデルに入力する圧延材の通過速度の予測値として、複数の切板の各々における通過速度の予測値に前記記憶部の学習値を加算した値を用いる制御部、
    を備えた請求項２から請求項６のいずれか一項に記載の熱間圧延ラインの制御装置。
  8. 　仕上圧延機により圧延された圧延材を冷却装置により注水して冷却した後に巻取コイラで巻き取る熱間圧延ラインにおいて、圧延材の温度を予測する温度モデルに用いられるコイラ減速開始タイミングの予測誤差の情報を記憶する記憶部と、
    　前記仕上圧延機１により圧延された圧延材を前記冷却装置により注水して冷却した後に前記巻取コイラで巻き取るたびに、コイラ減速区間におけるライン速度の実績値に基づいてコイラ減速開始タイミングの予測誤差の学習値を計算し、コイラ減速開始タイミングの予測誤差の学習値に基づいて前記記憶部に記憶されたコイラ減速開始タイミングの予測誤差の情報を更新する学習部と、
    を備えた熱間圧延ラインの制御装置。
  9. 　前記学習部は、コイラ減速区間の中間地点において、コイラ減速区間におけるライン速度の予測誤差の平均値の分だけライン速度の予測値が変化するようにコイラ減速開始タイミングの学習値を計算する請求項８に記載の熱間圧延ラインの制御装置。
  10. 　前記記憶部は、前記学習部により計算された学習値の情報を当該圧延材の鋼種の情報と目標板厚の情報とに対応付けて記憶する請求項８または請求項９に記載の熱間圧延ラインの制御装置。
  11. 　前記仕上圧延機の出側における冷却前の圧延材の温度の実績値に基づいて前記温度モデルを用いて前記冷却装置による圧延材の冷却量をフィードフォワード制御する際に、前記温度モデルに入力する圧延材の通過速度の予測値を計算するためのコイラ減速開始タイミングの予測値に前記記憶部の学習値を加算した値を用いる制御部、
    を備えた請求項８から請求項１０のいずれか一項に記載の熱間圧延ラインの制御装置。
  12. 　前記学習部は、コイラ減速レートの実績値に基づいてコイラ減速レートの予測値をフィルタリング学習する請求項８から請求項１１のいずれか一項に記載の熱間圧延ラインの制御装置。
  13. 　仕上圧延機により圧延された圧延材を冷却装置により注水して冷却した後に巻取コイラで巻き取る熱間圧延ラインにおいて、圧延材の先端部が前記冷却装置と前記巻取コイラとの間に設けられた巻取温度計を通過してから圧延材の尾端部が前記巻取コイラに到達するまでの間を前半部と後半部とに分けた際に、前半部における複数点のライン速度の実績値の情報と後半部における複数点のライン速度の実績値の情報とを記憶した記憶部と、
    　前記記憶部に記憶された情報に基づいて、前半部における複数のライン速度の実績値を入力層とし、後半部における複数のライン速度の実績値を出力層とし、ニューラルネットワークの訓練を行う訓練部と、
    　前半部における複数点のライン速度の実績値を入力層として前記訓練部により訓練されたニューラルネットワークを用いて出力層を計算することにより後半部における複数点のライン速度の予測値を計算する予測部と、
    を備えた熱間圧延ラインの制御装置。
  14. 　前記訓練部は、圧延材の板厚と鋼種の区分番号とを入力層に含んで、ニューラルネットワークの訓練を行い、圧延材の板厚と鋼種の区分番号とを入力層に含んで、ニューラルネットワークを用いて後半部における複数点のライン速度の予測値を計算する請求項１３に記載の熱間圧延ラインの制御装置。
  15. 　前記訓練部は、後半部における複数点のライン速度の予測値と実績値との誤差または当該誤差を用いた評価関数の値が基準値以下となるようにニューラルネットワークの各ニューロンの重みとバイアスとを調整する請求項１３または請求項１４に記載の熱間圧延ラインの制御装置。
  16. 　前記仕上圧延機の出側における冷却前の圧延材の温度の実績値に基づいて温度モデルを用いて前記冷却装置による圧延材の冷却量をフィードフォワード制御する際に、前記予測部により計算された後半部における複数のライン速度の予測値から計算された後に前記仕上圧延機の出側における冷却前の温度の実測された切板に対し、前記温度モデルに入力する圧延材の通過速度の予測値を前記予測部により計算された後半部における複数のライン速度の予測値から計算する制御部、
    を備えた請求項１３から請求項１５のいずれか一項に記載の熱間圧延ラインの制御装置。
  17. 　仕上圧延機により圧延された圧延材を冷却装置により注水して冷却した後に巻取コイラで巻き取る熱間圧延ラインにおいて、圧延材の先端部が前記冷却装置と前記巻取コイラとの間に設けられた巻取温度計を通過してから圧延材の尾端部が前記巻取コイラに到達するまでの間における複数点のライン速度の実績値の情報を記憶した記憶部と、
    　前記仕上圧延機により圧延された圧延材を前記冷却装置により注水して冷却した後に前記巻取コイラで巻き取るたびに、複数点のライン速度の実績値に基づいてライン速度の予測誤差のフィルタリング学習を行う学習部と、
    を備えた熱間圧延ラインの制御装置。
  18. 　前記記憶部は、前記学習部により計算された学習値の情報を当該圧延材の鋼種の情報と目標板厚の情報とに対応付けて記憶する請求項１７に記載の熱間圧延ラインの制御装置。
  19. 　前記仕上圧延機の出側における冷却前の圧延材の温度の実績値に基づいて温度モデルを用いて前記冷却装置による圧延材の冷却量をフィードフォワード制御する際に、前記温度モデルに入力する圧延材の通過速度の予測値をライン速度の予測値に前記学習部の学習値を加算した値から計算する制御部、
    を備えた請求項１７または請求項１８に記載の熱間圧延ラインの制御装置。
PCT/JP2020/031494 2020-08-20 2020-08-20 熱間圧延ラインの制御装置 WO2022038751A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
PCT/JP2020/031494 WO2022038751A1 (ja) 2020-08-20 2020-08-20 熱間圧延ラインの制御装置
CN202080065771.2A CN114423537A (zh) 2020-08-20 2020-08-20 热轧生产线的控制装置
JP2021534898A JP7156538B2 (ja) 2020-08-20 2020-08-20 熱間圧延ラインの制御装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/031494 WO2022038751A1 (ja) 2020-08-20 2020-08-20 熱間圧延ラインの制御装置

Publications (1)

Publication Number Publication Date
WO2022038751A1 true WO2022038751A1 (ja) 2022-02-24

Family

ID=80322768

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/031494 WO2022038751A1 (ja) 2020-08-20 2020-08-20 熱間圧延ラインの制御装置

Country Status (3)

Country Link
JP (1) JP7156538B2 (ja)
CN (1) CN114423537A (ja)
WO (1) WO2022038751A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114493059A (zh) * 2022-04-19 2022-05-13 西安石油大学 一种基于机器学习的人员管控方法及系统
CN115608793A (zh) * 2022-12-20 2023-01-17 太原科技大学 一种机理融合数据的精轧温度调控方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5588913A (en) * 1978-12-27 1980-07-05 Toshiba Corp Tension controller for universal rolling mill
JPH0732024A (ja) * 1993-06-28 1995-02-03 Mitsubishi Electric Corp 熱延鋼材の温度制御方法
JP2005254289A (ja) * 2004-03-12 2005-09-22 Jfe Steel Kk 圧延機の速度制御方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2795791B2 (ja) * 1993-06-18 1998-09-10 三菱電機株式会社 鋼板の冷却制御方法
JPH08252625A (ja) * 1995-03-16 1996-10-01 Kawasaki Steel Corp 熱間圧延巻取温度制御方法
JP3450108B2 (ja) * 1995-12-25 2003-09-22 三菱電機株式会社 熱延板材の冷却制御装置
JP5565200B2 (ja) * 2010-08-20 2014-08-06 Ｊｆｅスチール株式会社 熱間圧延における仕上温度制御装置
JP5928377B2 (ja) * 2013-03-18 2016-06-01 Ｊｆｅスチール株式会社 熱間圧延材の冷却制御方法
JP5542228B2 (ja) * 2013-03-21 2014-07-09 株式会社日立製作所 巻取り温度制御装置およびその制御方法
CN103611734B (zh) * 2013-11-25 2015-11-18 华中科技大学 一种层流冷却温度控制方法及系统
KR101782281B1 (ko) * 2014-01-24 2017-09-26 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 압연 라인의 에너지 소비량 예측 장치
JP6642289B2 (ja) * 2016-06-14 2020-02-05 東芝三菱電機産業システム株式会社 圧延ラインの数学モデル算出装置および圧延材の温度制御装置
CN107971351B (zh) * 2016-10-25 2020-03-27 宝山钢铁股份有限公司 用于钢管在线冷却的生产装置和生产方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5588913A (en) * 1978-12-27 1980-07-05 Toshiba Corp Tension controller for universal rolling mill
JPH0732024A (ja) * 1993-06-28 1995-02-03 Mitsubishi Electric Corp 熱延鋼材の温度制御方法
JP2005254289A (ja) * 2004-03-12 2005-09-22 Jfe Steel Kk 圧延機の速度制御方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114493059A (zh) * 2022-04-19 2022-05-13 西安石油大学 一种基于机器学习的人员管控方法及系统
CN114493059B (zh) * 2022-04-19 2022-07-05 西安石油大学 一种基于机器学习的人员管控方法及系统
CN115608793A (zh) * 2022-12-20 2023-01-17 太原科技大学 一种机理融合数据的精轧温度调控方法
CN115608793B (zh) * 2022-12-20 2023-04-07 太原科技大学 一种机理融合数据的精轧温度调控方法

Also Published As

Publication number Publication date
JP7156538B2 (ja) 2022-10-19
JPWO2022038751A1 (ja) 2022-02-24
CN114423537A (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
WO2022038751A1 (ja) 熱間圧延ラインの制御装置
Pittner et al. Tandem cold metal rolling mill control: using practical advanced methods
JP2000167615A (ja) 巻取温度制御方法及び制御装置
JP2008149354A (ja) 巻取り温度制御装置および制御方法
JP6187603B2 (ja) 圧延ラインのエネルギー消費量予測装置
JP5679914B2 (ja) 鋼板の温度予測方法
US20060225474A1 (en) Method for regulating the temperature of a metal strip, especially in a cooling path
CN113849020A (zh) 一种基于人工智能算法的钢坯升温曲线设计方法及装置
JP7135962B2 (ja) 鋼板の仕上出側温度制御方法、鋼板の仕上出側温度制御装置、及び鋼板の製造方法
KR100643373B1 (ko) 열간압연 후물재 길이방향 온도 제어방법
JP4208505B2 (ja) 巻取温度制御装置
JP4402502B2 (ja) 巻取温度制御装置
WO2020261444A1 (ja) 熱間圧延ラインの温度制御装置
JP7020379B2 (ja) 金属材料の材質制御支援装置
JP2007301603A (ja) 圧延材の巻き取り温度制御方法及び圧延装置
JP2744399B2 (ja) 圧延材の冷却制御装置
JP4208509B2 (ja) 圧延プロセスのモデル学習装置
JP6825721B1 (ja) ミルペーシング制御システム
JP2555116B2 (ja) 鋼材の冷却制御方法
WO2022157826A1 (ja) 熱間圧延ラインの制御装置
JP3450108B2 (ja) 熱延板材の冷却制御装置
JP2009233716A (ja) 圧延材の冷却方法
JP5928377B2 (ja) 熱間圧延材の冷却制御方法
KR102045652B1 (ko) 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치
JPH04111910A (ja) 多段圧延機における圧延材の形状制御方法

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2021534898

Country of ref document: JP

Kind code of ref document: A

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

Ref document number: 20950316

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20950316

Country of ref document: EP

Kind code of ref document: A1