WO2024084824A1 - 欠陥発生要因推定装置、欠陥発生要因推定方法、欠陥発生要因推定モデルの学習方法、操業条件決定方法および鉄鋼製品の製造方法 - Google Patents

欠陥発生要因推定装置、欠陥発生要因推定方法、欠陥発生要因推定モデルの学習方法、操業条件決定方法および鉄鋼製品の製造方法 Download PDF

Info

Publication number
WO2024084824A1
WO2024084824A1 PCT/JP2023/031237 JP2023031237W WO2024084824A1 WO 2024084824 A1 WO2024084824 A1 WO 2024084824A1 JP 2023031237 W JP2023031237 W JP 2023031237W WO 2024084824 A1 WO2024084824 A1 WO 2024084824A1
Authority
WO
WIPO (PCT)
Prior art keywords
defect occurrence
slab
depth
rate
adhesion rate
Prior art date
Application number
PCT/JP2023/031237
Other languages
English (en)
French (fr)
Inventor
修司 久山
広史 山口
修司 西田
宏和 田中
祐司 三木
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
Publication of WO2024084824A1 publication Critical patent/WO2024084824A1/ja

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
    • B22D11/16—Controlling or regulating processes or operations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D46/00—Controlling, supervising, not restricted to casting covered by a single main group, e.g. for safety reasons

Definitions

  • the present invention relates to a defect occurrence factor estimation device, a defect occurrence factor estimation method, a defect occurrence factor estimation model learning method, an operating condition determination method, and a manufacturing method for steel products.
  • Patent Document 1 discloses a support system that assists operators in estimating the cause of quality abnormalities.
  • the method proposed in Patent Document 1 focuses on the correlation between operational variables and quality in past manufacturing performance data, extracts operational variables that are highly correlated with quality, and displays a time series chart of those operational variables to the operator.
  • the present invention has been made in consideration of the above, and aims to provide a defect occurrence factor estimation device, a defect occurrence factor estimation method, a defect occurrence factor estimation model learning method, an operating condition determination method, and a steel product manufacturing method that can estimate defect occurrence factors based on the relationship between the solidification process of molten steel and inclusion adhesion.
  • the defect occurrence factor estimation device of the present invention comprises a defect occurrence depth calculation means for calculating the depth position of a surface defect in a product at the slab stage, a defect occurrence rate calculation means for calculating a defect occurrence rate for each slab depth based on the depth position, an inclusion adhesion rate calculation means for calculating an inclusion adhesion rate for each distance from the solidification start position during slab casting based on the defect occurrence rate for each slab depth, and a defect occurrence factor estimation means for estimating defect occurrence factors by selecting some manufacturing conditions and estimating the inclusion adhesion rate when the selected manufacturing conditions are changed in stages using a pre-trained estimation model with the manufacturing conditions of the product as input data and the inclusion adhesion rate as output data.
  • the estimation model is trained in advance using the manufacturing conditions, including the distance from the solidification start position and the operating conditions in continuous casting, as input data, and the inclusion adhesion rate for each distance from the solidification start position as output data.
  • the defect occurrence depth calculation means calculates the depth position by taking into consideration at least the amount of slab grinding performed by the slab grinder during slab preparation, the amount of scale-off during hot rolling, and the amount of plate thickness reduction due to pickling.
  • the defect occurrence cause estimation means displays the relationship between one or more manufacturing conditions and the inclusion adhesion rate as one-dimensional data or multidimensional data.
  • the inclusion adhesion rate is the probability that inclusions, which are bubbles or tiny solids in molten steel, will adhere during the casting process.
  • the manufacturing conditions include one or more of the following: tundish blown gas flow rate, casting speed, casting width, casting thickness, slab length, and slag basicity.
  • the defect occurrence factor estimation method of the present invention includes a step in which a defect occurrence depth calculation means provided in a computer calculates the depth position of a surface defect in a product at the slab stage, a step in which a defect occurrence rate calculation means provided in the computer calculates a defect occurrence rate for each slab depth based on the depth position, a step in which an inclusion adhesion rate calculation means provided in the computer calculates an inclusion adhesion rate for each distance from the solidification start position during slab casting based on the defect occurrence rate for each slab depth, and a step in which a defect occurrence factor estimation means provided in the computer selects some manufacturing conditions and estimates the inclusion adhesion rate when the selected manufacturing conditions are changed in stages using an estimation model previously trained with the manufacturing conditions of the product as input data and the inclusion adhesion rate as output data, thereby estimating the defect occurrence factor.
  • the defect occurrence factor estimation model learning method of the present invention includes a step in which a defect occurrence depth calculation means provided in a computer calculates the depth position of a surface defect in a product at the slab stage, a step in which a defect occurrence rate calculation means provided in the computer calculates a defect occurrence rate for each slab depth based on the depth position, a step in which an inclusion adhesion rate calculation means provided in the computer calculates an inclusion adhesion rate for each distance from the solidification start position during slab casting based on the defect occurrence rate for each slab depth, and a step in which a model learning means provided in the computer learns an estimation model that estimates the inclusion adhesion rate using the manufacturing conditions of the product as input data and the inclusion adhesion rate as output data.
  • the operating condition determination method determines operating conditions based on the defect occurrence factors estimated by the above-mentioned defect occurrence factor estimation method.
  • the method for manufacturing steel products according to the present invention manufactures steel products based on the operating conditions determined by the above-mentioned method for determining operating conditions.
  • the manufacturing method of steel products according to the present invention uses the above-mentioned defect occurrence factor estimation method to estimate the inclusion adhesion rate for each distance from the solidification start position during slab casting based on the operating conditions after casting, and changes the operating conditions of the subsequent process based on the estimated inclusion adhesion rate to manufacture steel products.
  • the defect occurrence factor estimation device and defect occurrence factor estimation method of the present invention focus on the reproducibility of the solidification process of molten steel and the adhesion of inclusions, and use an estimation model that estimates at what stage in the solidification process of molten steel the inclusions that become the seeds of defects will adhere and appear as surface defects on the product, based on a large amount of past operational performance data. This makes it possible to grasp the relationship between the solidification process of molten steel and the adhesion of inclusions, and therefore allows for the consideration of operations for manufacturing products without surface defects.
  • the learning method for the defect occurrence factor estimation model of the present invention it is possible to construct an estimation model that estimates defect occurrence factors based on the relationship between the solidification process of molten steel and the adhesion of inclusions. Furthermore, according to the operational condition determination method of the present invention, it is possible to carry out operations for manufacturing products without surface defects. Furthermore, according to the manufacturing method of steel products of the present invention, it is possible to manufacture steel products without surface defects.
  • FIG. 1 is a diagram showing a schematic configuration of a defect occurrence cause estimating device according to an embodiment of the present invention.
  • FIG. 2 is a flowchart showing the procedure of a defect occurrence cause estimating method executed by the defect occurrence cause estimating device according to the embodiment of the present invention.
  • FIG. 3 is a diagram showing an example of a manufacturing process for stainless steel products (steel products).
  • FIG. 4 is a diagram showing an example of manufacturing performance data read from a database in the data reading step of the defect occurrence cause estimating method according to the embodiment of the present invention.
  • FIG. 5 is an example of the present invention, which is a stacked graph showing the presence or absence of defects for each slab depth calculated in the defect occurrence rate calculation step of the defect occurrence factor estimating method.
  • FIG. 1 is a diagram showing a schematic configuration of a defect occurrence cause estimating device according to an embodiment of the present invention.
  • FIG. 2 is a flowchart showing the procedure of a defect occurrence cause estimating method executed by
  • FIG. 6 is a line graph showing the defect occurrence rate for each slab depth calculated in the defect occurrence rate calculation step of the defect occurrence factor estimating method according to an embodiment of the present invention.
  • FIG. 7 is a diagram showing an image of the solidification and flow of molten steel in a mold according to an embodiment of the present invention.
  • FIG. 8 is a line graph showing the inclusion adhesion rate for each meniscus distance calculated in the inclusion adhesion rate calculation step of the defect occurrence cause estimating method according to an embodiment of the present invention.
  • FIG. 9 is a histogram showing the model accuracy of the estimation model constructed in the model learning step of the defect occurrence cause estimation method according to the embodiment of the present invention.
  • FIG. 10 is a contour diagram showing the relationship between the distance from the meniscus, the flow rate of gas injected into the tundish, and the inclusion adhesion rate, which are estimated in the defect occurrence factor estimation step of the defect occurrence factor estimation method according to an embodiment of the present invention.
  • FIG. 11 is a graph showing the relationship between the distance from the meniscus and the inclusion adhesion rate, which is estimated in the defect occurrence cause estimating step of the defect occurrence cause estimating method according to an embodiment of the present invention.
  • FIG. 12 is a graph showing the relationship between the slag basicity and the inclusion adhesion rate estimated in the defect occurrence factor estimation step of the defect occurrence factor estimation method according to an embodiment of the present invention.
  • defect occurrence factor estimation device defect occurrence factor estimation method, defect occurrence factor estimation model learning method, operating condition determination method, and steel product manufacturing method according to the embodiments of the present invention will be described with reference to the drawings.
  • the present invention is not limited to the following embodiments, and the components in the following embodiments include those that are replaceable and easy for a person skilled in the art, or those that are substantially identical.
  • An information processing device 10 for realizing the defect occurrence factor estimating device includes an arithmetic processing unit 101, a storage unit (ROM: Read Only Memory) 103, a temporary storage unit (RAM: Random Access Memory) 104, a bus wiring 105, and a database (DB) 120.
  • ROM Read Only Memory
  • RAM Random Access Memory
  • DB database
  • the calculation processing unit 101 is realized using electronic circuits such as a CPU (Central Processing Unit), and executes a defect occurrence factor estimation program 102 in a memory unit 103 to perform various calculation processes required for defect occurrence factor estimation processing.
  • the calculation processing unit 101 includes the following functional blocks that function when the defect occurrence factor estimation program 102 is executed: a data reading unit 106, a defect occurrence depth calculation unit 107, a defect occurrence rate calculation unit 108, an inclusion adhesion rate calculation unit 109, a model learning unit 110, and a defect occurrence factor estimation unit 111.
  • the data reading unit 106 executes a data reading step, which will be described later.
  • the defect occurrence depth calculation unit 107 executes a defect occurrence depth calculation step, which will be described later.
  • the defect occurrence rate calculation unit 108 executes a defect occurrence rate calculation step, which will be described later.
  • the inclusion attachment rate calculation unit 109 executes an inclusion attachment rate calculation step, which will be described later.
  • the model learning unit 110 executes a model learning step, which will be described later.
  • the defect occurrence factor estimation unit 111 executes a defect occurrence factor estimation step, which will be described later. Details of each step will be described later (see Figure 2, which will be described later).
  • the memory unit 103 stores a defect occurrence cause estimation program 102.
  • the database 120 stores past manufacturing performance data.
  • the information processing device 10 may be connected to a display device 20 that displays the defect occurrence cause estimation results, and an input device 30 that accepts input from an operator, as shown in FIG. 1, for example.
  • the defect occurrence factor estimation method includes a data reading step, a defect occurrence depth calculation step, a defect occurrence rate calculation step, an inclusion adhesion rate calculation step, a model learning step, and a defect occurrence factor estimation step.
  • the steps from the data reading step to the model learning step and the defect occurrence factor estimation step may be performed at different times. That is, in the defect occurrence factor estimation method according to the embodiment, an estimation model may be constructed in advance by the data reading step to the model learning step, and the defect occurrence factor estimation step using the estimation model may be performed at a different timing.
  • the defect occurrence factor estimation method starts processing, for example, when the manufacturing of the target material is completed and the defect occurrence distribution is measured by the defect occurrence factor estimation device.
  • the data reading unit 106 reads the production history data of the continuous casting stored in the database 120 (step S1).
  • This production history data is data that summarizes the production conditions related to the thickness change of the slab (semi-finished product) in many coils (steel strips) produced in the past, the production conditions related to the occurrence of surface defects, the presence or absence of defects on the coil surface, etc. for each product (final product).
  • the production history data is composed of matrix data, etc., in which the row direction represents products produced in the past and the column direction represents the production conditions and inspection results (presence or absence of defects), etc. (see FIG. 4 described later).
  • the defect occurrence depth calculation unit 107 calculates the depth position (defect occurrence depth position) of the surface defect in the product at the slab stage based on the manufacturing conditions read in the data reading step (step S2).
  • the "defect occurrence depth position" refers to the depth position in the slab where the inclusion that appears as a surface defect in the final product is attached.
  • the depth at which the surface defects in the product existed at the slab stage is calculated by calculating the amount of reduction in the product thickness direction at each process based on the manufacturing conditions related to the change in slab thickness.
  • manufacturing conditions related to the change in slab thickness include manufacturing conditions that cause the product surface to be scaled, ground, or dissolved, such as the reduction amount in hot rolling, heating temperature, acid concentration and pickling speed in pickling, and the number of grinder passes of the slab and coil.
  • the above-mentioned depth position is calculated taking into consideration at least the amount of slab grinding in slab preparation, the amount of scale-off in hot rolling, and the amount of plate thickness reduction due to pickling (amount dissolved in pickling). Note that in the defect depth calculation step, the defect depth at the slab stage is calculated for all products read in the data reading step.
  • the defect occurrence rate calculation unit 108 calculates the defect occurrence rate for each predetermined slab depth based on the depth position in the slab stage (step S3).
  • the defect occurrence rate calculation step for each slab whose defect occurrence depth is calculated in the defect occurrence depth calculation step, the number of products in which defects occur at a predetermined slab depth (predetermined depth pitch, for example, 0.5 mm) and the total number of products are tallied. Then, the number of products in which defects occur is divided by the total number of products to calculate the defect occurrence rate (defect occurrence rate) for each predetermined slab depth.
  • the defect occurrence rate for each predetermined slab depth is calculated for all products read in the data reading step.
  • the predetermined depth pitch in the depth direction is constant, but it does not necessarily have to be a constant pitch as long as the distribution of the defect occurrence rate in the slab depth direction is known.
  • the inclusion adhesion rate calculation unit 109 converts the slab depth determined in the defect occurrence rate calculation step into a distance from the solidification start position during slab casting that results in a shell thickness equivalent to the slab depth (hereinafter referred to as "distance from the meniscus") (step S4). In this way, the inclusion adhesion rate for each distance from the meniscus is calculated based on the defect occurrence rate for each slab depth.
  • the inclusion adhesion rate calculated in the inclusion adhesion rate calculation step is the probability that inclusions, which are bubbles or tiny solids in the molten steel, will adhere during the casting process. Note that in the inclusion adhesion rate calculation step, the inclusion adhesion rate for each distance from the meniscus is calculated for all products read in the data reading step.
  • model learning unit 110 learns a defect occurrence factor estimation model (hereinafter referred to as the "estimation model”) that estimates the inclusion adhesion rate using the product manufacturing conditions as input data and the inclusion adhesion rate as output data (step S5).
  • estimate model a defect occurrence factor estimation model
  • an estimation model is learned based on the operational performance data read in the data reading step and the inclusion adhesion rate for each distance from the meniscus calculated in the inclusion adhesion rate calculation step. More specifically, in the model learning step, the estimation model is learned using the manufacturing conditions, including the distance from the meniscus and the operational conditions in continuous casting, as input data, and the inclusion adhesion rate for each distance from the meniscus as output data.
  • the estimation model in the model learning step can be learned using regression methods such as random forests, linear regression, support vector machines, and neural networks.
  • the estimation model can also be learned using methods other than the above regression methods as long as they estimate the objective variable from the explanatory variables.
  • the defect occurrence factor estimation unit 111 inputs the explanatory variable values of the operation conditions to be estimated and the distance from the meniscus to the estimation model constructed in the model learning step, thereby calculating the inclusion adhesion rate at the distance from the meniscus under the operation conditions (step S6).
  • the product manufacturing conditions are used as input data, and an estimation model that has been trained in advance with the inclusion adhesion rate as output data is used to select some manufacturing conditions and estimate the inclusion adhesion rate when the selected manufacturing conditions are changed in stages.
  • the manufacturing conditions input to the estimation model include, for example, one or more of the following: tundish blown gas flow rate, casting speed, casting width, casting thickness, slab length, and slag basicity.
  • the defect occurrence cause estimation step for example, the relationship between one or more manufacturing conditions and the inclusion adhesion rate is displayed as one-dimensional data or multidimensional data (see Figures 10 to 12 below).
  • Figure 3 shows an example of a manufacturing process for stainless steel products.
  • the product goes through refining, casting, slab conditioning, hot rolling, pickling annealing 1 (first pickling annealing), cold rolling, pickling annealing 2 (second pickling annealing), and then defect detection is performed in the slitting and inspection process.
  • the product is then shipped as a coiled product.
  • Figure 2 we will explain each step of the defect occurrence cause estimation method according to the present invention (see Figure 2).
  • ⁇ Data reading step> manufacturing performance data as shown in Fig. 4 is read.
  • the manufacturing performance data in this figure is matrix data in which the rows represent coil products manufactured in the past, and the columns represent the manufacturing conditions and inspection results of each process.
  • the coil number is written in the first row, and the name of the item is written in the first column.
  • the number of samples (number of rows) of this manufacturing performance data is 2300 coils.
  • ⁇ Defect occurrence depth calculation step> the amount of reduction in the thickness direction of the slab due to peeling, grinding, and melting in each process is calculated using the coil data in the second row of the manufacturing performance data in Figure 4, using the following formulas (1) to (5). Then, the amount of thickness reduced in slab terms from the end of casting to the product is calculated using the following formula (6). This calculates the defect occurrence depth at the coil slab stage.
  • the above formulas (1) to (6) are calculated for all 2,300 coils from the third row onwards in the manufacturing performance data in Figure 4, and the defect occurrence depth at the slab stage for each coil is calculated.
  • ⁇ Defect occurrence rate calculation step the defect occurrence rate at 0.5 mm pitch slab depth is calculated based on the data of defect occurrence depth at the slab stage of each coil.
  • the horizontal axis represents the slab depth (0.5 mm pitch) and the vertical axis represents the number of slabs.
  • Fig. 6 shows the defect occurrence rate calculated based on the counting result of Fig. 5, with the horizontal axis representing the slab depth (0.5 mm pitch) and the vertical axis representing the defect occurrence rate.
  • ⁇ Inclusion adhesion rate calculation step the slab depth shown in FIG. 6 is converted into the distance in the withdrawal direction from the meniscus (solidification start point) of the mold of the continuous casting machine using the following equation (7).
  • FIG. 7 shows an image of the solidification and flow of molten steel in the mold.
  • inclusions that can become the seeds of defects adhere to the shell inside the mold, and the shell thickness at the time the inclusions adhere is exposed as defects on the surface at the product stage just as the slab is being removed through each process. Therefore, the distance from the meniscus and the shell thickness in the above formula (7) are synonymous with the slab depth.
  • the "defect occurrence rate at a specified slab depth" can be considered as the "inclusion adhesion rate at a specified distance from the meniscus.”
  • Figure 8 shows the results of converting the slab depth on the horizontal axis of Figure 6 into distance from the meniscus, with the horizontal axis representing distance from the meniscus and the vertical axis representing the inclusion adhesion rate. Note that, as a result of converting the slab depth into distance from the meniscus, the defect occurrence rate on the vertical axis of Figure 6 is shown as the inclusion adhesion rate in Figure 8. As Figure 8 shows, it can be seen that inclusions are likely to adhere near the meniscus and at positions 30 to 40 mm, 70 to 80 mm, and 90 to 120 mm from the meniscus. In other words, this figure suggests that the molten steel flow is carrying the inclusions toward the above positions.
  • the explanatory variables were meniscus distance, tundish injection gas flow rate, casting speed, casting width, casting thickness, slab length, and slag basicity, and the objective variable was the inclusion adhesion rate.
  • An estimation model was learned using the machine learning method, Random Forest.
  • Figure 9 is a histogram showing the model accuracy of the learned estimation model, with the horizontal axis representing the inclusion adhesion rate estimated by the estimation model and the vertical axis representing the number of verification samples (frequency).
  • the histogram shown with dot hatching shows coils estimated to be free of defects (no inclusion adhesion)
  • the histogram shown with diagonal hatching shows coils estimated to be defective (inclusion adhesion).
  • ⁇ Defect occurrence cause estimation step> the explanatory variables of the casting speed, casting width, casting thickness, slab length, and slag basicity were fixed at the average values of actual operations and input to the trained estimation model.
  • the inclusion adhesion rate was estimated by fixing some of the input data and inputting the other input data into the estimation model while gradually changing them.
  • Figure 10 is a contour diagram showing the relationship between the distance from the meniscus, the tundish blown gas flow rate, and the inclusion adhesion rate, estimated by the above method.
  • the vertical axis represents the distance from the meniscus
  • the horizontal axis represents the tundish blown gas flow rate
  • the density of the dots represents the inclusion adhesion rate.
  • the distance from the meniscus increases the further up you go.
  • the tundish blown gas flow rate increases the further to the right you go.
  • the inclusion adhesion rate increases as the dots become darker.
  • Figure 11 is a graph showing the relationship between the distance from the meniscus, one of the explanatory variables, and the inclusion adhesion rate.
  • the horizontal axis represents the distance from the meniscus
  • the vertical axis represents the inclusion adhesion rate.
  • the solid line, dashed line, and dashed dotted line show the inclusion adhesion rate when the tundish blown gas flow rate (TD blown gas flow rate) is 4 L/min, 24 L/min, and 58 L/min, respectively.
  • Figure 12 is a graph showing the relationship between slag basicity, one of the explanatory variables, and the inclusion adhesion rate.
  • the horizontal axis represents slag basicity
  • the vertical axis represents the inclusion adhesion rate.
  • the inclusion adhesion rate during slab casting may be estimated based on the operating conditions after casting, and the operating conditions for the subsequent process may be changed based on the estimation results.
  • the inclusion adhesion rate may be estimated at a stage midway through the process, and the operating conditions for the subsequent process may be determined (changed) depending on the estimation results.
  • the amount of slab depth at which the defect attachment rate becomes greater than a threshold value determined from the perspective of quality assurance is read (for example, the defect attachment rate becomes 20% within 2 mm from the slab surface).
  • the amount of slab grinding to be performed with a slab grinder in the subsequent slab conditioning process is determined so that the slab surface is ultimately removed by the amount of the read slab depth.
  • the amount of slab grinding is determined by subtracting the predicted amount of surface scale-off during hot rolling and the predicted amount of pickling dissolution during pickling annealing from the amount of slab to be removed. If the determined amount of slab grinding exceeds a preset maximum grinding amount (for example, a maximum grinding amount determined from the perspective of manual work efficiency), the setting is changed to, for example, a lower pickling speed.
  • a preset maximum grinding amount for example, a maximum grinding amount determined from the perspective of manual work efficiency
  • the defect adhesion rate for each slag basicity in the refining process is estimated.
  • the slag basicity is restricted from the operational standpoint other than the generation of inclusions, such as the cost of producing slag. Therefore, for example, if the slag basicity is restricted to 1.25-2.00%, the slag basicity value of 1.6%, which provides the smallest inclusion adhesion rate, is read from Figure 12. The read slag basicity (1.6%) is then determined as the set value for the slag basicity in the refining process.
  • the defect occurrence cause estimation device and defect occurrence cause estimation method according to the embodiment described above focus on the reproducibility of the solidification process of molten steel and the adhesion of inclusions. Then, an estimation model is used that estimates, from a large amount of past operational performance data, at what stage during the solidification process of molten steel the inclusions that will become the seeds of defects will adhere and appear as surface defects in the product. This makes it possible to grasp the relationship between the solidification process of molten steel and the adhesion of inclusions, making it possible to consider operations for manufacturing products without surface defects.
  • an estimation model can be constructed that estimates defect occurrence factors based on the relationship between the solidification process of molten steel and inclusion adhesion.
  • the operating conditions can be determined based on the defect occurrence factors estimated by the above-mentioned method for estimating the defect occurrence factors. This makes it possible to carry out operations for manufacturing products without surface defects.
  • steel products can be manufactured based on the operating conditions determined by the above-mentioned method for determining operating conditions. This makes it possible to manufacture steel products without surface defects.
  • the defect occurrence factor estimation method estimates the inclusion adhesion rate for each distance from the solidification start position during slab casting based on the operating conditions after casting. Then, based on the estimated inclusion adhesion rate, the operating conditions for the subsequent process can be changed to manufacture steel products. This makes it possible to manufacture steel products without surface defects.
  • Information processing device 101 Processing unit 102 Defect occurrence cause estimation program 103 Storage unit (ROM) 104 Temporary storage unit (RAM) 105 Bus wiring 106 Data reading unit 107 Defect occurrence depth calculation unit 108 Defect occurrence rate calculation unit 109 Inclusion adhesion rate calculation unit 110 Model learning unit 111 Defect occurrence cause estimation unit 120 Database (DB) 20 Display device 30 Input device

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Continuous Casting (AREA)
  • General Factory Administration (AREA)

Abstract

欠陥発生要因推定装置は、製品における表面欠陥の、スラブ段階における深さ位置を算出する欠陥発生深さ算出手段と、スラブ深さごとの欠陥発生率を算出する欠陥発生率算出手段と、スラブ深さごとの欠陥発生率に基づいて、スラブ鋳造時の凝固開始位置からの距離ごとの介在物付着率を算出する介在物付着率算出手段と、製品の製造条件を入力データとし、介在物付着率を出力データとして予め学習された推定モデルを用いて、一部の製造条件を選択し、選択した製造条件を段階的に変更した場合の介在物付着率を推定することにより、欠陥発生要因を推定する欠陥発生要因推定手段と、を備える。

Description

欠陥発生要因推定装置、欠陥発生要因推定方法、欠陥発生要因推定モデルの学習方法、操業条件決定方法および鉄鋼製品の製造方法
　本発明は、欠陥発生要因推定装置、欠陥発生要因推定方法、欠陥発生要因推定モデルの学習方法、操業条件決定方法および鉄鋼製品の製造方法に関する。
　特許文献１には、品質異常の原因を推定する作業をオペレータが行うに際し、原因推定作業を支援する支援システムが開示されている。特許文献１で提案された方法では、過去の製造実績データにおける操業変数と品質との相関関係に着目し、品質と相関の強い操業変数を抽出し、その操業変数の時系列チャートをオペレータに表示する。
特許第６１１６４４５号公報
　特許文献１で提案された方法では、品質異常の原因を特定するために、製品品質データと製造条件データとから、品質と製造条件との相関に基づく関係に着目することで原因推定を行っている。しかしながら、単純に操業因子と品質との相関をみるだけでは、溶鋼の凝固過程中のどの段階で欠陥の種となる介在物が付着して、最終製品における表面欠陥となったのかまでは推定することはできない。最終製品における表面欠陥をなくすための操業を実施するためには、溶鋼の凝固過程と介在物付着との関係を把握することは極めて重要である。
　本発明は、上記に鑑みてなされたものであって、溶鋼の凝固過程と介在物付着との関係に基づいて、欠陥発生要因を推定することができる欠陥発生要因推定装置、欠陥発生要因推定方法、欠陥発生要因推定モデルの学習方法、操業条件決定方法および鉄鋼製品の製造方法を提供することを目的とする。
　上述した課題を解決し、目的を達成するために、本発明に係る欠陥発生要因推定装置は、製品における表面欠陥の、スラブ段階における深さ位置を算出する欠陥発生深さ算出手段と、前記深さ位置に基づいて、スラブ深さごとの欠陥発生率を算出する欠陥発生率算出手段と、前記スラブ深さごとの欠陥発生率に基づいて、スラブ鋳造時の凝固開始位置からの距離ごとの介在物付着率を算出する介在物付着率算出手段と、前記製品の製造条件を入力データとし、前記介在物付着率を出力データとして予め学習された推定モデルを用いて、一部の製造条件を選択し、選択した製造条件を段階的に変更した場合の介在物付着率を推定することにより、欠陥発生要因を推定する欠陥発生要因推定手段と、を備える。
　本発明に係る欠陥発生要因推定装置は、上記発明において、前記推定モデルは、前記凝固開始位置からの距離と、連続鋳造における操業条件とを含む製造条件を入力データとし、前記凝固開始位置からの距離ごとの介在物付着率を出力データとして、予め学習されたものである。
　本発明に係る欠陥発生要因推定装置は、上記発明において、前記欠陥発生深さ算出手段は、スラブ精整におけるスラブグラインダー研削量、熱間圧延におけるスケールオフ量、酸洗による板厚減少量を少なくとも考慮して、前記深さ位置を算出する。
　本発明に係る欠陥発生要因推定装置は、上記発明において、前記欠陥発生要因推定手段は、一以上の製造条件と前記介在物付着率との関係を、一次元データまたは多次元データとして表示する。
　本発明に係る欠陥発生要因推定装置は、上記発明において、前記介在物付着率は、溶鋼中の気泡または微小な固体である介在物が鋳造過程で付着する確率である。
　本発明に係る欠陥発生要因推定装置は、上記発明において、前記製造条件は、タンディッシュ吹込ガス流量、鋳込速度、鋳込幅、鋳込厚、スラブ長さ、スラグ塩基度のうちのいずれか一つ以上を含む。
　上述した課題を解決し、目的を達成するために、本発明に係る欠陥発生要因推定方法は、コンピュータが備える欠陥発生深さ算出手段が、製品における表面欠陥の、スラブ段階における深さ位置を算出するステップと、前記コンピュータが備える欠陥発生率算出手段が、前記深さ位置に基づいて、スラブ深さごとの欠陥発生率を算出するステップと、前記コンピュータが備える介在物付着率算出手段が、前記スラブ深さごとの欠陥発生率に基づいて、スラブ鋳造時の凝固開始位置からの距離ごとの介在物付着率を算出するステップと、前記コンピュータが備える欠陥発生要因推定手段が、前記製品の製造条件を入力データとし、前記介在物付着率を出力データとして予め学習された推定モデルを用いて、一部の製造条件を選択し、選択した製造条件を段階的に変更した場合の介在物付着率を推定することにより、欠陥発生要因を推定するステップと、を含む。
　上述した課題を解決し、目的を達成するために、本発明に係る欠陥発生要因推定モデルの学習方法は、コンピュータが備える欠陥発生深さ算出手段が、製品における表面欠陥の、スラブ段階における深さ位置を算出するステップと、前記コンピュータが備える欠陥発生率算出手段が、前記深さ位置に基づいて、スラブ深さごとの欠陥発生率を算出するステップと、前記コンピュータが備える介在物付着率算出手段が、前記スラブ深さごとの欠陥発生率に基づいて、スラブ鋳造時の凝固開始位置からの距離ごとの介在物付着率を算出するステップと、前記コンピュータが備えるモデル学習手段が、前記製品の製造条件を入力データとし、前記介在物付着率を出力データとして、前記介在物付着率を推定する推定モデルを学習するステップと、を含む。
　上述した課題を解決し、目的を達成するために、本発明に係る操業条件決定方法は、上記の欠陥発生要因推定方法によって推定された欠陥発生要因に基づいて、操業条件を決定する。
　上述した課題を解決し、目的を達成するために、本発明に係る鉄鋼製品の製造方法は、上記の操業条件決定方法によって決定された操業条件に基づいて、鉄鋼製品を製造する。
　上述した課題を解決し、目的を達成するために、本発明に係る鉄鋼製品の製造方法は、上記の欠陥発生要因推定方法によって、鋳造後の操業条件に基づいて、スラブ鋳造時の凝固開始位置からの距離ごとの介在物付着率を推定し、推定した介在物付着率に基づいて、その後の工程の操業条件を変更し、鉄鋼製品を製造する。
　本発明に係る欠陥発生要因推定装置および欠陥発生要因推定方法では、溶鋼の凝固過程と介在物の付着の再現性に着目し、過去の多数の操業実績データから、溶鋼の凝固過程中のどの段階で欠陥の種となる介在物が付着し、製品の表面欠陥として現れるのかを推定する推定モデルを用いる。これにより、溶鋼の凝固過程と介在物付着との関係を把握することができるため、表面欠陥のない製品を製造するための操業を考えることができる。また、本発明に係る欠陥発生要因推定モデルの学習方法によれば、溶鋼の凝固過程と介在物付着との関係に基づいて、欠陥発生要因を推定する推定モデルを構築することができる。また、本発明に係る操業条件決定方法によれば、表面欠陥のない製品を製造するための操業を実施することができる。また、本発明に係る鉄鋼製品の製造方法によれば、表面欠陥のない鉄鋼製品を製造することができる。
図１は、本発明の実施形態に係る欠陥発生要因推定装置の概略的な構成を示す図である。 図２は、本発明の実施形態に係る欠陥発生要因推定装置が実行する欠陥発生要因推定方法の手順を示すフローチャートである。 図３は、ステンレス製品（鉄鋼製品）の製造プロセスの一例を示す図である。 図４は、本発明の実施例であり、欠陥発生要因推定方法のデータ読取ステップにおいて、データベースから読み取る製造実績データの一例を示す図である。 図５は、本発明の実施例であり、欠陥発生要因推定方法の欠陥発生率算出ステップで算出した、スラブ深さごとの欠陥の有無を集計した積み上げグラフである。 図６は、本発明の実施例であり、欠陥発生要因推定方法の欠陥発生率算出ステップで算出した、スラブ深さごとの欠陥発生率を示す折れ線グラフである。 図７は、本発明の実施例であり、モールドにおける溶鋼の凝固と溶鋼の流動のイメージを示す図である。 図８は、本発明の実施例であり、欠陥発生要因推定方法の介在物付着率算出ステップで算出した、メニスカス距離ごとの介在物付着率を示す折れ線グラフである。 図９は、本発明の実施例であり、欠陥発生要因推定方法のモデル学習ステップで構築した推定モデルのモデル精度を示すヒストグラムである。 図１０は、本発明の実施例であり、欠陥発生要因推定方法の欠陥発生要因推定ステップで推定した、メニスカスからの距離と、タンディッシュ吹込ガス流量と、介在物付着率との関係を示すコンター図である。 図１１は、本発明の実施例であり、欠陥発生要因推定方法の欠陥発生要因推定ステップで推定した、メニスカスからの距離と、介在物付着率との関係を示すグラフである。 図１２は、本発明の実施例であり、欠陥発生要因推定方法の欠陥発生要因推定ステップで推定した、スラグ塩基度と、介在物付着率との関係を示すグラフである。
　本発明の実施形態に係る欠陥発生要因推定装置、欠陥発生要因推定方法、欠陥発生要因推定モデルの学習方法、操業条件決定方法および鉄鋼製品の製造方法について、図面を参照しながら説明する。以下では、厚板鋼材を製造する鉄鋼プロセスに対して本発明を適用した場合の例を説明する。但し、本発明は以下の実施の形態に限定されるものではなく、以下の実施の形態における構成要素には、当業者が置換可能かつ容易なもの、あるいは実質的に同一のものも含まれる。
（欠陥発生要因推定装置）
　実施形態に係る欠陥発生要因推定装置について、図１を参照しながら説明する。欠陥発生要因推定装置を実現するための情報処理装置１０は、演算処理部１０１と、記憶部（ＲＯＭ：Read　Only　Memory）１０３と、一時記憶部（ＲＡＭ：Random　Access　Memory）１０４と、バス配線１０５と、データベース（ＤＢ）１２０と、を備えている。
　演算処理部１０１は、ＣＰＵ（Central　Processing　Unit）等の電子回路等を用いて実現され、記憶部１０３内の欠陥発生要因推定プログラム１０２を実行して、欠陥発生要因推定処理に必要な各種演算処理を実行する。演算処理部１０１は、欠陥発生要因推定プログラム１０２の実行によって機能する機能ブロックとして、データ読取部１０６、欠陥発生深さ算出部１０７、欠陥発生率算出部１０８、介在物付着率算出部１０９、モデル学習部１１０および欠陥発生要因推定部１１１を備える。
　データ読取部１０６は、後記するデータ読取ステップを実行する。また、欠陥発生深さ算出部１０７は、後記する欠陥発生深さ算出ステップを実行する。また、欠陥発生率算出部１０８は、後記する欠陥発生率算出ステップを実行する。また、介在物付着率算出部１０９は、後記する介在物付着率算出ステップを実行する。また、モデル学習部１１０は、後記するモデル学習ステップを実行する。また、欠陥発生要因推定部１１１は、後記する欠陥発生要因推定ステップを実行する。各ステップの詳細は後記する（後記図２参照）。
　記憶部１０３には、欠陥発生要因推定プログラム１０２が記憶されている。データベース１２０には、過去の製造実績データが保存されている。なお、情報処理装置１０には、例えば図１に示すように、欠陥発生要因の推定結果を表示する表示装置２０と、オペレータからの入力を受け付ける入力装置３０と、が接続されていてもよい。
（欠陥発生要因推定方法）
　実施形態に係る欠陥発生要因推定装置が実行する欠陥発生要因推定方法について、図２を参照しながら説明する。欠陥発生要因推定方法は、データ読取ステップと、欠陥発生深さ算出ステップと、欠陥発生率算出ステップと、介在物付着率算出ステップと、モデル学習ステップと、欠陥発生要因推定ステップと、を含む。なお、実施形態に係る欠陥発生要因推定方法において、データ読取ステップ～モデル学習ステップまでのステップと、欠陥発生要因推定ステップとは、それぞれ別のタイミングで実施してもよい。すなわち、実施形態に係る欠陥発生要因推定方法では、データ読取ステップ～モデル学習ステップによって予め推定モデルを構築しておき、それとは別のタイミングで、推定モデルを用いた欠陥発生要因推定ステップを実施してもよい。
　以下、実施形態に係る欠陥発生要因推定方法の各ステップについて説明する。なお、欠陥発生要因推定方法は、例えば対象材の製造が完了し、欠陥発生要因推定装置によって欠陥発生分布が計測されたタイミングで処理を開始する。
＜データ読取ステップ＞
　データ読取ステップでは、データ読取部１０６が、データベース１２０に格納されている連続鋳造の製造実績データを読み取る（ステップＳ１）。この製造実績データは、過去に製造された多数のコイル（鋼帯）におけるスラブ（半製品）の厚み変化に関連する製造条件、表面欠陥の発生に関連する製造条件、コイル表面上の欠陥発生有無等が、製品（最終製品）ごとにまとめられたデータである。また、製造実績データは、例えば行方向が過去に製造された製品を表し、列方向が製造条件および検査結果（欠陥の有無）等を表した、行列データ等で構成される（後記図４参照）。
＜欠陥発生深さ算出ステップ＞
　欠陥発生深さ算出ステップでは、欠陥発生深さ算出部１０７が、データ読取ステップで読み取った製造条件に基づいて、製品における表面欠陥の、スラブ段階における深さ位置（欠陥発生深さ位置）を算出する（ステップＳ２）。「欠陥発生深さ位置」とは、最終製品で表面欠陥となって現れる介在物が付着した、スラブ内の深さ位置のことを示している。
　欠陥発生深さ算出ステップでは、具体的には、スラブの厚み変化に関連する製造条件に基づいて、各工程における製品の厚み方向の減少量を算出することにより、製品における表面欠陥がスラブ段階でのどの深さだったのかを算出する。なお、「スラブの厚み変化に関連する製造条件」としては、例えば熱間圧延における圧下量、加熱温度、酸洗の酸濃度および酸洗速度、スラブとコイルのグラインダーパス回数等の、製品表面がスケール剥離・研削・溶解する製造条件が挙げられる。
　欠陥発生深さ算出ステップでは、例えばスラブ精整におけるスラブグラインダー研削量、熱間圧延におけるスケールオフ量、酸洗による板厚減少量（酸洗溶解量）を少なくとも考慮して、上記の深さ位置を算出する。なお、欠陥発生深さ算出ステップでは、データ読取ステップで読み取った全ての製品について、スラブ段階における欠陥発生深さを算出する。
＜欠陥発生率算出ステップ＞
　欠陥発生率算出ステップでは、欠陥発生率算出部１０８が、スラブ段階における深さ位置に基づいて、所定のスラブ深さごとの欠陥発生率を算出する（ステップＳ３）。欠陥発生率算出ステップでは、欠陥発生深さ算出ステップで欠陥発生深さを算出した各スラブについて、所定のスラブ深さ（所定の深さピッチ、例えば０．５ｍｍ）で、欠陥が発生した製品数と、全製品数とを集計する。そして、欠陥が発生した製品数を、全製品数で除することにより、所定のスラブ深さごとの欠陥発生率（欠陥発生割合）を算出する。なお、欠陥発生率算出ステップでは、データ読取ステップで読み取った全ての製品について、所定のスラブ深さごとの欠陥発生率を算出する。ここで、上記の説明では、深さ方向の所定の深さピッチを一定としたが、欠陥発生率のスラブ深さ方向の分布が分かれば、必ずしも一定ピッチでなくてもよい。
＜介在物付着率算出ステップ＞
　介在物付着率算出ステップでは、介在物付着率算出部１０９が、欠陥発生率算出ステップで定めたスラブ深さを、当該スラブ深さと同等のシェル厚さになるスラブ鋳造時の凝固開始位置からの距離（以下、「メニスカスからの距離」という）に変換する（ステップＳ４）。これにより、スラブ深さごとの欠陥発生率に基づいて、メニスカスからの距離ごとの介在物付着率を算出する。
　ここで、介在物付着率算出ステップで算出する介在物付着率は、溶鋼中の気泡または微小な固体である介在物が鋳造過程で付着する確率である。なお、介在物付着率算出ステップでは、データ読取ステップで読み取った全ての製品について、メニスカスからの距離ごとの介在物付着率を算出する。
＜モデル学習ステップ＞
　モデル学習ステップでは、モデル学習部１１０が、製品の製造条件を入力データとし、介在物付着率を出力データとして、当該介在物付着率を推定する欠陥発生要因推定モデル（以下、「推定モデル」という）を学習する（ステップＳ５）。
　モデル学習ステップでは、データ読取ステップで読み取った操業実績データと、介在物付着率算出ステップで算出したメニスカスからの距離ごとの介在物付着率とに基づいて、推定モデルの学習を行う。モデル学習ステップでは、より具体的には、メニスカスからの距離と、連続鋳造における操業条件とを含む製造条件を入力データとし、メニスカスからの距離ごとの介在物付着率を出力データとして、推定モデルの学習を行う。
　モデル学習ステップにおける推定モデルの学習は、例えばランダムフォレスト、線形回帰、サポートベクターマシン、ニューラルネットワーク等の回帰手法によって行うことができる。但し、説明変数から目的変数を推定する手法であれば、上記の回帰手法以外によって推定モデルの学習を行ってもよい。
＜欠陥発生要因推定ステップ＞
　欠陥発生要因推定ステップでは、欠陥発生要因推定部１１１が、モデル学習ステップで構築した推定モデルに対して、推定したい操業条件の説明変数の値とメニスカスからの距離とを入力する。これにより、当該操業条件においてメニスカスからの距離における介在物付着率を算出する（ステップＳ６）。
　欠陥発生要因推定ステップでは、具体的には、製品の製造条件を入力データとし、介在物付着率を出力データとして予め学習された推定モデルを用いて、一部の製造条件を選択し、選択した製造条件を段階的に変更した場合の介在物付着率を推定する。これにより、欠陥発生要因を推定する。推定モデルに入力する製造条件としては、例えばタンディッシュ吹込ガス流量、鋳込速度、鋳込幅、鋳込厚、スラブ長さ、スラグ塩基度のうちのいずれか一つ以上が含まれる。
　また、欠陥発生要因推定ステップでは、例えば一以上の製造条件と介在物付着率との関係を、一次元データまたは多次元データとして表示する（後記図１０～図１２参照）。
（実施例）
　本発明の実施例について、図３～図１２を参照しながら説明する。以下では、本発明に係る欠陥発生要因推定方法を、ステンレス製品の製造に適用した場合の例について説明する。
　図３は、ステンレス製品の製造プロセスの一例を示している。ステンレス製品の製造では、精錬、鋳造、スラブ精整、熱間圧延、酸洗焼鈍１（第一の酸洗焼鈍）、冷間圧延、酸洗焼鈍２（第二の酸洗焼鈍）を経て、スリット・検査工程で欠陥判定が行われる。そして、コイル状の製品として出荷される。以下、本発明に係る欠陥発生要因推定方法の各ステップ（図２参照）に沿って説明を行う。
＜データ読取ステップ＞
　まず、データ読取ステップにおいて、図４に示すような製造実績データを読み取る。同図の製造実績データは、行方向が過去に製造されたコイル製品を表し、列方向が各プロセスの製造条件および検査結果を表した行列データである。また、同図の製造実績データにおいて、１行目にはコイルＮｏ．が記載されており、１列目には項目の名称が記載されている。この製造実績データのサンプル数（行数）は、２３００コイルである。
＜欠陥発生深さ算出ステップ＞
　欠陥発生深さ算出ステップでは、図４の製造実績データの２行目のコイルデータから、下記式（１）～（５）により、各プロセスにおける剥離・研削・溶解によるスラブの厚み方向の減少量を算出する。そして、下記式（６）により、鋳造完了から製品までに減少したスラブ換算での厚み量を算出する。これにより、コイルのスラブ段階における欠陥発生深さを算出する。
（Ａ）スラブ精整におけるスラブグラインダー研削量＝●●［ｍｍ］／１パス×グラインダーパス回数　・・・（１）
（Ｂ）熱間圧延における加熱時の表面スケールオフ量＝●●［ｍｍ］　・・・（２）
（Ｃ）酸洗焼鈍１における酸洗溶解量＝●●［ｇ／ｍ２］×比重７．５×●●［ｇ／ｍ３］／板幅［ｍ］×（基準酸洗速度［ｍｐｍ］／酸洗速度［ｍｐｍ］）　・・・（３）
（Ｄ）酸洗焼鈍１におけるコイルグラインダー研削量＝●●［μｍ］／１パス×グラインダーパス回数　・・・（４）
（Ｅ）酸洗焼鈍２における酸洗溶解量＝●●［ｇ／ｍ２］×比重７．５×●●［ｇ／ｍ３］／板幅［ｍ］　・・・（５）
（Ｆ）鋳造完了から製品までのスラブ換算厚み減少量＝（Ａ）＋（Ｂ）＋（Ｃ）×スラブ厚／酸洗焼鈍板厚＋（Ｄ）×スラブ厚／酸洗焼鈍板厚＋（Ｅ）×スラブ厚／製品厚　・・・（６）
　また、欠陥発生深さ算出ステップでは、図４の製造実績データの３行目以降の２３００コイルの全てに対して、上記式（１）～（６）の計算を行い、各コイルのスラブ段階における欠陥発生深さを算出する。
＜欠陥発生率算出ステップ＞
　欠陥発生率算出ステップでは、各コイルのスラブ段階における欠陥発生深さのデータに基づいて、スラブ深さ０．５ｍｍピッチでの欠陥発生率を算出する。図５は、欠陥発生深さの集計結果を、欠陥なしスラブ数（＝コイル数。但し、一つのスラブから複数のコイルが生成されている場合はスラブ数に換算する）と、欠陥ありスラブ数とで積み上げた積み上げグラフで表現したものである。同図において、横軸はスラブ深さ（０．５ｍｍピッチ）を、縦軸はスラブ本数を表している。また、図６は、図５の集計結果に基づいて、欠陥発生率を求めたものであり、横軸はスラブ深さ（０．５ｍｍピッチ）を、縦軸は欠陥発生率を表している。
＜介在物付着率算出ステップ＞
　介在物付着率算出ステップでは、下記式（７）により、図６に示したスラブ深さを、連続鋳造機のモールドのメニスカス（凝固開始点）からの引き抜き方向への距離に変換する。
スラブ深さ（シェル厚）［ｍ］＝凝固定数［ｍｓ－１／２］×（メニスカスからの距離［ｍ］／鋳込速度［ｍｓ－１］＾（１／２）　・・・（７）
　上記式（７）の意味について、図７を参照しながら説明する。同図は、モールドにおける溶鋼の凝固と溶鋼の流動のイメージを示している。同図に示すように、モールド内において、欠陥の種となる介在物がシェルに付着するが、介在物が付着した際のシェル厚が、ちょうど各プロセスを通じてスラブが削られていったときに、製品段階で欠陥として表面に暴露する。そのため、メニスカスからの距離と、上記式（７）におけるシェル厚は、スラブ深さと同義となる。また、「所定のスラブ深さにおける欠陥発生率」は、「所定のメニスカスからの距離における介在物付着率」とみなすことができる。
　図８は、図６の横軸のスラブ深さを、メニスカスからの距離に変換した結果を示しており、横軸はメニスカスからの距離を、縦軸は介在物付着率を表している。なお、スラブ深さをメニスカスからの距離に変換したことに伴い、図６の縦軸の欠陥発生率を、図８では介在物付着率として示している。図８に示すように、メニスカス付近、メニスカスからそれぞれ３０～４０ｍｍ、７０～８０ｍｍ、９０～１２０ｍｍの位置において、介在物が付着しやすいことがわかる。すなわち、同図では、上記の位置に向かって、溶鋼流動が介在物を運んでいることが示唆されている。
　モデル学習ステップでは、説明変数（入力データ）をメニスカス距離、タンディッシュ吹込ガス流量、鋳込速度、鋳込幅、鋳込厚、スラブ長さ、スラグ塩基度とし、目的変数を介在物付着率として、機械学習手法のランダムフォレストを用いて推定モデルを学習した。図９は、学習された推定モデルのモデル精度を示すヒストグラムであり、横軸が推定モデルで推定された介在物付着率を、縦軸が検証サンプル数（度数）を表している。また、同図において、ドットハッチングで示したものが欠陥なし（介在物付着なし）と推定したコイルを示すヒストグラムであり、斜線ハッチングで示したものが欠陥あり（介在物付着あり）と推定したコイルを示すヒストグラムである。
　図９では、欠陥なしと推定したコイルを示すヒストグラムの山のピークと、斜線ハッチングで示したものが欠陥ありと推定したコイルを示すヒストグラムの山のピークとが、左右に明確に離れている。そのため、学習済みの推定モデルは、コイルの欠陥の有無を精度よく推定できているといえる。
＜欠陥発生要因推定ステップ＞
　欠陥発生要因推定ステップでは、上記の学習済みの推定モデルに対して、説明変数のうちの鋳込速度、鋳込幅、鋳込厚、スラブ長さ、スラグ塩基度の値を実績操業の平均値で固定して入力した。また、説明変数のうちのメニスカス距離とタンディッシュ吹込ガス流量の二つの説明変数を変化させながら入力した。このように、欠陥発生要因推定ステップでは、一部の入力データを固定し、かつその他の入力データを段階的に変更させながら推定モデルに入力することにより、介在物付着率を推定した。
　図１０は、上記の方法によって推定された、メニスカスからの距離と、タンディッシュ吹込ガス流量と、介在物付着率との関係を示すコンター図である。同図において、縦軸はメニスカスからの距離を、横軸はタンディッシュ吹込ガス流量を、ドットの濃さは介在物付着率を表している。同図において、メニスカスからの距離は上に行くほど遠くなる。また、タンディッシュ吹込ガス流量は、右に行くほど大きくなる。また、介在物付着率は、ドットが濃くなるほど高くなる。
　図１０を参照することにより、メニスカス付近では介在物付着率が高いこと、タンディッシュ吹込ガス流量を増やすほど介在物付着率を小さくできること等を読み取ることができる。従って、オペレータは、同図の結果を参照することにより、溶鋼の凝固過程と介在物付着との関係を把握することができ、介在物付着量、すなわち製品の表面欠陥を抑制するための、最適な溶鋼流動を考えるための示唆を得ることができる。
　ここで、図１０では、複数の説明変数（メニスカスからの距離、タンディッシュ吹込ガス流量）と、介在物付着率との関係を推定していたが、一つの説明変数と介在物付着率との関係を推定してもよい。
　例えば図１１は、説明変数のうちのメニスカスからの距離と、介在物付着率との関係を示すグラフである。同図において、横軸はメニスカスからの距離を、縦軸は介在物付着率を表している。また、実線、破線および一点鎖線は、タンディッシュ吹込ガス流量（ＴＤ吹込ガス流量）が、それぞれ４Ｌ／ｍｉｎ、２４Ｌ／ｍｉｎ、５８Ｌ／ｍｉｎである場合の介在物付着率を示している。このように、鋳造後の操業条件に基づいて、メニスカスからの距離（＝スラブ深さ）ごとの欠陥付着率を推定してもよい。
　また、図１２は、説明変数のうちのスラグ塩基度と、介在物付着率との関係を示すグラフである。同図において、横軸はスラグ塩基度を、縦軸は介在物付着率を表している。このように、鋳造後の操業条件に基づいて、スラグ塩基度ごとの欠陥付着率を推定してもよい。
　また、これまでの説明では、欠陥発生要因推定ステップの推定結果に基づいて、溶鋼の凝固過程と介在物付着との関係を把握し、製品の表面欠陥をなくすための操業条件を決定し、次の操業に生かすことを想定していた。それに代わり、例えば欠陥発生要因推定ステップにおいて、鋳造後の操業条件に基づいてスラブ鋳造時の介在物付着率を推定し、その推定結果に基づいて、その後の工程の操業条件を変更してもよい。すなわち、製品の製造時において、途中の工程まで進んだ段階で介在物付着率を推定し、その推定結果に応じて以降の工程の操業条件を決定（変更）してもよい。
　この場合、例えば上記の図１１に示すように、鋳造後の操業条件に基づいて、メニスカスからの距離（＝スラブ深さ）ごとの欠陥付着率を推定する。続いて、推定した欠陥付着率から、欠陥付着率が品質保証の観点から定めた閾値よりも大きくなるスラブ深さ量（例えば欠陥付着率が２０％となるのはスラブ表層から２ｍｍ内）を読み取る。そして、読み取ったスラブ深さ量だけ、最終的にスラブ表層が削られるように、後工程であるスラブ精整工程のスラブグラインダー研削量を決定する。
　すなわち、スラブを削るべき量から、熱間圧延における表面スケールオフ量や、酸洗焼鈍における酸洗溶解量の予測値を差し引いた量を、スラブグラインダー研削量として決定する。なお、決定したスラブグラインダー研削量が、予め設定した最大グラインダー研削量（例えば手入能率の観点から定めた最大研削量）を超える場合、例えば酸洗速度を下げる設定等に変更する。
　また、例えば上記の図１２に示すように、精錬工程におけるスラグ塩基度ごとの欠陥付着率を推定する。ここで、スラグ塩基度は、スラグの造り込みコスト等の介在物発生以外の操業観点から制約される。そのため、例えばスラグ塩基度が１．２５～２．００％で制約される場合、介在物付着率が最も小さくなるスラグ塩基度１．６％の値を図１２から読み込む。そして、読み込んだスラグ塩基度（１．６％）を、精錬工程のスラグ塩基度の設定値として決定する。
　このように、予め設定した操業条件のままで製品を製造すると、スラブのどの深さに欠陥が発生する確率が高いのかを推定し、その推定結果に基づいて適切な操業条件に変更することにより、表面欠陥のない製品を製造することができる。
　以上説明した実施形態に係る欠陥発生要因推定装置および欠陥発生要因推定方法では、溶鋼の凝固過程と介在物の付着の再現性に着目する。そして、過去の多数の操業実績データから、溶鋼の凝固過程中のどの段階で欠陥の種となる介在物が付着し、製品の表面欠陥として現れるのかを推定する推定モデルを用いる。これにより、溶鋼の凝固過程と介在物付着との関係を把握することができるため、表面欠陥のない製品を製造するための操業を考えることができる。
　また、実施形態に係る欠陥発生要因推定モデルの学習方法によれば、溶鋼の凝固過程と介在物付着との関係に基づいて、欠陥発生要因を推定する推定モデルを構築することができる。
　また、実施形態に係る操業条件決定方法によれば、上記の欠陥発生要因推定方法によって推定された欠陥発生要因に基づいて、操業条件を決定することができる。これにより、表面欠陥のない製品を製造するための操業を実施することができる。
　また、実施形態に係る鉄鋼製品の製造方法によれば、上記の操業条件決定方法によって決定された操業条件に基づいて、鉄鋼製品を製造することができる。これにより、表面欠陥のない鉄鋼製品を製造することができる。
　また、実施形態に係る鉄鋼製品の製造方法によれば、上記の欠陥発生要因推定方法によって、鋳造後の操業条件に基づいて、スラブ鋳造時の凝固開始位置からの距離ごとの介在物付着率を推定する。そして、推定した介在物付着率に基づいて、その後の工程の操業条件を変更し、鉄鋼製品を製造することができる。これにより、表面欠陥のない鉄鋼製品を製造することができる。
　以上、本発明者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およ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、実施例および運用技術等は、全て本発明の範疇に含まれる。
　１０　情報処理装置
　１０１　演算処理部
　１０２　欠陥発生要因推定プログラム
　１０３　記憶部（ＲＯＭ）
　１０４　一時記憶部（ＲＡＭ）
　１０５　バス配線
　１０６　データ読取部
　１０７　欠陥発生深さ算出部
　１０８　欠陥発生率算出部
　１０９　介在物付着率算出部
　１１０　モデル学習部
　１１１　欠陥発生要因推定部
　１２０　データベース（ＤＢ）
　２０　表示装置
　３０　入力装置

Claims (11)

  1. 　製品における表面欠陥の、スラブ段階における深さ位置を算出する欠陥発生深さ算出手段と、
    　前記深さ位置に基づいて、スラブ深さごとの欠陥発生率を算出する欠陥発生率算出手段と、
    　前記スラブ深さごとの欠陥発生率に基づいて、スラブ鋳造時の凝固開始位置からの距離ごとの介在物付着率を算出する介在物付着率算出手段と、
    　前記製品の製造条件を入力データとし、前記介在物付着率を出力データとして予め学習された推定モデルを用いて、一部の製造条件を選択し、選択した製造条件を段階的に変更した場合の介在物付着率を推定することにより、欠陥発生要因を推定する欠陥発生要因推定手段と、
    　を備える欠陥発生要因推定装置。
  2. 　前記推定モデルは、前記凝固開始位置からの距離と、連続鋳造における操業条件とを含む製造条件を入力データとし、前記凝固開始位置からの距離ごとの介在物付着率を出力データとして、予め学習されたものである請求項１に記載の欠陥発生要因推定装置。
  3. 　前記欠陥発生深さ算出手段は、スラブ精整におけるスラブグラインダー研削量、熱間圧延におけるスケールオフ量、酸洗による板厚減少量を少なくとも考慮して、前記深さ位置を算出する請求項１に記載の欠陥発生要因推定装置。
  4. 　前記欠陥発生要因推定手段は、一以上の製造条件と前記介在物付着率との関係を、一次元データまたは多次元データとして表示する請求項１に記載の欠陥発生要因推定装置。
  5. 　前記介在物付着率は、溶鋼中の気泡または微小な固体である介在物が鋳造過程で付着する確率である請求項１に記載の欠陥発生要因推定装置。
  6. 　前記製造条件は、タンディッシュ吹込ガス流量、鋳込速度、鋳込幅、鋳込厚、スラブ長さ、スラグ塩基度のうちのいずれか一つ以上を含む請求項１に記載の欠陥発生要因推定装置。
  7. 　コンピュータが備える欠陥発生深さ算出手段が、製品における表面欠陥の、スラブ段階における深さ位置を算出するステップと、
    　前記コンピュータが備える欠陥発生率算出手段が、前記深さ位置に基づいて、スラブ深さごとの欠陥発生率を算出するステップと、
    　前記コンピュータが備える介在物付着率算出手段が、前記スラブ深さごとの欠陥発生率に基づいて、スラブ鋳造時の凝固開始位置からの距離ごとの介在物付着率を算出するステップと、
    　前記コンピュータが備える欠陥発生要因推定手段が、前記製品の製造条件を入力データとし、前記介在物付着率を出力データとして予め学習された推定モデルを用いて、一部の製造条件を選択し、選択した製造条件を段階的に変更した場合の介在物付着率を推定することにより、欠陥発生要因を推定するステップと、
    　を含む欠陥発生要因推定方法。
  8. 　コンピュータが備える欠陥発生深さ算出手段が、製品における表面欠陥の、スラブ段階における深さ位置を算出するステップと、
    　前記コンピュータが備える欠陥発生率算出手段が、前記深さ位置に基づいて、スラブ深さごとの欠陥発生率を算出するステップと、
    　前記コンピュータが備える介在物付着率算出手段が、前記スラブ深さごとの欠陥発生率に基づいて、スラブ鋳造時の凝固開始位置からの距離ごとの介在物付着率を算出するステップと、
    　前記コンピュータが備えるモデル学習手段が、前記製品の製造条件を入力データとし、前記介在物付着率を出力データとして、前記介在物付着率を推定する推定モデルを学習するステップと、
    　を含む欠陥発生要因推定モデルの学習方法。
  9. 　請求項７に記載の欠陥発生要因推定方法によって推定された欠陥発生要因に基づいて、操業条件を決定する操業条件決定方法。
  10. 　請求項９に記載の操業条件決定方法によって決定された操業条件に基づいて、鉄鋼製品を製造する鉄鋼製品の製造方法。
  11. 　請求項７に記載の欠陥発生要因推定方法によって、鋳造後の操業条件に基づいて、スラブ鋳造時の凝固開始位置からの距離ごとの介在物付着率を推定し、推定した介在物付着率に基づいて、その後の工程の操業条件を変更し、鉄鋼製品を製造する鉄鋼製品の製造方法。
PCT/JP2023/031237 2022-10-17 2023-08-29 欠陥発生要因推定装置、欠陥発生要因推定方法、欠陥発生要因推定モデルの学習方法、操業条件決定方法および鉄鋼製品の製造方法 WO2024084824A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022-166047 2022-10-17
JP2022166047A JP2024058755A (ja) 2022-10-17 2022-10-17 欠陥発生要因推定装置、欠陥発生要因推定方法、欠陥発生要因推定モデルの学習方法、操業条件決定方法および鉄鋼製品の製造方法

Publications (1)

Publication Number Publication Date
WO2024084824A1 true WO2024084824A1 (ja) 2024-04-25

Family

ID=90737664

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/031237 WO2024084824A1 (ja) 2022-10-17 2023-08-29 欠陥発生要因推定装置、欠陥発生要因推定方法、欠陥発生要因推定モデルの学習方法、操業条件決定方法および鉄鋼製品の製造方法

Country Status (2)

Country Link
JP (1) JP2024058755A (ja)
WO (1) WO2024084824A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019171391A (ja) * 2018-03-27 2019-10-10 Ｊｆｅスチール株式会社 非金属介在物による連続鋳造鋳片の品質悪化危険性の判定方法
CN111476348A (zh) * 2020-03-06 2020-07-31 南京钢铁股份有限公司 一种铸坯质量预报方法
JP2021102224A (ja) * 2019-12-25 2021-07-15 日本製鉄株式会社 情報処理システム、情報処理方法、およびプログラム
JP2022014435A (ja) * 2020-07-06 2022-01-19 Ｊｆｅスチール株式会社 鋼素材の表面欠陥推定方法および装置、鋼素材の製造仕様決定支援方法および装置、ならびに鋼素材の製造方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019171391A (ja) * 2018-03-27 2019-10-10 Ｊｆｅスチール株式会社 非金属介在物による連続鋳造鋳片の品質悪化危険性の判定方法
JP2021102224A (ja) * 2019-12-25 2021-07-15 日本製鉄株式会社 情報処理システム、情報処理方法、およびプログラム
CN111476348A (zh) * 2020-03-06 2020-07-31 南京钢铁股份有限公司 一种铸坯质量预报方法
JP2022014435A (ja) * 2020-07-06 2022-01-19 Ｊｆｅスチール株式会社 鋼素材の表面欠陥推定方法および装置、鋼素材の製造仕様決定支援方法および装置、ならびに鋼素材の製造方法

Also Published As

Publication number Publication date
JP2024058755A (ja) 2024-04-30

Similar Documents

Publication Publication Date Title
JP5000694B2 (ja) プレス成形加工装置、プレス成形加工方法、コンピュータプログラム及び記録媒体
US9180512B2 (en) Production system and production method of aluminum alloy billet, and aluminum alloy billet
Logunova et al. Automatic system for intelligent support of continuous cast billet production control processes
US20080156451A1 (en) Die casting process incorporating computerized pattern recognition techniques
TWI759770B (zh) 品質預測模型生成方法、品質預測模型、品質預測方法、金屬材料的製造方法、品質預測模型生成裝置以及品質預測裝置
JP5003362B2 (ja) 製品品質の制御方法及び制御装置
CN116050678A (zh) 一种基于云计算的压铸产品加工测试系统及方法
WO2024084824A1 (ja) 欠陥発生要因推定装置、欠陥発生要因推定方法、欠陥発生要因推定モデルの学習方法、操業条件決定方法および鉄鋼製品の製造方法
KR102426172B1 (ko) 조임 발생 예측 시스템
CA2312279C (en) Method for setting operating conditions for continuous hot rolling facilities
JP2020157327A (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
JP4627371B2 (ja) Ａｌ合金板の材質予測方法
CN111215457A (zh) 中厚板轧后控制冷却方法、装置及电子设备
JPH10207954A (ja) 標準製造原価情報の保持・算出方法及び装置
CN113343568B (zh) 一种水平连续铸造生产工艺优化方法及系统
CN117196355A (zh) 一种进行连铸板坯质量缺陷因素追溯的系统及方法
JPH0775766B2 (ja) 連続鋳造における鋳片縦割れ検出方法
KR20080022074A (ko) 압연 라인의 재질 예측 및 재질 제어 장치
JP2000271712A (ja) 連続鋳造プロセスにおける鋳片の表面欠陥評点判定方法
CN114781110B (zh) 一种基于数据分析的热轧卷板翘皮缺陷追溯方法及系统
JP6822390B2 (ja) 厚鋼板の粗圧延時間算出方法、厚鋼板の粗圧延時間算出装置、及び厚鋼板の製造方法
JP7014203B2 (ja) 連続鋳造における鋳造鋳片のクレータエンド位置の推定方法およびその装置
JP7524884B2 (ja) 高温鋼材の割れ検出方法、高温鋼材の圧延方法及び高温鋼材の割れ検出モデルの生成方法
CN117464216A (zh) 基于激光焊接温度场实时测量的焊接质量控制方法及装置
CN117408427A (zh) 一种新型连铸质量判定的数据分析系统

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: 23879476

Country of ref document: EP

Kind code of ref document: A1