WO2022269974A1 - 冷間圧延機の圧延条件設定方法、冷間圧延方法、鋼板の製造方法、冷間圧延機の圧延条件設定装置、及び冷間圧延機 - Google Patents

冷間圧延機の圧延条件設定方法、冷間圧延方法、鋼板の製造方法、冷間圧延機の圧延条件設定装置、及び冷間圧延機 Download PDF

Info

Publication number
WO2022269974A1
WO2022269974A1 PCT/JP2022/003791 JP2022003791W WO2022269974A1 WO 2022269974 A1 WO2022269974 A1 WO 2022269974A1 JP 2022003791 W JP2022003791 W JP 2022003791W WO 2022269974 A1 WO2022269974 A1 WO 2022269974A1
Authority
WO
WIPO (PCT)
Prior art keywords
cold rolling
rolling
rolling mill
cold
mill
Prior art date
Application number
PCT/JP2022/003791
Other languages
English (en)
French (fr)
Inventor
昇輝 藤田
拓也 北村
哲矢 荒川
好規 生駒
匠 山田
Original Assignee
Ｊｆｅスチール株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ｊｆｅスチール株式会社 filed Critical Ｊｆｅスチール株式会社
Priority to KR1020237034735A priority Critical patent/KR20230156758A/ko
Priority to US18/281,496 priority patent/US20240149317A1/en
Priority to EP22827898.2A priority patent/EP4309816A1/en
Priority to CN202280037943.4A priority patent/CN117377538A/zh
Publication of WO2022269974A1 publication Critical patent/WO2022269974A1/ja

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B21B37/16—Control of thickness, width, diameter or other transverse dimensions
    • B21B37/24—Automatic variation of thickness according to a predetermined programme
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B1/00—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations
    • B21B1/22—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B3/00—Rolling materials of special alloys so far as the composition of the alloy requires or permits special rolling methods or sequences ; Rolling of aluminium, copper, zinc or other non-ferrous metals
    • B21B3/02—Rolling special iron alloys, e.g. stainless steel
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B21B37/16—Control of thickness, width, diameter or other transverse dimensions
    • B21B37/165—Control of thickness, width, diameter or other transverse dimensions responsive mainly to the measured thickness of the product
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B1/00—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations
    • B21B1/22—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length
    • B21B2001/221—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length by cold-rolling
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B21B37/28—Control of flatness or profile during rolling of strip, sheets or plates
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B45/00—Devices for surface or other treatment of work, specially combined with or arranged in, or specially adapted for use in connection with, metal-rolling mills
    • B21B45/02—Devices for surface or other treatment of work, specially combined with or arranged in, or specially adapted for use in connection with, metal-rolling mills for lubricating, cooling, or cleaning
    • B21B45/0239—Lubricating
    • B21B45/0245—Lubricating devices
    • B21B45/0248—Lubricating devices using liquid lubricants, e.g. for sections, for tubes
    • B21B45/0251—Lubricating devices using liquid lubricants, e.g. for sections, for tubes for strips, sheets, or plates
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B45/00—Devices for surface or other treatment of work, specially combined with or arranged in, or specially adapted for use in connection with, metal-rolling mills
    • B21B45/02—Devices for surface or other treatment of work, specially combined with or arranged in, or specially adapted for use in connection with, metal-rolling mills for lubricating, cooling, or cleaning
    • B21B45/0269—Cleaning
    • B21B45/029—Liquid recovering devices
    • B21B45/0296—Recovering lubricants

Definitions

  • the present invention relates to a rolling condition setting method for a cold rolling mill, a cold rolling method, a steel sheet manufacturing method, a rolling condition setting device for a cold rolling mill, and a cold rolling mill.
  • the strip crown may fluctuate greatly along the longitudinal direction.
  • the rolling load and the accompanying calculated advance rate and torque
  • the roll gap of the cold rolling mill the work roll bender, the intermediate roll shift, and the In many cases, the automatic control cannot absorb fluctuations in roll deflection correction represented by roll expansion due to thermal crown.
  • Patent Literature 1 proposes a method of learning past operating conditions using a neural network and performing mill setup of a cold rolling mill using the learning results. Further, Patent Document 2 proposes a method of performing feedforward control of edge drop using a strip thickness profile measured at the entry side of a cold rolling mill.
  • the present invention has been made in view of the above problems, and its object is to ensure the stability of cold rolling even when rolling a difficult-to-roll material with a thin plate thickness before rolling under a high load. It is an object of the present invention to provide a rolling condition setting method and a rolling condition setting device for a cold rolling mill that can set rolling conditions for cold rolling with good productivity. Another object of the present invention is to enable cold rolling with high productivity while ensuring cold rolling stability even when cold rolling a difficult-to-roll material with a thin plate thickness before rolling under a high load. An object of the present invention is to provide a cold rolling method and a cold rolling mill. Another object of the present invention is to provide a method for manufacturing a steel sheet that enables the steel sheet to be manufactured with a high yield.
  • a method for setting rolling conditions for a cold rolling mill uses a prediction model that predicts the state of a material to be rolled after cold rolling to cold roll the material to be rolled.
  • a rolling condition setting method for a cold rolling mill for setting rolling conditions wherein the prediction model is a multi-dimensional past rolling performance data including pre-cold rolling data of the rolled material at the entry side of the cold rolling mill.
  • the first multidimensional data converted into data is used as an explanatory variable
  • the post-cold rolling data of the rolled material on the delivery side of the cold rolling mill is used as an objective variable.
  • the output of the cold rolling mill estimating a shape after rolling of the material to be rolled on the side; and changing a target rolling condition of the cold rolling mill so that the estimated shape after rolling satisfies a predetermined condition.
  • the pre-cold rolling data preferably includes at least one of thickness information and temperature information of the steel sheet at the entry side of the cold rolling mill.
  • the post-cold rolling data preferably includes shape parameters calculated from the shape of the steel sheet on the delivery side of the cold rolling mill.
  • a cold rolling method includes a step of cold rolling a material to be rolled using target rolling conditions for a cold rolling mill that have been changed using the method for setting rolling conditions for a cold rolling mill according to the present invention. include.
  • a steel sheet manufacturing method includes a step of manufacturing a steel sheet using the cold rolling method according to the present invention.
  • a rolling condition setting device for a cold rolling mill uses a prediction model for predicting the state of a material to be rolled after cold rolling.
  • a rolling condition setting device for a cold rolling mill for setting conditions, wherein the prediction model converts past rolling performance data including pre-cold rolling data of the rolled material at the entry side of the cold rolling mill into multidimensional data.
  • the delivery side of the cold rolling mill By inputting second multidimensional data generated from information including pre-cold rolling data of the material to be rolled and target rolling conditions of the cold rolling mill into the prediction model, the delivery side of the cold rolling mill and means for changing the target rolling conditions of the cold rolling mill so that the estimated shape after rolling satisfies a predetermined condition.
  • the pre-cold rolling data preferably includes at least one of thickness information and temperature information of the steel sheet at the entry side of the cold rolling mill.
  • the post-cold rolling data preferably includes shape parameters calculated from the shape of the steel sheet on the delivery side of the cold rolling mill.
  • a cold rolling mill according to the present invention comprises a rolling condition setting device for a cold rolling mill according to the present invention.
  • the stability of cold rolling is achieved even when cold-rolling a difficult-to-roll material with a thin plate thickness before rolling under a high load. It is possible to set rolling conditions for cold rolling with good productivity while ensuring.
  • the stability of cold rolling can be ensured even when cold rolling a difficult-to-roll material with a thin plate thickness before rolling under a high load. Cold rolling can be performed with good productivity.
  • a steel sheet can be manufactured with a high yield.
  • FIG. 1 is a schematic diagram showing the configuration of a cold rolling mill that is one embodiment of the present invention.
  • FIG. 2 is a block diagram showing a configuration of an arithmetic unit shown in FIG. 1;
  • FIG. 3 is a diagram showing an example of multidimensional array information.
  • FIG. 4 is a diagram showing a configuration example of a shape control prediction model.
  • FIG. 5 is a flow chart showing the flow of processing for converting multidimensional array information into one-dimensional information.
  • FIG. 6 is a flow chart showing the processing flow of the prediction model execution unit.
  • a method for setting rolling conditions for a cold rolling mill a method for cold rolling, a method for manufacturing a steel sheet, a device for setting rolling conditions for a cold rolling mill, and cold rolling, which are one embodiment of the present invention. machine.
  • the embodiments shown below are examples of devices and methods for embodying the technical idea of the present invention, and the material, shape, structure, arrangement, etc. of constituent parts are limited to the embodiments shown below. not something to do.
  • the drawings are schematic. For this reason, it should be noted that the relationship, ratio, etc., between the thickness and the planar dimensions are different from the actual ones, and the drawings include portions where the relationship and ratio of the dimensions are different from each other.
  • cold rolling may be simply referred to as “rolling”, and “cold rolling” and “rolling” are synonymous in this specification.
  • a steel plate is taken as an example of a material to be rolled by a cold rolling mill (material to be rolled).
  • the rolled material is not limited to steel plates, and other metal plates such as aluminum plates can also be used.
  • FIG. 1 is a schematic diagram showing the configuration of a cold rolling mill that is one embodiment of the present invention.
  • a cold rolling mill 1 according to an embodiment of the present invention is configured to roll a steel sheet S from an entry side (left side when facing the paper surface of FIG. 1) to an exit side (right side when facing the paper surface of FIG. 1).
  • It is a cold tandem rolling mill equipped with five rolling stands from the first rolling stand to the fifth rolling stand (#1STD to #5STD) in order.
  • a tension roll, a deflow roll, a plate thickness gauge, and a profile gauge are appropriately installed between adjacent rolling stands.
  • the configuration of the rolling stand, the conveying device for the steel sheet S, and the like are not particularly limited, and known techniques can be applied as appropriate.
  • Emulsion rolling oil (“emulsion rolling oil” may be simply referred to as “rolling oil” in the following description) OL is supplied to each rolling stand of the cold rolling mill 1.
  • the cold rolling mill 1 includes a dirty tank (recovery tank) 2 and a clean tank 3 as rolling oil storage tanks, and the rolling oil OL supplied from these tanks is supplied to each rolling stand through a supply line 11. be done.
  • the rolling oil OL stored in the clean tank 3 is rolling oil produced by mixing hot water (dilution water) and a raw solution of rolling oil (to which a surfactant is added).
  • the undiluted solution of the mixed hot water and rolling oil can be rolled to have the desired average particle size and concentration range by adjusting the rotational speed of the stirring blades of the stirrer 7, that is, by adjusting the degree of stirring. Oil OL.
  • one used for ordinary cold rolling can be applied, and for example, one using any one of natural oils and fats, fatty acid esters, and hydrocarbon-based synthetic lubricating oils as a base oil can be used.
  • these rolling oils may contain additives such as oiliness improvers, extreme pressure additives, and antioxidants, which are commonly used in cold rolling oils.
  • the surfactant added to the rolling oil either ionic or nonionic surfactants may be used, and those used in a normal circulating coolant system (circulating rolling oil supply system) may be used.
  • the undiluted solution of the rolling oil is preferably diluted to a concentration of 2 to 8% by mass, more preferably to a concentration of 3 to 6.0% by mass, and an O / W emulsion rolling oil in which the oil is dispersed in water using a surfactant. do it.
  • the average particle size of the rolling oil is preferably 15 ⁇ m or less, more preferably 3 to 10 ⁇ m.
  • the rolling oil recovered in the dirty tank 2 flows into the clean tank 3 through the iron powder removing device 8, which is an iron powder amount control device or the like.
  • the rolling oil collected in the dirty tank 2 contains abrasion powder (iron powder) generated by friction between the rolling rolls and the steel sheet S. Therefore, the iron powder removing device 8 removes abrasion powder so that the oil-soluble iron content of the recovered rolling oil becomes the oil-soluble iron content allowed for the rolling oil OL stored in the clean tank 3 .
  • the movement of the rolling oil from the dirty tank 2 side to the clean tank 3 side via the iron powder removing device 8 may be performed continuously or intermittently.
  • the iron powder removing device 8 is preferably one that uses a magnetic filter such as an electromagnetic filter or a magnetic separator to adsorb and remove iron powder, but is not limited to this.
  • the iron powder removing device 8 may be a known device using a method such as centrifugation.
  • the clean tank 3 is configured to be appropriately replenished (supplied) with the undiluted solution of the rolling oil from the undiluted solution tank (not shown) so that the storage level and concentration of the rolling oil OL in the clean tank 3 are within a predetermined range. It's becoming Hot water for diluting the rolling oil is also replenished (supplied) to the clean tank 3 as appropriate.
  • the storage level and concentration of the emulsion rolled oil OL in the clean tank 3 can be measured by a sensor (not shown).
  • a rolling oil supply system of the cold rolling mill 1 includes a dirty tank 2 , an iron powder removing device 8 , a clean tank 3 , and a pump 9 for sucking up the rolling oil OL from the clean tank 3 .
  • a strainer may be arranged between the clean tank 3 and the pump 9 to remove foreign matter.
  • the rolling oil supply system of the cold rolling mill 1 includes a supply line 11 having one end connected to the clean tank 3, and a supply line 11 branched at the other end (rolling mill side) of the supply line 11 at a position corresponding to each rolling stand. 5 sets of coolant headers 12 for lubrication and 5 sets of coolant headers 13 for cooling are provided, respectively.
  • Each lubricating coolant header 12 is arranged on the entry side of the rolling stand, and sprays rolling oil OL as lubricating oil from the spray nozzles provided respectively toward the roll bite, thereby lubricating the roll bite and the work rolls. supply.
  • the cooling coolant header 13 is arranged on the delivery side of the rolling stand, and cools the rolling rolls by injecting rolling oil OL toward the rolling rolls from respective spray nozzles.
  • the emulsion rolling oil OL in the clean tank 3 is pressure-fed to the supply line 11 by the pump 9, supplied to the lubricating coolant header 12 and the cooling coolant header 13 arranged in each rolling stand, and It is supplied to the injection site from the provided spray nozzle. Further, the emulsion rolling oil OL supplied to the rolling rolls is recovered in the oil pan 5 except for the oil carried out of the system by the steel plate S or lost by evaporation, and is returned to the dirty tank via the return pipe 6. 2 is returned. After that, part of the emulsion rolling oil stored in the dirty tank 2 is returned to the clean tank 3 after a certain amount of oil-melted iron generated by cold rolling is removed using the iron powder removing device 8.
  • the above-described rolling oil supply system circulates and supplies the rolling oil from which the abrasion has been removed to the rolling rolls. That is, the supplied emulsion rolling oil is recycled.
  • the clean tank 3 corresponds to a rolling oil tank for circulation in a conventional circulating oil supply system, and as described above, the clean tank 3 is replenished (supplied) with the undiluted rolling oil.
  • Functions related to the shape control prediction model which is one embodiment of the present invention, are implemented by the rolling control device 100, the arithmetic unit 200, and the steel plate information measuring device 300 shown in FIG.
  • the rolling control device 100 controls the rolling conditions of the cold rolling mill 1 based on control signals from the arithmetic unit 200 .
  • FIG. 2 is a block diagram showing the configuration of the arithmetic unit 200 shown in FIG.
  • the arithmetic unit 200 comprises an arithmetic device 210, an input device 220, a storage device 230, and an output device 240.
  • FIG. 2 is a block diagram showing the configuration of the arithmetic unit 200 shown in FIG.
  • the arithmetic unit 200 comprises an arithmetic device 210, an input device 220, a storage device 230, and an output device 240.
  • FIG. 2 is a block diagram showing the configuration of the arithmetic unit 200 shown in FIG.
  • the arithmetic unit 200 comprises an arithmetic device 210, an input device 220, a storage device 230, and an output device 240.
  • FIG. 2 is a block diagram showing the configuration of the arithmetic unit 200 shown in FIG.
  • the arithmetic unit 200 comprises an arithmetic device 210, an input device 220, a
  • the computing device 210 is wire-connected to the input device 220 , the storage device 230 and the output device 240 via the bus 250 .
  • the computing device 210, the input device 220, the storage device 230, and the output device 240 are not limited to this connection mode, and may be connected wirelessly, or may be connected in a combination of wired connection and wireless connection. good too.
  • the input device 220 receives the control information of the cold rolling mill 1 by the rolling control device 100 and the steel plate information on the entry side of the rolling measured by the steel plate information measuring device 300 (information on the steel plate S on the entry side of the cold rolling mill 1 (for example, steel type , strip thickness before rolling, strip width, etc.)) and information from the operation monitoring device 400 are input.
  • the information from the operation monitoring device 400 includes execution command information of the shape control prediction model, information on the steel sheet S to be rolled (pre-process conditions, steel type, size), and information set by the process computer or operator before cold rolling Cold rolling condition information (numerical information, character information, and image information) is included.
  • the storage device 230 is composed of, for example, a hard disk drive, a semiconductor drive, an optical drive, etc., and stores information necessary for this system (information necessary for realizing the functions of the prediction model generation unit 214 and the prediction model execution unit 215, which will be described later). It is a device that
  • the information necessary for realizing the function of the prediction model generation unit 214 includes, for example, the steel sheet information on the entry side measured by the steel sheet information measuring device 300, the required properties of the steel sheet S (steel type, product thickness, width, etc.). and equipment restrictions of the cold rolling mill 1, rolling information after the steel plate S passes through the welding point (including coil information and shape actuator position), coolant properties used in the rolling stand, rolling conditions (including target rolling speed), etc. Including explanatory variables related to cold rolling and shape parameters such as information on the steel plate on the delivery side (1st to 4th order components of the shape of the steel plate on the delivery side, steepness, edge drop ratio (thickness reduction rate at the edge of the steel plate), etc. ) and other objective variables related to cold rolling.
  • the information necessary for realizing the function of the prediction model execution unit 215 includes, for example, the shape control prediction model for each rolling state of the steel sheet S generated by the prediction model generation unit 214 and various information and shape input to the shape control prediction model. Constraints are included.
  • the shape constraint conditions are conditions that serve as criteria for judging whether the steel plate shape on the delivery side of the cold rolling mill 1 is acceptable. A range determined to be acceptable for each drop ratio is set appropriately in advance.
  • the output device 240 functions as an output port that outputs control signals from the arithmetic device 210 to the rolling control device 100 .
  • the operation monitoring device 400 is equipped with any display device such as a liquid crystal display or an organic display.
  • the operation monitoring device 400 receives various kinds of information indicating the operating state of the cold rolling mill 1 from the rolling control device 100, and displays the received information on an operation screen (operation screen) for the operator to monitor the operating state of the cold rolling mill 1. screen).
  • the arithmetic device 210 includes a RAM (Random Access Memory) 211 , a ROM (Read Only Memory) 212 , and an arithmetic processing section 213 .
  • the ROM 212 stores a prediction model generation program 212a and a prediction model execution program 212b, which are computer programs.
  • the arithmetic processing unit 213 has an arithmetic processing function and is connected to the RAM 211 and the ROM 212 via the bus 250 .
  • the RAM 211 , ROM 212 and arithmetic processing unit 213 are connected to the input device 220 , storage device 230 and output device 240 via the bus 250 .
  • the arithmetic processing unit 213 includes a prediction model generation unit 214 and a prediction model execution unit 215 as functional blocks.
  • the prediction model generation unit 214 generates pre-rolling data and rolling conditions of the steel sheet S among the past rolling results in the cold rolling mill 1, and post-rolling data of the steel sheet S corresponding to each pre-rolling data among the past rolling results. It is a processing unit that generates a shape control prediction model by a machine learning method that connects data.
  • a neural network model is used as a shape control prediction model based on a machine learning technique.
  • the machine learning method is not limited to neural networks, and other known machine learning methods may be employed.
  • the prediction model generation unit 214 includes a learning data acquisition unit 214a, a preprocessing unit 214b, a first data conversion unit 214c, a model generation unit 214d, and a result storage unit 214e.
  • the prediction model generation unit 214 executes a prediction model generation program 212a stored in the ROM 73 to obtain a learning data acquisition unit 214a, It functions as a preprocessing unit 214b, a first data conversion unit 214c, a model generation unit 214d, and a result storage unit 214e.
  • the shape control predictive model is updated each time the predictive model generator 214 executes it.
  • the learning data acquisition unit 214a obtains input performance data (description A plurality of data for learning are obtained with the information on the steel sheet on the delivery side as output performance data (objective variable). Specifically, the learning data acquisition unit 214a inputs at least one of thickness information and temperature information in the width direction and the longitudinal direction of the steel sheet S measured at the entry side of the rolling mill, and the past rolling performance of the coil. A plurality of data for learning are acquired using actual data as output actual data and shape parameters calculated from the shape of the steel sheet at the delivery side of the cold rolling mill 1 during cold rolling using the input actual data as output actual data. The learning data acquisition unit 214a acquires the above input performance data and output performance data from the storage device 230 and creates learning data.
  • Each piece of learning data consists of a set of input performance data and output performance data.
  • Learning data is stored in the storage device 230 .
  • the learning data acquisition unit 214a may supply the learning data to the preprocessing unit 214b and the model generation unit 214d without storing the learning data in the storage device 230.
  • FIG. 1 A block diagram illustrating an exemplary computing environment in accordance with the present disclosure.
  • the input performance data includes multidimensional array information that links explanatory variables in the time direction.
  • information as shown in FIGS. 3(a) to 3(c) is adopted as the multidimensional array information.
  • FIG. 3(a) shows an example in which the steel plate information measuring device 300 has one measurement point.
  • the learning data acquisition unit 214a duplicates the data in the width direction of the steel plate S for the measurement points continuously measured in the longitudinal direction of the steel plate S, and the column (vertical direction) is the width direction , rows (horizontal direction) are sampling pitches, and multi-dimensional array information is created by linking explanatory variables selected from information on the relevant coil and past rolling performance, and used as input performance data.
  • the number of columns, rows, and columns of explanatory variables is not particularly limited.
  • FIG. 3(b) shows an example in which the measurement points of the steel plate information measuring device 300 are scanned in the width direction of the steel plate S.
  • the learning data acquiring unit 214a duplicates the data in the longitudinal direction of the steel sheet S for the measurement points measured continuously in the longitudinal direction of the steel sheet S in a wavy shape.
  • multidimensional array information is created by connecting the explanatory variables and serves as input performance data.
  • FIG. 3(c) shows an example in which the steel sheet information measuring device 300 has a plurality of measurement points in the width direction of the steel sheet S.
  • the learning data acquisition unit 214a connects the explanatory variables to the measurement point group continuously measured in the longitudinal direction of the steel plate S, as in the example shown in FIG. Create multi-dimensional array information and use it as input performance data.
  • the information measured by the steel plate information measuring device 300 is at least one of plate thickness and temperature information.
  • the measurement method of the plate thickness gauge is not particularly limited, and may be a contact type or a non-contact type ( ⁇ -ray, X-ray, etc.).
  • the thermometer is similarly not limited, and may be a contact type or a non-contact type such as a radiation thermometer.
  • a steel plate heating device for applying temperature to the steel plate S may be installed on the upstream side.
  • the learning data acquisition unit 214a When past rolling performance data is not stored in the storage device 230 (for example, when rolling conditions or steel type conditions have not been used in the past) or when the sample amount is small, the learning data acquisition unit 214a , asks the operator one or more times to perform cold rolling without using the shape control predictive model. Also, the more the number of learning data stored in the storage device 230, the higher the prediction accuracy of the shape control prediction model. Therefore, when the number of learning data is less than the preset threshold, the learning data acquisition unit 214a instructs the operator to perform cold rolling without using the shape control prediction model until the number of data reaches the threshold. may be requested to run.
  • the preprocessing unit 214b processes the learning data acquired by the learning data acquisition unit 214a for shape control prediction model generation. Specifically, the preprocessing unit 214b standardizes (normalizes) the value range of the input performance data between 0 and 1 as necessary in order to read the rolling performance data that constitutes the learning data into the neural network model. )do.
  • the input performance data is multidimensional information.
  • the first data conversion unit 214c uses a convolutional neural network to dimensionally compress the input performance data while retaining the feature amount, and obtains one-dimensional information (see FIG. 4).
  • the input performance data is connected to the input layer 501 of the neural network model shown in FIG. 4 in the form of one-dimensional information.
  • FIG. 5 is a flow chart showing the flow of processing for converting multidimensional array information into one-dimensional information.
  • the process of converting multidimensional array information into one-dimensional information that is, the method of storing multidimensional array information has a structure in which the inputs and outputs of a plurality of filters are connected in multiple stages. That is, the process of converting multidimensional array information into one-dimensional information includes, in order from the input side, a first convolution step S1, a first pooling step S2, a second convolution step S3, a second pooling step S4, and a full combination step. Including S5.
  • the first data conversion unit 214c receives 64 horizontal x 64 vertical multidimensional array information as input, and outputs a 64 x 64 first feature map through a convolution operation.
  • the first feature map indicates what kind of local features are present at what locations in the input sequence.
  • a 32-channel filter with 3 pixels in the horizontal direction and 3 pixels in the vertical direction is used.
  • the first data conversion unit 214c receives the first feature map output in the first convolution step S1, and newly finds the maximum value of the first feature map within 3 pixels wide by 3 pixels high. 1 pixel.
  • the first data conversion unit 214c performs such an operation over the entire map while shifting pixels. Accordingly, in the first pooling step S2, the first data conversion unit 214c outputs the second feature map obtained by compressing the first feature map.
  • the first data conversion unit 214c receives the second feature map as input and outputs the third feature map through convolution operation.
  • the convolution operation for example, a 32-channel filter with 3 pixels in the horizontal direction and 3 pixels in the vertical direction is used.
  • the first data conversion unit 214c receives the third feature map output in the second convolution step S3 as an input, and the maximum value of the third feature map within horizontal 3 ⁇ vertical 3 pixels is newly calculated. 1 pixel.
  • the first data conversion unit 214c performs such an operation over the entire map while shifting pixels. Accordingly, in the second pooling step S4, the first data conversion unit 214c outputs the fourth feature map obtained by compressing the third feature map.
  • the first data conversion unit 214c arranges the information of the fourth feature map output in the second pooling step S4 in a line.
  • the 100 neurons output from the full connection step S5 become the input layer 501 of the neural network model shown in FIG.
  • the method of convolution and the number of output neurons are not limited to those described above.
  • known models such as GoogleNet, VGG16, MOBILENET, and EFFICIENTNET may be used.
  • the model generation unit 214d performs machine learning (including information converted by the first data conversion unit 77C) using a plurality of learning data acquired by the preprocessing unit 214b, and performs rolling entry side steel plate information and explanatory variables (such A shape control prediction model is generated that includes coil information and past rolling performance) as input performance data, and uses the rolling delivery side steel plate information as output performance data.
  • the model generation unit 214d since a neural network is used as a machine learning method, the model generation unit 214d generates a neural network model as a shape control prediction model. That is, the model generation unit 214d generates input performance data (rolling performance data including rolling entry side steel plate information) and output performance data (rolling delivery side steel plate information) in the learning data processed for shape control prediction model generation. Generate a neural network model as a shape control prediction model that connects A neural network model is expressed by, for example, a functional expression.
  • the model generation unit 214d sets hyperparameters used in the neural network model and performs learning by the neural network model using the hyperparameters. As the hyperparameter optimization calculation, the model generation unit 214d first generates a neural network model in which some of the hyperparameters are changed in stages for the learning data, and the prediction accuracy for the verification data is the highest. Choose hyperparameters such that
  • the number of hidden layers, the number of neurons in each hidden layer, the dropout rate in each hidden layer (blocking neuron transmission with a certain probability), the activation function in each hidden layer, and the number of outputs are Set, but not limited to.
  • the hyperparameter optimization method is not particularly limited, but a grid search in which parameters are changed in stages, a random search in which parameters are randomly selected, or a search by Bayesian optimization can be used.
  • model generating unit 214d is incorporated as part of the computing device 210, the configuration is not limited to this.
  • shape control prediction models may be generated and stored in advance, and read out as appropriate.
  • the neural network model as the shape control prediction model in this embodiment comprises an input layer 501, an intermediate layer 502, and an output layer 503 in order from the input side.
  • the multidimensional array information created in FIG. 3 is dimensionally compressed by the learning data acquisition unit 214a using a convolutional neural network while retaining the feature amount, and stored in the input layer 501 as one-dimensional information. be.
  • the intermediate layer 502 is composed of multiple hidden layers, and multiple neurons are arranged in each hidden layer.
  • the number of hidden layers configured in the intermediate layer 502 and the number of neurons arranged in each hidden layer are not particularly limited.
  • the neuron's transfer from one neuron to the next hidden layer is done via activation functions with weighting of variables by weighting factors.
  • a sigmoid function, a hyperbolic tangent function, or a ramp function can be used as the activation function.
  • the output layer 503 combines the neuron information transmitted by the intermediate layer 502 and outputs it as a final shape constraint determination value for cold rolling.
  • the number of outputs configured in the output layer 503 is not particularly limited. Weights in the neural network model based on this output result, past rolling results (steel plate information on the entry side and operating conditions) during cold rolling of the steel plate S in the past, and rolling constraint results (plate shape determination) at that time Learning is performed by gradually optimizing the coefficients.
  • the model generation unit 214d transfers evaluation data (actual rolling conditions of the steel sheet S to be rolled using the shape control prediction model) to the neural network model from which the weighting coefficients have been learned. Input into the network model and obtain estimation results for the evaluation data.
  • the result storage unit 214e stores learning data, evaluation data, neural network model parameters (weight coefficients), neural network model output results for learning data, and neural network model output results for evaluation data. be memorized.
  • the predictive model executing unit 215 uses the shape control predictive model generated by the predictive model generating unit 214 during the cold rolling of the steel sheet S to determine the steel sheet S after cold rolling corresponding to the rolling conditions of the steel sheet S to be rolled. to predict the shape parameters of Then, the predictive model execution unit 215 determines target rolling conditions for the steel sheet S to be rolled.
  • the prediction model execution unit 215 includes an information reading unit 215a, a second data conversion unit 215b, a rolling shape prediction unit 215c, a rolling condition determination unit 215d, and a result output unit 215e.
  • the predictive model execution unit 215 receives a signal notifying that cold rolling is being performed from the rolling control device 100 via the input device 220, the predictive model execution program 212b stored in the ROM 212 , it functions as an information reading unit 215a, a second data conversion unit 215b, a rolling shape prediction unit 215c, a rolling condition determination unit 215d, and a result output unit 215e.
  • the information reading unit 215a reads the rolling conditions of the steel sheet S to be rolled set by the process computer and the operator in the operation monitoring device 400 from the storage device 230 .
  • the second data conversion unit 215b performs a process of convolving multi-dimensional array information, which is input data to the shape control prediction model, into one-dimensional information. Since the processing of the second data conversion unit 215b is the same as the processing of the first data conversion unit 214c, detailed description of the processing is omitted.
  • the first data conversion unit 214c and the second data conversion unit 215b may be made into a subroutine as one processing unit.
  • the rolling shape prediction unit 215c inputs the one-dimensional information convoluted by the second data conversion unit 215b into the shape control prediction model to predict the shape parameters of the steel sheet S to be rolled on the delivery side of the cold rolling mill. .
  • the rolling condition determination unit 215d changes the setting of the target rolling condition in the explanatory variable so that the shape parameter of the steel sheet S is within the shape constraint determination threshold value set separately, and the information reading unit 215a, the second data A process of repeatedly returning to the execution of the processes of the conversion unit 215b and the rolling shape prediction unit 215c is performed.
  • the result output unit 215e is activated when the shape parameter of the steel sheet S after rolling is within a predetermined shape constraint determination threshold, and outputs the determined rolling condition (shape control actuator amount) of the steel sheet S to be rolled.
  • FIG. 6 is a flowchart showing the processing flow of the prediction model execution unit 215.
  • the information reading unit 215a of the prediction model execution unit 215 performs shape control corresponding to the required properties of the steel plate S to be rolled as the processing of step S11.
  • a neural network model as a prediction model is read from the storage device 230 .
  • the information reading unit 215a reads the required shape constraint determination threshold value stored in the storage device 230 from the host computer via the input device 220 as the process of step S12.
  • the information reading unit 215a reads the rolling conditions of the steel sheet S to be rolled from the storage device 230 via the input device 220 from the host computer as the process of step S13.
  • the rolling shape prediction unit 215c uses the neural network model as the shape control prediction model read in the process of step S11 to use the steel sheet S to be rolled read in the process of step S13.
  • the shape parameters for the corresponding steel sheet S during cold rolling are determined as input performance data obtained by multidimensionally arraying the rolling conditions of .
  • the prediction result by the neural network model is output to the output layer 503 of the neural network model shown in FIG.
  • the rolling condition determination unit 215d determines whether or not the shape parameter of the steel sheet S obtained in the process of step S14 is within the shape constraint determination threshold read in the process of step S12. do. If the calculation does not sufficiently converge, an upper limit may be set for the number of repetitions of convergence within the calculation time that can be actually executed in the process of step S15. That the shape parameter is within the shape constraint determination threshold corresponds to satisfying the predetermined condition in the present invention.
  • step S15: Yes if the shape parameter is within the shape constraint determination threshold, the predictive model execution unit 215 ends the series of processes. On the other hand, if the shape parameter is not within the shape constraint determination threshold (step S15: No), the predictive model execution unit 215 advances the process to step S16.
  • step S16 the rolling condition determination unit 215d changes part of the rolling conditions (for example, the operation amount of the shape control actuator) of the steel sheet S to be rolled read in the process of step S13, and the process of step S17 is performed. Transition. In the process of step S ⁇ b>17 , the result output unit 215 e transmits information about part of the changed rolling conditions to the rolling control device 100 via the output device 240 .
  • the rolling condition determination unit 215d determines part of the rolling conditions, specifically, the work rolls and intermediate rolls, in the process of step S17.
  • the rolling conditions of the steel sheet S to be rolled in which the operation amount of the roll bender amount and the shift amount are changed are determined as the optimized steel sheet S rolling conditions.
  • the rolling condition determination unit 215d determines the operation amount of the shape control actuator based on the rolling conditions at that time.
  • the rolling control device 100 changes the rolling conditions based on the information about the shape control actuators transmitted from the result output section 215e in the cold rolling stage.
  • the rolling condition determination unit 215d determines the rolling target rolling object based on the difference between the shape parameter obtained in the process of step S14 and the shape constraint determination threshold value read in the process of step S12. Appropriate rolling conditions for the steel plate S are calculated. Then, the rolling condition determination unit 215d compares the calculated rolling conditions with the rolling conditions of the steel sheet S to be rolled read in the process of step S13, and changes the rolling conditions in the process of step S17.
  • the rolling shape prediction unit 215c reads the rolling conditions of the steel sheet S to be rolled, the rolling conditions of which are partially changed.
  • the rolling shape prediction unit 215c uses a neural network model as a shape control prediction model to correspond to the partially changed rolling conditions of the steel sheet S to be rolled read in the process of step S13.
  • a shape parameter of the steel sheet S after cold rolling is obtained.
  • the rolling condition determination unit 215d determines whether or not the shape parameter obtained in the process of step S14 is within the shape constraint determination threshold read in the process of step S12. Then, a series of processes of steps S13, S14, S15, S16, and S17 are repeatedly executed until the determination result becomes YES.
  • the processing (shape control determination step) by the prediction model execution unit 215 ends.
  • the prediction model generation unit 214 predicts shape control using a machine learning method that links the past rolling performance of the steel plate S and the past shape control performance corresponding to the past rolling performance. Generate a model. Further, the predictive model execution unit 215 obtains the shape parameters of the steel sheet S to be rolled by using the generated shape control predictive model during the cold rolling of the steel sheet S. Then, the predictive model execution unit 215 determines the rolling conditions for the steel sheet S to be rolled so that the obtained shape parameter is within the shape constraint determination threshold value.
  • shape control that satisfies various constraints in rolling operations is performed without relying on the operator's experience or subjectivity, and productivity can be maintained while suppressing troubles such as shape defects and breakage during cold rolling.
  • numerical information collected from actual rolling data is linked and multidimensional array information is used as input data. It is possible to identify the factors that contribute greatly to the constraints that occur during rolling on the neural network model.
  • the present invention is not limited to this and can be modified and improved in various ways.
  • repetition of the shape prediction of the steel sheet S by the shape control prediction model and determination of the rolling conditions are performed over the entire length of the coil, but they may be performed partially.
  • the cold rolling mill 1 is not limited to a four-high type, and may be a multiple rolling mill such as a two-high type (2Hi) or a six-high type (6Hi), and the number of rolling stands is also particularly limited. no. It may also be a cluster rolling mill or a Sendzimir rolling mill.
  • the rolling control device 100 when the calculation unit 200 calculates an abnormal control amount that exceeds the change upper and lower limit values of the shape control actuator or when the control amount cannot be calculated, the rolling control device 100 performs control based on a command from the calculation unit 200. cannot be executed. Therefore, the rolling control device 100 should not perform this operation when it determines that the control amount from the arithmetic unit 200 is abnormal, or when the control amount is not supplied from the arithmetic unit 200.
  • the output device 240 and the operation monitoring device 400 are not connected, but they may be communicatively connected.
  • the processing result of the prediction model execution unit 215 (in particular, the shape prediction information of the steel sheet S being rolled by the rolling shape prediction unit 215c and the changed rolling conditions determined by the rolling condition determination unit 215d) are transmitted to the operation monitoring device 400. can be displayed on the driving screen.
  • a learning data (approximately 3,000 past steel plate rolling results data) is used to perform learning with a neural network model, and the past steel plate rolling results and the past steel plate rolling results are linked. , created a neural network model for predicting the steel plate shape.
  • the deformation resistance of the steel plate in addition to the longitudinal steel plate information track record in the width direction of the steel plate actually measured at the rolling entry side, the deformation resistance of the steel plate, the rolling pass schedule (rolling load, tension, steel plate shape, Sheet thickness accuracy), emulsion properties, work roll dimension/crown/roughness information, bending amount, and work roll shift amount were used. Furthermore, multi-dimensional array information obtained by duplicating and linking the above rolling performance data was used as input performance data. As past rolling performance data of steel plate, the rolling delivery side steel plate shape performance was learned. After the roll gap is adjusted in the cold tandem rolling mill and the welding point of the steel plate passes, the shape of the steel plate after cold rolling is determined by the generated neural network model at the stage when the rolling control device 100 is turned on. predicted. Then, the rolling conditions were set by successively changing the rolling conditions such that the predicted shape was within the predetermined shape constraint determination threshold.
  • a base material thickness of 1.8 mm, a width of 1000 mm, and a material steel sheet (rolling target) containing 2.8 mass% Si for an electromagnetic steel sheet were cold-rolled to a thickness of 0.3 mm.
  • a material steel sheet (rolling target) containing 2.8 mass% Si for an electromagnetic steel sheet were cold-rolled to a thickness of 0.3 mm.
  • past steel plate shapes were obtained using input data that was one-dimensionally arranged without duplicating past steel plate rolling performance data in the time direction. By linking actual data, a neural network model used to predict the shape of the steel plate was generated.
  • Table 1 shows the number of fractures in steel sheets after 100-coil rolling in invention examples and comparative examples. As shown in Table 1, since sufficient learning was not performed in the comparative example, when the entry-side plate crown fluctuated greatly, the operational restrictions were exceeded, and troubles such as squeezing fracture occurred.
  • the shape during rolling of the steel plate is appropriately predicted, and the predicted shape parameter is within the preset shape constraint determination threshold value It was confirmed that it is preferable to determine the shape of the steel sheet after rolling by successively changing the rolling conditions such that In addition, by applying the present invention, it is possible not only to suppress the occurrence of troubles such as shape defects and plate breakage during cold rolling, but also to improve productivity and quality in the rolling process and the subsequent processes. It was confirmed that it can contribute greatly.
  • the present invention it is possible to set the rolling conditions for cold rolling with high productivity while ensuring the stability of cold rolling even when rolling a difficult-to-roll material with a thin plate thickness before rolling under a high load. It is possible to provide a rolling condition setting method and a rolling condition setting device for a rolling mill. In addition, according to the present invention, even when cold-rolling a difficult-to-roll material with a thin plate thickness before rolling under a high load, cold rolling can be performed with good productivity while ensuring the stability of cold rolling. A rolling method and a cold rolling mill can be provided. Moreover, according to the present invention, it is possible to provide a method for manufacturing a steel sheet that enables the steel sheet to be manufactured with a high yield.
  • Coolant header for cooling 100 Rolling controller 200 Arithmetic unit 210 Arithmetic device 211 RAM (Random Access Memory) 212 ROM (Read Only Memory) 212a prediction model generation program 212b prediction model execution program 213 arithmetic processing unit 214 prediction model generation unit 214a learning data acquisition unit 214b preprocessing unit 214c first data conversion unit 214d model generation unit 214e result storage unit 215 prediction model execution unit 215a information Reading unit 215b Second data conversion unit 215c Rolling shape prediction unit 215d Rolling condition determination unit 215e Result output unit 220 Input device 230 Storage device 240 Output device 300 Steel plate information measuring device 400 Operation monitoring device 501 Input layer 502 Intermediate layer 503 Output layer S steel plate

Landscapes

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

Abstract

本発明に係る冷間圧延機の圧延条件設定方法では、予測モデルは、冷間圧延機の入側における圧延材の冷間圧延前データを含む過去の圧延実績データを多次元データに変換した第１多次元データを説明変数とし、冷間圧延機の出側における圧延材の冷間圧延後データを目的変数として生成されたものであり、冷間圧延機の入側における圧延対象材の冷間圧延前データと冷間圧延機の目標圧延条件とを含む情報から生成した第２多次元データを予測モデルに入力することにより、冷間圧延機の出側における前記圧延対象材の圧延後の形状を推定するステップと、推定された圧延後の形状が所定条件を満足するように冷間圧延機の目標圧延条件を変更するステップと、を含む。

Description

冷間圧延機の圧延条件設定方法、冷間圧延方法、鋼板の製造方法、冷間圧延機の圧延条件設定装置、及び冷間圧延機
　本発明は、冷間圧延機の圧延条件設定方法、冷間圧延方法、鋼板の製造方法、冷間圧延機の圧延条件設定装置、及び冷間圧延機に関する。
　一般に、冷延薄鋼鈑等の圧延材を冷間圧延する際には、圧延材の長手方向及び幅方向の厚み精度を良好に保ちながら圧延材の形状（又は平坦度）を良好にすることにより、圧延材の通板性を安定化させた状態で冷間圧延が行われることが望ましい。一方で、軽量化による燃費抑制等を目的として、高負荷、且つ、圧延前板厚の薄い薄物硬質材等の難圧延材のニーズが高まっている。このような難圧延材の冷間圧延時には、圧延負荷を抑えるために、難圧延材は前工程の熱間圧延にて薄引きされた後に冷間圧延工程に送られる。
　近年、冷間圧延機の制御因子の多くは冷間圧延機に搭載されたアクチュエータによって自動制御され、オペレータが冷間圧延機の制御因子を設定する機会は減りつつある。ところが、上記のような難圧延材の冷間圧延時には、長手方向に沿って板クラウン（幅方向の厚み分布）が大きく変動することがある。長手方向に沿って板クラウンが大きく変動した際には、圧延荷重（及び付随して計算される先進率やトルク）をはじめ、冷間圧延機のロールギャップ、ワークロールベンダーや中間ロールシフト、及びサーマルクラウンによるロール膨張に代表されるロール撓み補正に対する変動が自動制御によって吸収できない場合が多い。
　従って、このような場合には、オペレータは、冷間圧延機の設備制約を満たしつつ、且つ、生産性を阻害しないように、パススケジュールや形状制御アクチュエータを設定する。このため、近年、オペレータの経験や主観によって冷間圧延機の操業速度、ひいては生産性が左右されやすくなっている。このような背景から、特許文献１には、ニューラルネットワークを用いて過去の操業条件を学習し、学習結果を用いて冷間圧延機のミルセットアップを行う方法が提案されている。また、特許文献２には、冷間圧延機の入側で測定された板厚プロフィールを用いてエッジドロップのフィードフォワード制御を行う方法が提案されている。
特許第６７０５５１９号公報 特許第４７８４３２０号公報
　しかしながら、特許文献１に記載の方法では、ミルセットアップ時点で冷間圧延機が最適な操業条件となったとしても、長手方向に沿って板クラウンが変動した場合には、冷間圧延機の出側における圧延材の形状が大きく変動し、形状不良による圧延速度の制限や、最悪の場合、圧延材の破断が発生する可能性がある。一方、特許文献２に記載の方法では、板厚プロフィールが長手方向の１断面のみであること及び線形回帰式を用いてエッジドロップを予測していることから、同じく長手方向に沿って板クラウンが変動する場合に対応することができない。
　本発明は、上記課題に鑑みてなされたものであって、その目的は、高負荷、且つ、圧延前板厚の薄い難圧延材を圧延する際にも冷間圧延の安定性を確保しつつ生産性よく冷間圧延する圧延条件を設定可能な冷間圧延機の圧延条件設定方法及び圧延条件設定装置を提供することにある。また、本発明の他の目的は、高負荷、且つ、圧延前板厚の薄い難圧延材を冷間圧延する際にも冷間圧延の安定性を確保しつつ生産性よく冷間圧延可能な冷間圧延方法及び冷間圧延機を提供することにある。また、本発明の他の目的は、鋼板を歩留まりよく製造可能な鋼板の製造方法を提供することにある。
　本発明に係る冷間圧延機の圧延条件設定方法は、圧延対象材の冷間圧延後の状態を予測する予測モデルを用いて該圧延対象材を冷間圧延する際の冷間圧延機の目標圧延条件を設定する冷間圧延機の圧延条件設定方法であって、前記予測モデルは、前記冷間圧延機の入側における圧延材の冷間圧延前データを含む過去の圧延実績データを多次元データに変換した第１多次元データを説明変数とし、前記冷間圧延機の出側における圧延材の冷間圧延後データを目的変数として生成されたものであり、前記冷間圧延機の入側における前記圧延対象材の冷間圧延前データと前記冷間圧延機の目標圧延条件とを含む情報から生成した第２多次元データを前記予測モデルに入力することにより、前記冷間圧延機の出側における前記圧延対象材の圧延後の形状を推定するステップと、推定された前記圧延後の形状が所定条件を満足するように前記冷間圧延機の目標圧延条件を変更するステップと、を含む。
　前記冷間圧延前データには、前記冷間圧延機の入側における鋼板の厚み情報及び温度情報の少なくとも一方が含まれるとよい。
　前記冷間圧延後データには、前記冷間圧延機の出側における鋼板の形状から算出される形状パラメータが含まれるとよい。
　本発明に係る冷間圧延方法は、本発明に係る冷間圧延機の圧延条件設定方法を用いて変更された冷間圧延機の目標圧延条件を用いて圧延対象材を冷間圧延するステップを含む。
　本発明に係る鋼板の製造方法は、本発明に係る冷間圧延方法を用いて鋼板を製造するステップを含む。
　本発明に係る冷間圧延機の圧延条件設定装置は、圧延対象材の冷間圧延後の状態を予測する予測モデルを用いて圧延対象材を冷間圧延する際の冷間圧延機の目標圧延条件を設定する冷間圧延機の圧延条件設定装置であって、前記予測モデルは、前記冷間圧延機の入側における圧延材の冷間圧延前データを含む過去の圧延実績データを多次元データに変換した第１多次元データを説明変数とし、前記冷間圧延機の出側における圧延材の冷間圧延後データを目的変数として生成されたものであり、前記冷間圧延機の入側における前記圧延対象材の冷間圧延前データと前記冷間圧延機の目標圧延条件とを含む情報から生成した第２多次元データを前記予測モデルに入力することにより、前記冷間圧延機の出側における前記圧延対象材の圧延後の形状を推定する手段と、推定された前記圧延後の形状が所定条件を満足するように前記冷間圧延機の目標圧延条件を変更する手段と、を備える。
　前記冷間圧延前データには、前記冷間圧延機の入側における鋼板の厚み情報及び温度情報の少なくとも一方が含まれるとよい。
　前記冷間圧延後データには、前記冷間圧延機の出側における鋼板の形状から算出される形状パラメータが含まれるとよい。
　本発明に係る冷間圧延機は、本発明に係る冷間圧延機の圧延条件設定装置を備える。
　本発明に係る冷間圧延機の圧延条件設定方法及び圧延条件設定装置によれば、高負荷、且つ、圧延前板厚の薄い難圧延材を冷間圧延する際にも冷間圧延の安定性を確保しつつ生産性よく冷間圧延する圧延条件を設定することができる。また、本発明に係る冷間圧延方法及び冷間圧延機によれば、高負荷、且つ、圧延前板厚の薄い難圧延材を冷間圧延する際にも冷間圧延の安定性を確保しつつ生産性よく冷間圧延することができる。また、本発明に係る鋼板の製造方法によれば、鋼板を歩留まりよく製造することができる。
図１は、本発明の一実施形態である冷間圧延機の構成を示す模式図である。 図２は、図１に示す演算ユニットの構成を示すブロック図である。 図３は、多次元配列情報の一例を示す図である。 図４は、形状制御予測モデルの構成例を示す図である。 図５は、多次元配列情報を一次元情報に変換する処理の流れを示すフローチャートである。 図６は、予測モデル実行部の処理の流れを示すフローチャートである。
　以下、図面を参照して、本発明の一実施形態である冷間圧延機の圧延条件設定方法、冷間圧延方法、鋼板の製造方法、冷間圧延機の圧延条件設定装置、及び冷間圧延機について説明する。なお、以下に示す実施形態は、本発明の技術思想を具体化するための装置や方法を例示したものであって、構成部品の材質、形状、構造、配置等を以下に示す実施形態に限定するものではない。また、図面は模式的なものである。このため、厚みと平面寸法との関係や比率等は現実のものとは異なることに留意すべきであり、図面相互間においても互いの寸法の関係や比率が異なる部分が含まれている。
〔冷間圧延機の構成〕
　まず、図１を参照して、本発明の一実施形態である冷間圧延機の構成について説明する。なお、本明細書中では「冷間圧延」を単に「圧延」と記載することがあり、本明細書において「冷間圧延」と「圧延」は同義である。また、以下の説明では、冷間圧延機によって圧延される圧延材（圧延対象材）として鋼板を例に挙げる。但し、圧延材は、鋼板に限定されることはなく、アルミニウム板等のその他の金属板でも適用可能である。
　図１は、本発明の一実施形態である冷間圧延機の構成を示す模式図である。図１に示すように、本発明の一実施形態である冷間圧延機１は、鋼板Ｓの入側（図１の紙面に向かって左側）から出側（図１の紙面に向かって右側）に向かって順に第１圧延スタンド～第５圧延スタンド（＃１ＳＴＤ～＃５ＳＴＤ）の５機の圧延スタンドを備える冷間タンデム圧延機である。この冷間圧延機１において、隣り合う圧延スタンド間には、図示しないテンションロール及びデフロール、板厚計、及び形状計が適宜設置されている。圧延スタンドの構成や鋼板Ｓの搬送装置等は特に限定されず、適宜公知の技術を適用できる。
　冷間圧延機１の各圧延スタンドにはエマルション圧延油（以降の説明で「エマルション圧延油」を単に「圧延油」と称することがある）ＯＬが供給される。冷間圧延機１は、圧延油貯留タンクとして、ダーティタンク（回収用タンク）２及びクリーンタンク３を備え、これらのタンクから供給された圧延油ＯＬが供給ライン１１を通って各圧延スタンドに供給される。
　ダーティタンク２には、第１～第５圧延スタンドの下方に配置されたオイルパン５により回収された圧延油、すなわち冷間圧延で使用された圧延油が戻り配管６を通って流入する。
　クリーンタンク３に貯留される圧延油ＯＬは、温水（希釈水）と圧延油の原液（界面活性剤が添加されている）とを混合することによって生成された圧延油である。この混合された温水と圧延油の原液は、撹拌機７の撹拌羽の回転数を調整することにより、つまり撹拌度合を調整することにより、目的とする所望の平均粒子径や濃度範囲を有する圧延油ＯＬとされる。
　圧延油の原液としては、通常の冷間圧延に用いられるものが適用でき、例えば天然油脂、脂肪酸エステル、及び炭化水素系合成潤滑油のうちのいずれかを基油としたものを用いることができる。さらに、これらの圧延油には、油性向上剤、極圧添加剤、及び酸化防止剤等の通常の冷間圧延油に用いられる添加剤を加えてもよい。
　圧延油に添加される界面活性剤としては、イオン系及び非イオン系のいずれを用いてもよく、通常の循環式クーラントシステム（循環式圧延油供給方式）で使用されるものを用いればよい。そして、圧延油の原液を好ましくは濃度２～８質量％、より好ましくは濃度３～６．０質量％に希釈し、界面活性剤を用いて水に油が分散したＯ／Ｗエマルション圧延油とすればよい。なお、圧延油の平均粒子径は、好ましくは１５μｍ以下、より好ましくは３～１０μｍとする。
　操業開始以降は、ダーティタンク２に回収された圧延油が、鉄粉量制御装置等からなる鉄粉除去装置８を介してクリーンタンク３に流入する。ダーティタンク２に回収された圧延油には、圧延ロールと鋼板Ｓとの間の摩擦で発生した摩耗粉（鉄粉）が含有されている。そこで、鉄粉除去装置８は、回収された圧延油の油溶鉄分がクリーンタンク３に貯留される圧延油ＯＬとして許容される油溶鉄分となるように摩耗粉を除去する。
　鉄粉除去装置８を介したダーティタンク２側からクリーンタンク３側への圧延油の移動は、連続的に行われてもよいし、間欠的に行われてもよい。鉄粉除去装置８としては、電磁フィルターやマグネットセパレータ等のマグネットフィルターを用いて鉄粉を吸着して除去するものが好ましいが、これに限らない。鉄粉除去装置８は、遠心分離等の方法を用いた公知の装置であってもよい。
　ところで、圧延スタンドに供給された圧延油の一部は、鋼板Ｓによって系外に持ち出されたり、蒸発によって失われたりする。このため、クリーンタンク３内の圧延油ＯＬの貯留レベルや濃度が所定範囲内となるように、クリーンタンク３は原液タンク（不図示）から圧延油の原液が適宜補給（供給）される構成となっている。また、圧延油の希釈のための温水も適宜、クリーンタンク３に補給（供給）される。なお、クリーンタンク３内のエマルション圧延油ＯＬの貯留レベルや濃度は、不図示のセンサで測定可能となっている。
　次に、冷間圧延機１の圧延油供給系統について詳細を説明する。冷間圧延機１の圧延油供給系統は、ダーティタンク２、鉄粉除去装置８、クリーンタンク３、及びクリーンタンク３から圧延油ＯＬを吸い上げるポンプ９を備えている。なお、クリーンタンク３とポンプ９との間に異物除去のためのストレーナを配置してもよい。
　冷間圧延機１の圧延油供給系統は、クリーンタンク３に一端部を接続した供給ライン１１と、供給ライン１１の他端部（圧延機側）で分岐して、各圧延スタンドに対応する位置にそれぞれ配置された５組の潤滑用クーラントヘッダー１２及び５組の冷却用クーラントヘッダー１３を備えている。
　各潤滑用クーラントヘッダー１２は、圧延スタンドの入側に配置され、それぞれ設けられたスプレーノズルからロールバイトに向けて潤滑油としての圧延油ＯＬを噴射することにより、ロールバイトやワークロールに潤滑油を供給する。冷却用クーラントヘッダー１３は、圧延スタンドの出側に配置され、それぞれ設けられたスプレーノズルから圧延ロールに向けて圧延油ＯＬを噴射することにより、圧延ロールを冷却する。
　このような構成により、クリーンタンク３内のエマルション圧延油ＯＬが、ポンプ９によって供給ライン１１に圧送され、各圧延スタンドに配置された潤滑用クーラントヘッダー１２及び冷却用クーラントヘッダー１３に供給され、それぞれ設けられたスプレーノズルから噴射部位に供給される。また、圧延ロールに供給されたエマルション圧延油ＯＬは、鋼板Ｓによって系外に持ち出されたり、蒸発によって失われたりしたものを除いて、オイルパン５で回収され、戻り配管６を介してダーティタンク２内に戻される。その後、ダーティタンク２内に貯留されたエマルション圧延油の一部は、鉄粉除去装置８を用いて冷間圧延により発生した油溶鉄分を一定量除去された後にクリーンタンク３内に戻される。
　以上の圧延油供給系統によって、摩耗分の除去処理が行われた圧延油が、圧延ロールに対し循環供給されることになる。すなわち、供給されたエマルション圧延油が循環使用される。なお、クリーンタンク３は、従来の循環給油方式での循環用の圧延油タンクに対応し、上述のように、適宜、クリーンタンク３に圧延油の原液が補給（供給）される。
〔形状制御予測モデル〕
　次に、図１～図６を参照して、本発明の一実施形態である形状制御予測モデルについて説明する。
　本発明の一実施形態である形状制御予測モデルに関連する機能は、図１に示す圧延制御装置１００、演算ユニット２００、及び鋼板情報測定装置３００によって実現される。
　圧延制御装置１００は、演算ユニット２００からの制御信号に基づいて冷間圧延機１の圧延条件を制御する。
　図２は、図１に示す演算ユニット２００の構成を示すブロック図である。図２に示すように、演算ユニット２００は、演算装置２１０、入力装置２２０、記憶装置２３０、及び出力装置２４０を備えている。
　演算装置２１０は、バス２５０を介して入力装置２２０、記憶装置２３０、及び出力装置２４０と有線接続されている。但し、演算装置２１０、入力装置２２０、記憶装置２３０、及び出力装置２４０は、この接続の態様に限らず、無線により接続されてもよく、有線接続と無線接続とを組み合わせた態様で接続されてもよい。
　入力装置２２０は、圧延制御装置１００による冷間圧延機１の制御情報や鋼板情報測定装置３００によって測定された圧延入側鋼板情報（冷間圧延機１の入側における鋼板Ｓに関する情報（例えば鋼種、圧延前の板厚、板幅等））、及び操業監視装置４００からの情報が入力される入力ポートとして機能する。操業監視装置４００からの情報としては、形状制御予測モデルの実行指令情報、圧延対象の鋼板Ｓに関する情報（前工程条件、鋼種、サイズ）、及び冷間圧延前にプロセスコンピュータ又はオペレータにより設定された冷間圧延条件情報（数値情報、文字情報、及び画像情報）が含まれる。
　記憶装置２３０は、例えばハードディスクドライブ、半導体ドライブ、光学ドライブ等により構成され、本システムにおいて必要な情報（後述する予測モデル生成部２１４及び予測モデル実行部２１５の機能の実現に必要な情報）を記憶する装置である。
　予測モデル生成部２１４の機能の実現に必要な情報としては、例えば、鋼板情報測定装置３００によって測定された圧延入側鋼板情報、鋼板Ｓの要求特性（鋼種、製品の板厚、板幅等）や冷間圧延機１の設備制約、鋼板Ｓの溶接点通過後の圧延情報（コイル情報、形状アクチュエータ位置を含む）、圧延スタンドで使用されるクーラント性状、圧延条件（目標圧延速度を含む）等の冷間圧延に関連する説明変数、及び圧延出側鋼板情報(出側鋼板形状の１～４次成分、急峻度、エッジドロップ比率（鋼板端部の板厚減少率）等の形状パラメータを含む)等の冷間圧延に関連する目的変数を示す情報が含まれる。
　なお、出側鋼板形状の１～４次成分であるΛ１～Λ４は以下に示す数式（１）～（４）を用いて算出することができる。すなわち、対称成分を表す形状パラメータΛ２，Λ４は以下に示す数式（１），（２）により算出され、非対称成分を表す形状パラメータΛ１，Λ３は以下に示す数式（３），（４）により算出される。但し、数式（１）～（４）におけるパラメータλ１～λ４は、鋼板形状Ｙとして伸び率を取り、幅方向には板幅で無次元した座標ｘ（－１≦ｘ≦１）を取り、鋼板形状Ｙを以下の数式（５）に示す４次式関数で近似したときの係数を示す。また、急峻度とは、圧延後の鋼板Ｓの波の高さδとそのピッチＰを用いてλ＝δ／Ｐで定義される値である。
Figure JPOXMLDOC01-appb-M000001
Figure JPOXMLDOC01-appb-M000002
Figure JPOXMLDOC01-appb-M000003
Figure JPOXMLDOC01-appb-M000004
Figure JPOXMLDOC01-appb-M000005
　予測モデル実行部２１５の機能の実現に必要な情報としては、例えば予測モデル生成部２１４によって生成された鋼板Ｓの圧延状態毎の形状制御予測モデル及び形状制御予測モデルに入力される各種情報及び形状制約条件が挙げられる。ここで、形状制約条件とは、冷間圧延機１の出側における鋼板形状の合否を判定する基準となる条件であり、例えば上述した出側鋼板形状の１～４次成分、急峻度、エッジドロップ比率のそれぞれに対して合格と判定される範囲が予め適宜設定される。
　出力装置２４０は、演算装置２１０からの制御信号を圧延制御装置１００に対して出力する出力ポートとして機能する。
　操業監視装置４００は、液晶ディスプレイや有機ディスプレイ等の任意の表示装置を備えている。操業監視装置４００は、圧延制御装置１００から冷間圧延機１の操業状態を示す各種情報を受信し、受信した情報をオペレータが冷間圧延機１の操業状態を監視するための運転画面（操業画面）に表示する。
　演算装置２１０は、ＲＡＭ（Random　Access　Memory）２１１、ＲＯＭ（Read　Only　Memory）２１２、及び演算処理部２１３を備えている。
　ＲＯＭ２１２は、コンピュータプログラムである予測モデル生成プログラム２１２ａ及び予測モデル実行プログラム２１２ｂを記憶している。
　演算処理部２１３は、演算処理機能を有し、バス２５０を介してＲＡＭ２１１及びＲＯＭ２１２と接続されている。
　ＲＡＭ２１１、ＲＯＭ２１２、及び演算処理部２１３は、バス２５０を介して入力装置２２０、記憶装置２３０、及び出力装置２４０に接続されている。
　演算処理部２１３は、機能ブロックとして、予測モデル生成部２１４及び予測モデル実行部２１５を備えている。
　予測モデル生成部２１４は、冷間圧延機１における過去の圧延実績のうち、鋼板Ｓの圧延前データ及び圧延条件と、過去の圧延実績のうち、各圧延前データに対応する鋼板Ｓの圧延後データとを結び付ける機械学習手法による形状制御予測モデルを生成する処理部である。機械学習手法による形状制御予測モデルとして、本実施形態では、ニューラルネットワークモデルを用いる。但し、機械学習手法は、ニューラルネットワークに限定されず、他の公知の機械学習手法を採用しても構わない。
　予測モデル生成部２１４は、学習用データ取得部２１４ａ、前処理部２１４ｂ、第１データ変換部２１４ｃ、モデル生成部２１４ｄ、及び結果保存部２１４ｅを備えている。予測モデル生成部２１４は、操業監視装置４００から形状制御予測モデルの生成の指示を受けた際に、ＲＯＭ７３に記憶されている予測モデル生成プログラム２１２ａを実行することにより、学習用データ取得部２１４ａ、前処理部２１４ｂ、第１データ変換部２１４ｃ、モデル生成部２１４ｄ、及び結果保存部２１４ｅとして機能する。形状制御予測モデルは、予測モデル生成部２１４が実行する度に更新される。
　学習用データ取得部２１４ａは、形状制御予測モデルの生成のための事前処理として、過去の圧延実績データのうち、鋼板情報測定装置３００からの圧延入側鋼板情報と圧延条件を入力実績データ（説明変数）とし、圧延出側鋼板情報を出力実績データ（目的変数）とした、複数の学習用データを取得する。具体的には、学習用データ取得部２１４ａは、圧延機入側で測定された鋼板Ｓの幅方向及び長手方向の板厚情報及び温度情報の少なくとも一方と当該コイルでの過去の圧延実績を入力実績データとし、その入力実績データを用いた冷間圧延時の冷間圧延機１の出側における鋼板形状から算出される形状パラメータを出力実績データとした、複数の学習用データを取得する。学習用データ取得部２１４ａは、記憶装置２３０から上記の入力実績データ及び出力実績データを取得して学習用データを作成する。各学習用データは、入力実績データと出力実績データの組からなる。学習用データは、記憶装置２３０に記憶される。学習用データ取得部２１４ａは、記憶装置２３０に学習用データを記憶させることなく、前処理部２１４ｂやモデル生成部２１４ｄに学習用データを供給してもよい。
　入力実績データには、説明変数を時間方向に連結した多次元配列情報が含まれる。本実施形態では、多次元配列情報として、図３（ａ）～（ｃ）に示すような情報を採用する。
　図３（ａ）は鋼板情報測定装置３００の測定点が１つである場合の例を示す。この場合、学習用データ取得部２１４ａは、鋼板Ｓの長手方向に対して連続的に測定された測定点に対して、鋼板Ｓの幅方向にデータを複製し、縦列（垂直方向）が幅方向、横列（水平方向）が採取ピッチとなる配列を作成し、さらに当該コイルの情報及び過去の圧延実績より選択される説明変数を連結させた多次元配列情報を作成して入力実績データとする。縦列、横列、及び説明変数の列数は特に限定されない。
　図３（ｂ）は、鋼板情報測定装置３００の測定点を鋼板Ｓの幅方向に対して走査する場合の例を示す。この場合、学習用データ取得部２１４ａは、鋼板Ｓの長手方向に対して連続的、且つ、波状に測定された測定点に対して、鋼板Ｓの長手方向にデータを複製する。図３（ａ）に示した例と同様、説明変数を連結させた多次元配列情報が作成され、入力実績データとなる。
　図３（ｃ）は、鋼板情報測定装置３００の測定点が鋼板Ｓの幅方向に複数ある場合の例を示す。この場合、学習用データ取得部２１４ａは、鋼板Ｓの長手方向に対して連続的に測定された測定点群に対して、図３（ａ）に示した例と同様、説明変数を連結させることにより多次元配列情報を作成して入力実績データとする。
　なお、鋼板情報測定装置３００により測定される情報は板厚及び温度情報の少なくとも一方とする。板厚計の測定手法は特に限定されず、接触式でも非接触式（γ線、Ｘ線等）でもよい。温度計も同様に限定されず、接触式でも放射温度計のような非接触式でもよい。また、鋼板情報測定装置３００が温度計である場合は、鋼板Ｓに温度を付与するための鋼板加熱装置を上流側に設置してもよい。
　なお、記憶装置２３０に過去の圧延実績データが記憶されていない場合（例えば、過去に実績のない圧延条件や鋼種条件である場合）やサンプル量が少ない場合には、学習用データ取得部２１４ａは、オペレータに対して１回又は複数回、形状制御予測モデルを使用せずに冷間圧延を実行するよう要求する。また、記憶装置２３０に記憶されている学習用データの数が多いほど形状制御予測モデルによる予測精度が高まる。このため、学習用データの数が予め設定した閾値未満である場合、学習用データ取得部２１４ａは、データ数が閾値に至るまでオペレータに対して、形状制御予測モデルを使用せずに冷間圧延を実行するよう要求してもよい。
　前処理部２１４ｂは、学習用データ取得部２１４ａが取得した学習用データを形状制御予測モデル生成用に加工する。具体的には、前処理部２１４ｂは、学習用データを構成する圧延実績データをニューラルネットワークモデルに読み込ませるために、必要に応じて０～１の間で入力実績データの値域を標準化（正規化）する。
　入力実績データは多次元情報である。このため、第１データ変換部２１４ｃは、畳み込みニューラルネットワークを用いて特徴量を残した状態で入力実績データを次元圧縮し、一次元情報とする（図４参照）。入力実績データは、一次元情報となった状態で図４に示すニューラルネットワークモデルの入力層５０１に結合される。
　ここで、図５を参照して、第１データ変換部２１４ｃの処理例について説明する。図５は、多次元配列情報を一次元情報に変換する処理の流れを示すフローチャートである。図５に示すように、多次元配列情報を一次元情報に変換する処理、すなわち多次元配列情報の格納方法は、複数のフィルターの入出力が多段に繋がれた構造を有している。すなわち、多次元配列情報を一次元情報に変換する処理は、入力側から順番に、第１畳み込みステップＳ１、第１プーリングステップＳ２、第２畳み込みステップＳ３、第２プーリングステップＳ４、及び全結合ステップＳ５を含む。
　第１畳み込みステップＳ１では、第１データ変換部２１４ｃが、横６４×縦６４の多次元配列情報を入力とし、畳み込み演算によって６４×６４の第１特徴マップを出力する。第１特徴マップは、入力配列のどの箇所にどのような局所的な特徴があるのかを示す。畳み込み演算では、例えば横３×縦３ピクセル、３２チャンネルのフィルターとし、フィルターの適用間隔を１、周辺を０で埋める（パッディング）長さを１とする。
　第１プーリングステップＳ２では、第１データ変換部２１４ｃが、第１畳み込みステップＳ１により出力された第１特徴マップを入力とし、第１特徴マップの横３×縦３ピクセル内での最大値を新たな１ピクセルとする。第１データ変換部２１４ｃは、係る操作を、ピクセルをずらしながらマップ全体にわたり実施する。これにより、第１プーリングステップＳ２では、第１データ変換部２１４ｃは、第１特徴マップを圧縮した第２特徴マップを出力する。
　第２畳み込みステップＳ３では、第１データ変換部２１４ｃが、第２特徴マップを入力とし、畳み込み演算によって第３特徴マップを出力する。畳み込み演算では、例えば横３×縦３ピクセル、３２チャンネルのフィルターとし、フィルターの適用間隔を１、周辺を０で埋める（パッディング）長さを１とする。
　第２プーリングステップＳ４では、第１データ変換部２１４ｃが、第２畳み込みステップＳ３により出力された第３特徴マップを入力とし、第３特徴マップの横３×縦３ピクセル内での最大値を新たな１ピクセルとする。第１データ変換部２１４ｃは、係る操作を、ピクセルをずらしながらマップ全体にわたり実施する。これにより、第２プーリングステップＳ４では、第１データ変換部２１４ｃは、第３特徴マップを圧縮した第４特徴マップを出力する。
　全結合ステップＳ５では、第１データ変換部２１４ｃが、第２プーリングステップＳ４により出力された第４特徴マップの情報を一列に配列する。そして、全結合ステップＳ５から出力された１００個のニューロンは図４に示すニューラルネットワークモデルの入力層５０１となる。なお、畳み込みの手法や出力ニューロン数は上記に限定されない。また、畳み込みニューラルネットワークの手法としてはＧｏｏｇｌｅＮｅｔやＶＧＧ１６、ＭＯＢＩＬＥＮＥＴ、ＥＦＦＩＣＩＥＮＴＮＥＴ等の既知のモデルを用いてもよい。
　図２に戻る。モデル生成部２１４ｄは、前処理部２１４ｂが取得した複数の学習用データを用いた機械学習（第１データ変換部７７Ｃで変換された情報も含む）によって、圧延入側鋼板情報や説明変数（当該コイル情報や過去圧延実績）を入力実績データとして含み、圧延出側鋼板情報を出力実績データとする形状制御予測モデルを生成する。
　本実施形態では、機械学習の手法としてはニューラルネットワークを採用するため、モデル生成部２１４ｄは、形状制御予測モデルとしてニューラルネットワークモデルを生成する。すなわち、モデル生成部２１４ｄは、形状制御予測モデル生成用に加工された学習用データにおける、入力実績データ（圧延入側鋼板情報を含む圧延実績データ）と出力実績データ（圧延出側鋼板情報）とを結び付ける形状制御予測モデルとしてのニューラルネットワークモデルを生成する。ニューラルネットワークモデルは、例えば関数式で表現される。
　具体的には、モデル生成部２１４ｄは、ニューラルネットワークモデルに用いられるハイパーパラメータの設定を行うと共に、ハイパーパラメータを用いたニューラルネットワークモデルによる学習を行う。ハイパーパラメータの最適化計算として、モデル生成部２１４ｄは、まず学習用データに対して、ハイパーパラメータ内の幾つかを段階的に変更したニューラルネットワークモデルを生成し、検証用データに対する予測精度が最も高くなるようなハイパーパラメータを選択する。
　ハイパーパラメータとして通常、隠れ層の数、各隠れ層のニューロン数、各隠れ層におけるドロップアウト率（ニューロンの伝達をある一定の確率で遮断する）、各隠れ層における活性化関数、及び出力数が設定されるが、これに限定されない。また、ハイパーパラメータの最適化手法は特に限定されないが、パラメータを段階的に変更するグリッドサーチや、パラメータをランダムに選択するランダムサーチ、あるいはベイズ最適化による探索を用いることができる。
　なお、モデル生成部２１４ｄは演算装置２１０の一部として組み込まれているが、構成はこれに限定されない。例えば、形状制御予測モデルを予め生成して保存しておき、それら適宜読み出しても構わない。
　図４に示すように、本実施形態における形状制御予測モデルとしてのニューラルネットワークモデルは、入力側から順に、入力層５０１、中間層５０２、及び出力層５０３を備えている。
　図３で作成された多次元配列情報は、学習用データ取得部２１４ａによって畳み込みニューラルネットワークを用いて特徴量を残した状態で次元圧縮され、一次元情報となった状態で入力層５０１に格納される。
　中間層５０２は複数の隠れ層で構成され、各々の隠れ層には複数のニューロンが配置されている。中間層５０２内に構成される隠れ層の数や各隠れ層に配置されるニューロンの数は特に限定されない。中間層５０２では、あるニューロンから続く隠れ層へのニューロンの伝達は、重み係数による変数の重み付けと共に、活性化関数を介して行われる。活性化関数にはシグモイト関数やハイパボリックタンジェント関数、あるいはランプ関数を用いることができる。
　出力層５０３は、中間層５０２により伝達されたニューロンの情報が結合され、最終的な冷間圧延に対する形状制約判定値として出力される。出力層５０３内に構成される出力数は特に限定されない。この出力された結果と、過去の鋼板Ｓの冷間圧延時の圧延実績（圧延入側鋼板情報及び操業条件）とその時の圧延制約実績（板形状判定）とに基づき、ニューラルネットワークモデル内の重み係数が徐々に最適化されることで学習が行われる。
　ニューラルネットワークモデルの重み係数が学習された後、モデル生成部２１４ｄは、評価用データ（形状制御予測モデルを用いた圧延対象となる鋼板Ｓの圧延条件実績）を、この重み係数が学習されたニューラルネットワークモデルに入力して、評価用データに対する推定結果を得る。
　図２に戻る。結果保存部２１４ｅは、学習用データ、評価用データ、ニューラルネットワークモデルのパラメータ（重み係数）、学習用データに対するニューラルネットワークモデルの出力結果、及び評価用データに対するニューラルネットワークモデルの出力結果を記憶装置２３０に記憶させる。
　予測モデル実行部２１５は、鋼板Ｓの冷間圧延中に、予測モデル生成部２１４で生成された形状制御予測モデルを用いて圧延対象の鋼板Ｓの圧延条件に対応する冷間圧延後の鋼板Ｓの形状パラメータを予測する。そして、予測モデル実行部２１５は、圧延対象の鋼板Ｓにおける目標圧延条件を決定する。
　上記処理を行うため、予測モデル実行部２１５は、情報読取部２１５ａ、第２データ変換部２１５ｂ、圧延形状予測部２１５ｃ、圧延条件決定部２１５ｄ、及び結果出力部２１５ｅを備えている。ここで、予測モデル実行部２１５は、入力装置２２０を介して圧延制御装置１００から冷間圧延が実施されていることを知らせる信号を受けたときに、ＲＯＭ２１２に記憶されている予測モデル実行プログラム２１２ｂを実行することにより、情報読取部２１５ａ、第２データ変換部２１５ｂ、圧延形状予測部２１５ｃ、圧延条件決定部２１５ｄ、及び結果出力部２１５ｅとして機能する。
　情報読取部２１５ａは、記憶装置２３０から操業監視装置４００にてプロセスコンピュータならびにオペレータにより設定された圧延対象の鋼板Ｓの圧延条件を読み込む。
　第２データ変換部２１５ｂは、形状制御予測モデルへの入力データとなる多次元配列情報を一次元情報に畳み込む処理を行う。第２データ変換部２１５ｂの処理は、第１データ変換部２１４ｃの処理と同じであるため、処理の詳細な説明は省略する。第１データ変換部２１４ｃ及び第２データ変換部２１５ｂを一つの処理部としてサブルーチン化してもよい。
　圧延形状予測部２１５ｃは、第２データ変換部２１５ｂで畳み込まれた後の一次元情報を形状制御予測モデルに入力して圧延対象の鋼板Ｓの冷間圧延機出側における形状パラメータを予測する。
　圧延条件決定部２１５ｄは、鋼板Ｓの形状パラメータが、別途設定されている形状制約判定閾値以内となるように説明変数中の目標圧延条件を設定変更して上記の情報読取部２１５ａ、第２データ変換部２１５ｂ、及び圧延形状予測部２１５ｃの処理の実行に繰り返し戻す処理を行う。
　結果出力部２１５ｅは、鋼板Ｓの圧延後の形状パラメータが予め設定した形状制約判定閾値以内となると作動し、決定した圧延対象の鋼板Ｓの圧延条件（形状制御アクチュエータ量）を出力する。
　次に、図６を参照して、予測モデル実行部２１５の処理について説明する。
　図６は、予測モデル実行部２１５の処理の流れを示すフローチャートである。図６に示すように、形状制御予測モデルを実行する際は、まず、予測モデル実行部２１５の情報読取部２１５ａが、ステップＳ１１の処理として、圧延対象の鋼板Ｓの要求特性に対応する形状制御予測モデルとしてのニューラルネットワークモデルを記憶装置２３０から読み込む。
　次に、情報読取部２１５ａが、ステップＳ１２の処理として、上位計算機から入力装置２２０を介して記憶装置２３０に記憶されている要求される形状制約判定閾値を読み込む。次に、情報読取部２１５ａは、ステップＳ１３の処理として、上位計算機から入力装置２２０を介して記憶装置２３０に記憶されている圧延対象の鋼板Ｓの圧延条件を読み込む。
　次に、圧延形状予測部２１５ｃが、ステップＳ１４の処理として、ステップＳ１１の処理で読み込まれた形状制御予測モデルとしてのニューラルネットワークモデルを用いて、ステップＳ１３の処理で読み込まれた圧延対象の鋼板Ｓの圧延条件を多次元配列化した入力実績データとして、対応する冷間圧延中の鋼板Ｓに対する形状パラメータを求める。なお、ニューラルネットワークモデルによる予測結果は図４に示すニューラルネットワークモデルの出力層５０３に出力される。
　次に、圧延条件決定部２１５ｄが、ステップＳ１５の処理として、ステップＳ１４の処理で求められた鋼板Ｓの形状パラメータがステップＳ１２の処理で読み込まれた形状制約判定閾値以内であるか否かを判定する。なお、計算の収束が十分でない場合は、実際にステップＳ１５の処理で実行可能な計算時間の範囲内で収束の繰り返し回数に上限を設けてもよい。形状パラメータが形状制約判定閾値以内であることは本発明における所定条件を満足することに相当する。
　そして、形状パラメータが形状制約判定閾値以内である場合（ステップＳ１５：Ｙｅｓ）は、予測モデル実行部２１５は一連の処理を終了する。一方、形状パラメータが形状制約判定閾値以内でない場合には（ステップＳ１５：Ｎｏ）、予測モデル実行部２１５は処理をステップＳ１６の処理に進める。
　ステップＳ１６の処理では、圧延条件決定部２１５ｄが、ステップＳ１３の処理で読み込まれた圧延対象の鋼板Ｓの圧延条件（例えば、形状制御アクチュエータ操作量）の一部を変更し、ステップＳ１７の処理に移行する。ステップＳ１７の処理では、結果出力部２１５ｅが、出力装置２４０を介して変更された圧延条件の一部に関する情報を圧延制御装置１００へ伝送する。
　ステップＳ１６の処理で圧延条件の一部が変更されているときは、ステップＳ１７の処理では、圧延条件決定部２１５ｄは、ステップＳ１７の処理で圧延条件の一部、具体的にはワークロールや中間ロールのベンダー量やシフト量の操作量が変更された圧延対象の鋼板Ｓの圧延条件を、最適化された鋼板Ｓの圧延条件として決定する。そして、圧延条件決定部２１５ｄは、そのときの圧延条件に基づいて形状制御アクチュエータの操作量を決定する。圧延制御装置１００は、冷間圧延段階において結果出力部２１５ｅから伝送された形状制御アクチュエータに関する情報に基づいて圧延条件を変更する。
　圧延条件の変更量の算出方法として、圧延条件決定部２１５ｄは、ステップＳ１４の処理で求められた形状パラメータとステップＳ１２の処理で読み込まれた形状制約判定閾値との差異に基づいて、圧延対象の鋼板Ｓの適切な圧延条件を算出する。そして、圧延条件決定部２１５ｄは、算出した圧延条件とステップＳ１３の処理で読み込まれた圧延対象の鋼板Ｓの圧延条件とを比較してステップＳ１７の処理において圧延条件を変更する。
　ステップＳ１３の処理に戻ると、圧延形状予測部２１５ｃは、圧延条件の一部が変更された圧延対象の鋼板Ｓの圧延条件を読み込む。また、ステップＳ１４の処理において、圧延形状予測部２１５ｃは、形状制御予測モデルとしてのニューラルネットワークモデルにより、ステップＳ１３の処理で読み込まれた一部が変更された圧延対象の鋼板Ｓの圧延条件に対応する冷間圧延後の鋼板Ｓの形状パラメータを求める。また、ステップＳ１５の処理において、圧延条件決定部２１５ｄは、ステップＳ１４の処理で求められた形状パラメータがステップＳ１２の処理で読み込まれた形状制約判定閾値以内であるか否かを判定する。そして、その判定結果がＹＥＳになるまでステップＳ１３、ステップＳ１４、ステップＳ１５、ステップＳ１６、及びステップＳ１７の一連の処理を繰り返し実行する。これにより、予測モデル実行部２１５による処理（形状制御決定ステップ）は終了する。
　以上の説明から明らかなように、本実施形態では、予測モデル生成部２１４が、過去の鋼板Ｓの圧延実績とその圧延実績に対応する過去の形状制御実績とを結び付ける機械学習手法による形状制御予測モデルを生成する。また、予測モデル実行部２１５は、鋼板Ｓの冷間圧延中に、生成された形状制御予測モデルにより圧延対象の鋼板Ｓの形状パラメータを求める。そして、予測モデル実行部２１５は、求められた形状パラメータが形状制約判定閾値以内となるように圧延対象の鋼板Ｓの圧延条件を決定する。これにより、オペレータの経験や主観によらない、圧延操業における各種制約を満たす形状制御が実施され、冷間圧延中の形状不良や破断等のトラブルの発生を抑制しながら生産性を維持できる。さらに、本実施形態によれば、冷間圧延中の鋼板Ｓの形状予測に用いる説明変数として、圧延実績データより採取される数値情報を連結し多次元配列情報を入力データとして使用するので、冷間圧延中に発生する制約に対して寄与の大きい因子をニューラルネットワークモデル上で識別することができる。
〔変形例〕
　以上、本発明の実施形態について説明してきたが、本発明はこれに限定されずに種々の変更、改良を行うことができる。例えば、本実施形態では、形状制御予測モデルによる鋼板Ｓの形状予測の反復及び圧延条件の決定をコイル全長にわたって行うこととしたが、一部で行うこととしてもよい。また、冷間圧延機１としては、４段式に限定されず、２段式（２Ｈｉ）や６段式（６Ｈｉ）等の多重圧延機であってもよく、圧延スタンドの数にも特に限定はない。また、クラスター圧延機やゼンジミア圧延機であってもよい。
　また、演算ユニット２００によって、形状制御アクチュエータの変更上下限界値を超える異常な制御量が算出される場合や制御量が算出できない場合に、圧延制御装置１００は、演算ユニット２００からの指令に基づく制御を実行できない。そこで、圧延制御装置１００は、演算ユニット２００からの制御量が異常と判定したり、演算ユニット２００から制御量が供給されなかったりした場合等には、本実施を行わないようにするとよい。
　また、図２に示す構成例では、出力装置２４０と操業監視装置４００は接続されていないが、両者は通信可能に接続されていてもよい。これにより、予測モデル実行部２１５の処理結果（特に圧延形状予測部２１５ｃによる圧延中の鋼板Ｓの形状予測情報、及び圧延条件決定部２１５ｄにより決定された変更後の圧延条件）を操業監視装置４００の運転画面に表示することができる。
　以下、本発明を実施例に基づいて説明する。
　図１に示す実施形態の全５圧延スタンドからなる冷間タンデム圧延機を用い、母材厚２．０ｍｍ、板幅１０００ｍｍの２．５ｍａｓｓ％Ｓｉを含有する電磁鋼板用の素材鋼板を圧延材として仕上げ厚０．３００ｍｍまで冷間圧延する実験を行った。圧延油の原液としては、合成エステル油に植物油脂が添加された基油に対して油性剤及び酸化防止剤をそれぞれ１質量％ずつ添加し、また界面活性剤としてノニオン系界面活性剤を対油濃度で３質量％だけ添加したものを使用した。また、循環使用されるエマルション圧延油は、圧延油の濃度３．５質量％、平均粒子径５μｍ、温度５５℃のエマルション圧延油に調製した。事前学習として、まず、学習用データ（３０００件程度の過去の鋼板の圧延実績データ）を用いてニューラルネットワークモデルによる学習を実施し、過去の鋼板の圧延実績と過去の鋼板の圧延実績とを結び付け、鋼板形状の予測に用いるニューラルネットワークモデルを作成した。
　発明例では、過去の鋼板の圧延実績データとして、圧延入側にて実測された鋼板の幅方向の長手鋼板情報実績に加え、鋼板の変形抵抗、圧延パススケジュール（圧延荷重・張力・鋼板形状・板厚精度）、エマルション性状、ワークロールの寸法・クラウン・粗さ情報、ベンダー量、及びワークロールシフト量からなる情報を用いた。さらに、上記圧延実績データを複製・連結した多次元配列情報を入力実績データとして用いた。過去の鋼板の圧延実績データとして、圧延出側鋼板形状実績が学習された。冷間タンデム圧延機にてロールギャップの調整を行い、鋼板の溶接点が通過した後、圧延制御装置１００がオンとなった段階で、生成されたニューラルネットワークモデルによる冷間圧延後の鋼板の形状を予測した。そして、予測された形状が所定の形状制約判定閾値以内となるように圧延条件を逐次変更して、圧延条件を設定した。
　比較例でも発明例と同様に、母材厚１．８ｍｍ、板幅１０００ｍｍの２．８ｍａｓｓ％Ｓｉを含有する電磁鋼板用の素材鋼板（圧延対象）を板厚０．３ｍｍまで冷間圧延する実験を行った。表１に示す番号１，３，５，７，９，１１の比較例では、過去の鋼板の圧延実績データを時間方向に複製せずに一次元配列とした入力データを用いて過去の鋼板形状実績データを結び付け、鋼板形状の予測に用いるニューラルネットワークモデルを生成した。
　発明例及び比較例の１００コイル圧延後の鋼板の破断発生数を表１に示す。表１に示したように、比較例では十分な学習がなされなかったため、入側板クラウンが大きく変動した際に操業制約を超えて、絞り破断等のトラブルが発生した。
　以上のことから、本発明に係る冷間圧延方法及び冷間圧延機を用いて、鋼板の圧延中の形状を適切に予測し、その予測された形状パラメータが予め設定された形状制約判定閾値以内となるように圧延条件を逐次変更して圧延後の鋼板形状を決定することが好ましいことが確認された。また、これにより、本発明を適用することにより、冷間圧延中の形状不良や板破断等のトラブルの発生を抑制できるだけでなく、圧延工程や次工程以降の生産性の向上や品質の向上に大いに寄与できることが確認された。
Figure JPOXMLDOC01-appb-T000006
　以上、本発明者らによってなされた発明を適用した実施の形態について説明したが、本実施形態による本発明の開示の一部をなす記述及び図面により本発明は限定されることはない。すなわち、本実施形態に基づいて当業者等によりなされる他の実施の形態、実施例、及び運用技術等は全て本発明の範疇に含まれる。
　本発明によれば、高負荷、且つ、圧延前板厚の薄い難圧延材を圧延する際にも冷間圧延の安定性を確保しつつ生産性よく冷間圧延する圧延条件を設定可能な冷間圧延機の圧延条件設定方法及び圧延条件設定装置を提供することができる。また、本発明によれば、高負荷、且つ、圧延前板厚の薄い難圧延材を冷間圧延する際にも冷間圧延の安定性を確保しつつ生産性よく冷間圧延可能な冷間圧延方法及び冷間圧延機を提供することができる。また、本発明によれば、鋼板を歩留まりよく製造可能な鋼板の製造方法を提供することができる。
　１　冷間圧延機
　２　ダーティタンク（回収用タンク）
　３　クリーンタンク
　５　オイルパン
　６　戻り配管
　７　撹拌機
　８　鉄粉除去装置
　９　ポンプ
　１１　供給ライン
　１２　　潤滑用クーラントヘッダー
　１３　冷却用クーラントヘッダー
　１００　圧延制御装置
　２００　演算ユニット
　２１０　演算装置
　２１１　ＲＡＭ（Random　Access　Memory）
　２１２　ＲＯＭ（Read　Only　Memory）
　２１２ａ　予測モデル生成プログラム
　２１２ｂ　予測モデル実行プログラム
　２１３　演算処理部
　２１４　予測モデル生成部
　２１４ａ　学習用データ取得部
　２１４ｂ　前処理部
　２１４ｃ　第１データ変換部
　２１４ｄ　モデル生成部
　２１４ｅ　結果保存部
　２１５　予測モデル実行部
　２１５ａ　情報読取部
　２１５ｂ　第２データ変換部
　２１５ｃ　圧延形状予測部
　２１５ｄ　圧延条件決定部
　２１５ｅ　結果出力部
　２２０　入力装置
　２３０　記憶装置
　２４０　出力装置
　３００　鋼板情報測定装置
　４００　操業監視装置
　５０１　入力層
　５０２　中間層
　５０３　出力層
　Ｓ　鋼板

Claims (9)

  1. 　圧延対象材の冷間圧延後の状態を予測する予測モデルを用いて圧延対象材を冷間圧延する際の冷間圧延機の目標圧延条件を設定する冷間圧延機の圧延条件設定方法であって、
    　前記予測モデルは、前記冷間圧延機の入側における圧延材の冷間圧延前データを含む過去の圧延実績データを多次元データに変換した第１多次元データを説明変数とし、前記冷間圧延機の出側における圧延材の冷間圧延後データを目的変数として生成されたものであり、
    　前記冷間圧延機の入側における前記圧延対象材の冷間圧延前データと前記冷間圧延機の目標圧延条件とを含む情報から生成した第２多次元データを前記予測モデルに入力することにより、前記冷間圧延機の出側における前記圧延対象材の圧延後の形状を推定するステップと、
    　推定された前記圧延後の形状が所定条件を満足するように前記冷間圧延機の目標圧延条件を変更するステップと、
    　を含む、冷間圧延機の圧延条件設定方法。
  2. 　前記冷間圧延前データには、前記冷間圧延機の入側における鋼板の厚み情報及び温度情報の少なくとも一方が含まれる、請求項１に記載の冷間圧延機の圧延条件設定方法。
  3. 　前記冷間圧延後データには、前記冷間圧延機の出側における鋼板の形状から算出される形状パラメータが含まれる、請求項１又は２に記載の冷間圧延機の圧延条件設定方法。
  4. 　請求項１～３のうち、いずれか１項に記載の冷間圧延機の圧延条件設定方法を用いて変更された冷間圧延機の目標圧延条件を用いて圧延対象材を冷間圧延するステップを含む、冷間圧延方法。
  5. 　請求項４に記載の冷間圧延方法を用いて鋼板を製造するステップを含む、鋼板の製造方法。
  6. 　圧延対象材の冷間圧延後の状態を予測する予測モデルを用いて圧延対象材を冷間圧延する際の冷間圧延機の目標圧延条件を設定する冷間圧延機の圧延条件設定装置であって、
    　前記予測モデルは、前記冷間圧延機の入側における圧延材の冷間圧延前データを含む過去の圧延実績データを多次元データに変換した第１多次元データを説明変数とし、前記冷間圧延機の出側における圧延材の冷間圧延後データを目的変数として生成されたものであり、
    　前記冷間圧延機の入側における前記圧延対象材の冷間圧延前データと前記冷間圧延機の目標圧延条件とを含む情報から生成した第２多次元データを前記予測モデルに入力することにより、前記冷間圧延機の出側における前記圧延対象材の圧延後の形状を推定する手段と、
    　推定された前記圧延後の形状が所定条件を満足するように前記冷間圧延機の目標圧延条件を変更する手段と、
    　を備える、冷間圧延機の圧延条件設定装置。
  7. 　前記冷間圧延前データには、前記冷間圧延機の入側における鋼板の厚み情報及び温度情報の少なくとも一方が含まれる、請求項６に記載の冷間圧延機の圧延条件設定装置。
  8. 　前記冷間圧延後データには、前記冷間圧延機の出側における鋼板の形状から算出される形状パラメータが含まれる、請求項６又は７に記載の冷間圧延機の圧延条件設定装置。
  9. 　請求項６～８のうち、いずれか１項に記載の冷間圧延機の圧延条件設定装置を備える、冷間圧延機。
PCT/JP2022/003791 2021-06-21 2022-02-01 冷間圧延機の圧延条件設定方法、冷間圧延方法、鋼板の製造方法、冷間圧延機の圧延条件設定装置、及び冷間圧延機 WO2022269974A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020237034735A KR20230156758A (ko) 2021-06-21 2022-02-01 냉간 압연기의 압연 조건 설정 방법, 냉간 압연 방법, 강판의 제조 방법, 냉간 압연기의 압연 조건 설정 장치, 및 냉간 압연기
US18/281,496 US20240149317A1 (en) 2021-06-21 2022-02-01 Cold rolling mill rolling condition setting method, cold rolling method, steel sheet manufacturing method, cold rolling mill rolling condition setting device, and cold rolling mill
EP22827898.2A EP4309816A1 (en) 2021-06-21 2022-02-01 Method for setting rolling condition for cold rolling mill, cold rolling method, method for manufacturing steel sheet, device for setting rolling condition for cold rolling mill, and cold rolling mill
CN202280037943.4A CN117377538A (zh) 2021-06-21 2022-02-01 冷轧机的轧制条件设定方法、冷轧方法、钢板的制造方法、冷轧机的轧制条件设定装置及冷轧机

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021-102407 2021-06-21
JP2021102407A JP7468466B2 (ja) 2021-06-21 2021-06-21 冷間圧延機の圧延条件設定方法、冷間圧延方法、鋼板の製造方法、冷間圧延機の圧延条件設定装置、及び冷間圧延機

Publications (1)

Publication Number Publication Date
WO2022269974A1 true WO2022269974A1 (ja) 2022-12-29

Family

ID=84543800

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/003791 WO2022269974A1 (ja) 2021-06-21 2022-02-01 冷間圧延機の圧延条件設定方法、冷間圧延方法、鋼板の製造方法、冷間圧延機の圧延条件設定装置、及び冷間圧延機

Country Status (7)

Country Link
US (1) US20240149317A1 (ja)
EP (1) EP4309816A1 (ja)
JP (1) JP7468466B2 (ja)
KR (1) KR20230156758A (ja)
CN (1) CN117377538A (ja)
TW (1) TWI802366B (ja)
WO (1) WO2022269974A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH045519B2 (ja) 1982-10-15 1992-01-31
JPH08132108A (ja) * 1994-11-04 1996-05-28 Kawasaki Steel Corp 圧延条件推定モデルによる圧延条件の推定方法
JP4784320B2 (ja) 2006-01-26 2011-10-05 Ｊｆｅスチール株式会社 冷間圧延におけるエッジドロップの検出・制御方法及び装置
JP2021030280A (ja) * 2019-08-27 2021-03-01 Ｊｆｅスチール株式会社 形状予測モデルの生成方法、圧延形状予測方法、金属板の圧延方法、金属板の製造方法、及び金属板の圧延設備

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1105296A (zh) * 1993-10-05 1995-07-19 日立有限公司 辊轧机控制方法及装置
JP6705519B1 (ja) 2019-02-12 2020-06-03 Ｊｆｅスチール株式会社 製造設備の設定条件決定方法、圧延機のミルセットアップ設定値の決定方法、圧延機のミルセットアップ設定値の決定装置、製造物の製造方法および圧延材の製造方法
JP2020131248A (ja) * 2019-02-21 2020-08-31 Ｊｆｅスチール株式会社 圧延荷重予測方法、圧延荷重予測装置、及び圧延制御方法
CN113172097B (zh) * 2021-05-27 2022-07-29 燕山大学 一种基于深度自编码的冷轧带材板形模式识别方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH045519B2 (ja) 1982-10-15 1992-01-31
JPH08132108A (ja) * 1994-11-04 1996-05-28 Kawasaki Steel Corp 圧延条件推定モデルによる圧延条件の推定方法
JP4784320B2 (ja) 2006-01-26 2011-10-05 Ｊｆｅスチール株式会社 冷間圧延におけるエッジドロップの検出・制御方法及び装置
JP2021030280A (ja) * 2019-08-27 2021-03-01 Ｊｆｅスチール株式会社 形状予測モデルの生成方法、圧延形状予測方法、金属板の圧延方法、金属板の製造方法、及び金属板の圧延設備

Also Published As

Publication number Publication date
CN117377538A (zh) 2024-01-09
US20240149317A1 (en) 2024-05-09
JP7468466B2 (ja) 2024-04-16
EP4309816A1 (en) 2024-01-24
KR20230156758A (ko) 2023-11-14
TWI802366B (zh) 2023-05-11
TW202300249A (zh) 2023-01-01
JP2023001595A (ja) 2023-01-06

Similar Documents

Publication Publication Date Title
US8001820B2 (en) Method for lubricating and cooling rollers and metal strips on rolling in particular on cold rolling of metal strips
JP2021030300A (ja) 熱延工程での反り予測方法、反り制御方法、熱延鋼板の製造方法、反り予測モデルの生成方法、及び熱延設備
WO2022269974A1 (ja) 冷間圧延機の圧延条件設定方法、冷間圧延方法、鋼板の製造方法、冷間圧延機の圧延条件設定装置、及び冷間圧延機
JP3408926B2 (ja) 冷間タンデム圧延方法および冷間タンデム圧延設備
WO2022172524A1 (ja) 冷間圧延機の圧延条件算出方法、冷間圧延機の圧延条件算出装置、冷間圧延方法、冷間圧延機、及び鋼板の製造方法
WO2022172525A1 (ja) 冷間圧延機のチャタリング検出方法、冷間圧延機のチャタリング検出装置、冷間圧延方法、冷間圧延機、及び鋼板の製造方法
JP7040696B1 (ja) 冷間圧延機の圧延条件算出方法、冷間圧延機の圧延条件算出装置、冷間圧延方法、冷間圧延機、及び鋼板の製造方法
JP7047988B1 (ja) 冷間圧延機のチャタリング検出方法、冷間圧延機のチャタリング検出装置、冷間圧延方法、冷間圧延機、及び鋼板の製造方法
CN102665948B (zh) 控制设定装置及控制设定方法
WO2024018665A1 (ja) 冷間圧延機の圧延条件設定方法、冷間圧延方法、鋼板の製造方法、冷間圧延機の圧延条件設定装置および冷間圧延機
JP3235449B2 (ja) 高速冷間圧延方法
EP4134181A1 (en) Metal tube manufacturing method and device
JP6965993B2 (ja) 圧延方法、金属板の製造方法及び圧延装置
JP7020530B1 (ja) 冷間圧延設備、冷間圧延方法、及び金属板の製造方法
JP6421642B2 (ja) 調質圧延方法
WO2024111238A1 (ja) 鋼板の冷間圧延方法、冷延鋼板の製造方法、及び冷延鋼板の製造設備
TW202303319A (zh) 異常檢測裝置
KR20220161169A (ko) 플랜트 제어 장치, 플랜트 제어 방법 및 프로그램
JP2023070052A (ja) 鋼板の板プロフィル判定方法、処置工程設定方法、製造方法、及び板プロフィル判定モデルの生成方法
JP2002113511A (ja) 板圧延方法
JPH0416241B2 (ja)

Legal Events

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

Ref document number: 22827898

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 18281496

Country of ref document: US

ENP Entry into the national phase

Ref document number: 20237034735

Country of ref document: KR

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 1020237034735

Country of ref document: KR

Ref document number: KR1020237034735

Country of ref document: KR

WWE Wipo information: entry into national phase

Ref document number: 2022827898

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2022827898

Country of ref document: EP

Effective date: 20231020

WWE Wipo information: entry into national phase

Ref document number: 202280037943.4

Country of ref document: CN

WWE Wipo information: entry into national phase

Ref document number: MX/A/2023/015323

Country of ref document: MX

WWE Wipo information: entry into national phase

Ref document number: 2301008318

Country of ref document: TH

NENP Non-entry into the national phase

Ref country code: DE