WO2025253758A1 - 温度予測システム、制御装置、温度予測方法及び制御方法 - Google Patents

温度予測システム、制御装置、温度予測方法及び制御方法

Info

Publication number
WO2025253758A1
WO2025253758A1 PCT/JP2025/012571 JP2025012571W WO2025253758A1 WO 2025253758 A1 WO2025253758 A1 WO 2025253758A1 JP 2025012571 W JP2025012571 W JP 2025012571W WO 2025253758 A1 WO2025253758 A1 WO 2025253758A1
Authority
WO
WIPO (PCT)
Prior art keywords
temperature
zone
heated
overall heat
machine learning
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
PCT/JP2025/012571
Other languages
English (en)
French (fr)
Inventor
健介 森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
JFE Steel Corp
Original Assignee
JFE Steel Corp
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 Steel Corp filed Critical JFE Steel Corp
Priority to JP2025539782A priority Critical patent/JP7806980B1/ja
Publication of WO2025253758A1 publication Critical patent/WO2025253758A1/ja
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D11/00—Process control or regulation for heat treatments
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D9/00—Heat treatment, e.g. annealing, hardening, quenching or tempering, adapted for particular articles; Furnaces therefor
    • C21D9/52—Heat treatment, e.g. annealing, hardening, quenching or tempering, adapted for particular articles; Furnaces therefor for wires; for strips ; for rods of unlimited length
    • C21D9/54—Furnaces for treating strips or wire
    • C21D9/56—Continuous furnaces for strip or wire
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F27—FURNACES; KILNS; OVENS; RETORTS
    • F27B—FURNACES, KILNS, OVENS OR RETORTS IN GENERAL; OPEN SINTERING OR LIKE APPARATUS
    • F27B9/00—Furnaces through which the charge is moved mechanically, e.g. of tunnel type; Similar furnaces in which the charge moves by gravity
    • F27B9/02—Furnaces through which the charge is moved mechanically, e.g. of tunnel type; Similar furnaces in which the charge moves by gravity of multiple-track type; of multiple-chamber type; Combinations of furnaces
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F27—FURNACES; KILNS; OVENS; RETORTS
    • F27B—FURNACES, KILNS, OVENS OR RETORTS IN GENERAL; OPEN SINTERING OR LIKE APPARATUS
    • F27B9/00—Furnaces through which the charge is moved mechanically, e.g. of tunnel type; Similar furnaces in which the charge moves by gravity
    • F27B9/30—Details, accessories or equipment specially adapted for furnaces of these types
    • F27B9/40—Arrangements of controlling or monitoring devices
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F27—FURNACES; KILNS; OVENS; RETORTS
    • F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
    • F27D19/00—Arrangements of controlling devices
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F27—FURNACES; KILNS; OVENS; RETORTS
    • F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
    • F27D21/00—Arrangement of monitoring devices; Arrangement of safety devices

Definitions

  • This disclosure relates to a temperature prediction system, a control device, a temperature prediction method, and a control method.
  • this disclosure relates to temperature control, operator guidance, and steel strip temperature prediction technology used in furnace operation in continuous heating furnaces that heat materials to be heated, including continuous steel strips, and can be widely used in industrial fields such as the steel manufacturing industry or steel plate processing industry.
  • Heat treatment of steel plates is an important process that affects the quality of the steel plates, and various studies are being conducted on methods for estimating the steel plate temperature after heat treatment, which is used in temperature control and operator guidance.
  • a widely used method for estimating steel plate temperature is to calculate the temperature transition of the steel plate using a known heat transfer mathematical model.
  • the heat transfer mathematical model treats the thermal radiation heat transfer phenomenon (radiative heat transfer and convective heat transfer) inside the heating furnace as radiation heat transfer from the furnace gas temperature (furnace temperature) to the steel plate, and has a parameter called the overall heat absorptivity (or overall heat transfer coefficient).
  • the overall heat absorptivity will vary depending on the characteristics of the equipment, such as the furnace shape.
  • the overall heat absorptivity is determined based on numerical calculations such as heat transfer analysis or heat transfer experiments, for example.
  • Patent Document 1 discloses a method for determining the overall heat transfer coefficient of a heat transfer mathematical model applied to combustion gas flow rate control in a continuous annealing furnace as a function of combustion gas flow rate and strip width. Patent Document 1 states that by using this overall heat transfer coefficient to control the combustion gas flow rate, it is possible to compensate for the impact on the temperature control of the following strip caused by changes in strip width from the preceding strip to the following strip.
  • Patent Document 2 discloses a technology for correcting the overall heat absorption rate of a heating furnace based on the flame length of the axial burner inside the heating furnace.
  • Patent Document 3 discloses a technology for correcting the overall heat absorption rate of a heating furnace based on the number of burners firing (total combustion amount) within the heating furnace.
  • Patent Document 4 discloses a method for predicting the overall heat absorptance of a continuous heating furnace, in which multiple overall heat absorptances are determined in advance by heat transfer analysis (numerical calculation) within the range of change of variables in actual operation, and then, during actual operation, a regression equation with these variables as variables is used to predict the overall heat absorptance.
  • Variables include the billet charging temperature, billet withdrawal temperature, production volume, time the billet has been in the furnace, furnace temperature of each zone, and the dimensionless position in the furnace length direction of the zone for which the overall heat absorptance is to be calculated, and a regression equation for the overall heat absorptance is determined for each zone.
  • Patent Document 5 also discloses a technology that uses the recursive least squares method to sequentially estimate the overall heat absorptivity of multiple zones in a continuous heating furnace online based on the estimated error of the slab temperature at the outlet of the furnace, and updates the overall heat absorptivity of each zone.
  • the heat transfer mathematical model which has the overall heat absorptivity as a parameter, is a simplified model of the various thermal radiation heat transfer phenomena within the furnace, and does not take into account, for example, thermal radiation heat transfer in the longitudinal direction of the heating furnace. Actual thermal radiation heat transfer phenomena are complex. For this reason, it is difficult to accurately estimate the steel plate temperature using calculations that set the overall heat absorptivity to a single value.
  • Patent Documents 1 to 4 can correct the reference overall heat absorption rate using correction means (e.g., correction coefficients, regression equations, etc.) for operational factors such as operating conditions (e.g., number of combustions, combustion gas flow rate, time in furnace, furnace temperature in each zone, flame length, etc.).
  • correction means e.g., correction coefficients, regression equations, etc.
  • operational factors e.g., number of combustions, combustion gas flow rate, time in furnace, furnace temperature in each zone, flame length, etc.
  • Patent Documents 1 to 4 have the difficulty of immediately reflecting changes in the state of the heating furnace (such as deterioration of refractories inside the furnace over time) in the overall heat absorption rate, resulting in a lack of real-time performance.
  • Patent Document 5 uses the recursive least squares method to sequentially estimate the overall heat absorptivity of multiple zones within the furnace online, allowing changes in the furnace's condition to be immediately reflected in the overall heat absorptivity.
  • the method of Patent Document 5 cannot distinguish between the effects of operating conditions (short-term factors) and the effects of changes in the furnace's condition (long-term factors), so sufficient improvement in accuracy cannot be expected.
  • the purpose of this disclosure is to provide a temperature prediction system, control device, temperature prediction method, and control method that are capable of predicting the temperature of the material to be heated in a heating furnace while taking into account changes in operating conditions and the equipment state of the heating furnace.
  • the content of this disclosure can also be applied to predicting the temperature in a heating furnace of steel strips, steel plates cut from steel strips, and steel ingots including slabs as the material to be heated.
  • the material to be heated is described as a steel strip
  • the temperature of the material to be heated is described as the steel strip temperature. If the material to be heated is a steel plate or steel ingot, the steel strip temperature in the following description can be interpreted as the steel plate temperature and the steel ingot temperature, respectively.
  • a temperature prediction system includes: A temperature prediction system for predicting a temperature of a material to be heated, which is a temperature of a material to be heated in a continuous heating furnace having a plurality of continuous zones, comprising: a collection unit that collects operational data including the temperature of the heated material for each predetermined range of the heated material in each zone, calculates an overall heat absorptivity of each zone for each predetermined range based on a change in the temperature of the heated material from the inlet side to the outlet side of each zone, and stores the overall heat absorptivity in association with the operational data for each predetermined range; a learning unit that sets any one zone among the plurality of zones as a target zone, sequentially learns a machine learning model of the target zone for each of the predetermined ranges, the machine learning model having the overall heat absorptivity of the target zone as an output variable and the operational data of the target zone and a zone upstream of the target zone as input variables, and generates the machine learning model for
  • the collected operational data includes at least the furnace temperature, exhaust gas temperature, fuel flow rate, air flow rate, inlet temperature of the heated material, and outlet temperature of the heated material in each zone
  • the input variables of the machine learning model include at least the furnace temperature, exhaust gas temperature, fuel flow rate, and air flow rate in each zone.
  • the furnace temperature is measured at a plurality of positions spaced apart in the conveying direction of the material to be heated.
  • the machine learning model is generated using machine learning techniques including Lasso regression, ridge regression, linear regression, local regression, principal component regression, PLS regression, and neural networks.
  • a control device includes: The continuous heating furnace is controlled based on the predicted temperature of the material to be heated output by any one of the temperature prediction systems (1) to (4).
  • a temperature prediction method includes: A temperature prediction method executed by a temperature prediction system for predicting a temperature of a material to be heated, which is a temperature of a material to be heated in a continuous heating furnace having a plurality of continuous zones, comprising: a collection step of collecting operational data including the temperature of the heated material for each predetermined range of the heated material in each zone, calculating an overall heat absorptivity of each zone for each predetermined range based on a change in the temperature of the heated material from the inlet side to the outlet side of each zone, and storing the overall heat absorptivity in association with the operational data for each predetermined range; a learning step of sequentially learning a machine learning model of the target zone for each of the predetermined ranges, with any one of the plurality of zones as a target zone, the overall heat absorptivity of the target zone as an output variable, and the operational data of the target zone and a zone upstream of the target zone as input variables, to generate the machine learning model
  • the collected operational data includes at least the furnace temperature, exhaust gas temperature, fuel flow rate, air flow rate, inlet temperature of the heated material, and outlet temperature of the heated material in each zone
  • the input variables of the machine learning model include at least the furnace temperature, exhaust gas temperature, fuel flow rate, and air flow rate in each zone.
  • a control method includes: The continuous heating furnace is controlled based on the predicted temperature of the material to be heated output by the temperature prediction method (6) or (7).
  • This disclosure provides a temperature prediction system, control device, temperature prediction method, and control method that can predict the temperature of the material to be heated in a heating furnace while taking into account changes in operating conditions and the equipment state of the heating furnace.
  • FIG. 1 is a schematic diagram illustrating an example configuration of a temperature prediction system according to an embodiment of the present disclosure.
  • FIG. 2 is a flowchart illustrating the process of a temperature prediction method according to an embodiment of the present disclosure.
  • FIG. 3 is a diagram for explaining a machine learning model that outputs an overall heat absorption rate.
  • FIG. 4 is a diagram showing the top feature importance of the machine learning model.
  • FIG. 5 is a diagram illustrating the change in exhaust gas temperature and overall heat absorption rate.
  • FIG. 6 is a diagram showing the prediction accuracy of the overall heat absorptivity.
  • FIG. 7A is a diagram showing the predicted results of the steel strip temperature in the comparative example.
  • FIG. 7B is a diagram showing the predicted results of the steel strip temperature in the example.
  • FIG. 8 is a diagram for explaining the heat balance in each zone of the continuous heating furnace.
  • the temperature prediction system and temperature prediction method executed by the temperature prediction system predict the temperature of the heated material, which is the temperature of the heated material in a continuous heating furnace having multiple continuous zones (i.e., multiple continuous heating zones, see zones 1 to 3 in Figure 1).
  • the heated material is a steel strip (continuous steel strip) and the heated material temperature is the steel strip temperature.
  • the heated material is not limited to a steel strip and could be, for example, a steel plate or a steel ingot.
  • the steel strip temperature in the following description will be read as the steel plate temperature or the steel ingot temperature.
  • the inventors investigated the heating conditions (i.e., the operating conditions for the continuous heating furnace) that affect the overall heat absorption rate for each zone of the continuous heating furnace. They then conducted a detailed investigation of the heat balance (relationship between heat input and heat output) for each zone of the continuous heating furnace shown in Figure 8, and the heating conditions that are thought to be influencing factors.
  • Heat inputs include the heat content of the steel strip, the heat of combustion or sensible heat of the fuel, the sensible heat of the combustion air, and the sensible heat of the furnace gases entering from adjacent heating zones.
  • Heat output includes the heat content of the steel strip, the sensible heat of the furnace gases, the sensible heat of the exhaust gases, and other heat outputs.
  • Other heat outputs include, for example, heat dissipation from the furnace body, the sensible heat of the gases flowing into adjacent heating zones, and other heat losses.
  • the above heat input or output can be calculated based on influencing factors.
  • the heat content of the steel strip, which is heat input can be calculated from the steel strip temperature at the entrance to the zone.
  • the heat of combustion or sensible heat of the fuel can be calculated from the fuel flow rate (gas flow rate) of the zone.
  • the sensible heat of the combustion air can be calculated from the air flow rate of the zone.
  • the sensible heat of the furnace gas entering from an adjacent zone can be calculated from the heating conditions of the adjacent zone (furnace temperature, fuel flow rate, air flow rate, etc.).
  • the heat content of the steel strip, which is heat output can be calculated from the steel strip temperature at the exit of the zone.
  • the sensible heat of the furnace gas can be calculated from the furnace temperature (ambient temperature) of the zone.
  • the sensible heat of the exhaust gas can be calculated from the exhaust gas temperature of the zone.
  • Other heat outputs can be calculated from the furnace equipment status (furnace body radiation, furnace opening radiant heat loss, other heat losses).
  • the overall heat absorptivity is calculated based on the difference in heat content between the steel strip at the inlet and outlet of a zone. In other words, the overall heat absorptivity is calculated from the difference in steel strip temperature. From the perspective of heat balance, the overall heat absorptivity is thought to be affected by fluctuations in heating conditions.
  • the inventors have conceived a new method for accurately predicting the overall heat absorptivity in a continuous heating furnace consisting of multiple consecutive zones. In this method, the overall heat absorptivity for each zone is calculated based on changes in the steel strip temperature within each zone.
  • a machine learning model is generated through sequential learning, with the overall heat absorptivity as the output variable and the heating conditions of that zone and adjacent zones as input variables.
  • This method incorporates factors not considered in conventional methods (heating conditions of adjacent upstream zones, exhaust gas temperature) as input variables for the overall heat absorptivity prediction model.
  • this method allows for the simultaneous selection of factors with high influence importance (variable selection) and estimation of the overall heat absorptivity.
  • machine learning models can be generated in real time, allowing changes in the furnace's condition to be immediately reflected in the overall heat absorption rate. Details are explained below with reference to the drawings.
  • FIG. 1 is a schematic diagram showing an example configuration of a temperature prediction system according to this embodiment.
  • the temperature prediction system predicts the temperature of a steel strip in a continuous heating furnace of a hot-dip galvanizing production line.
  • a hot-dip galvanizing production line is an example of a production line for steel products, and includes a continuous annealing process in which thin plates are continuously annealed in a continuous heating furnace.
  • the temperature prediction system predicts the temperature of the steel strip passing through the furnace in the continuous annealing process.
  • the hot-dip galvanizing production line includes a pot (galvanizing tank), cooling equipment, and a continuous heating furnace located upstream of the cooling equipment.
  • the continuous heating furnace is composed of a first zone, a second zone, and a third zone.
  • the continuous heating furnace has three zones (heating zones), but this is not limited to three and any number of zones may be used.
  • the zones may be divided, for example, by equipment unit when the continuous heating furnace is subdivided, or by control unit.
  • the temperature prediction system of this embodiment includes a data collection device and a continuous steel strip temperature prediction device.
  • the data collection device includes a first collection unit that collects operational data, such as steel strip temperature, furnace temperature, fuel flow rate, air flow rate, line speed (i.e., steel strip conveying speed), and exhaust gas temperature, in real time from an operating hot-dip galvanizing production line.
  • the data collection device also includes a second collection unit that calculates ⁇ cg (actual value) from the actual measured steel strip temperature.
  • the collection unit is composed of the first and second collection units.
  • the data collection device includes a collection unit, and the collection unit includes the first and second collection units.
  • the data collection device also includes a performance database that stores collected information and calculated values.
  • ⁇ cg is an overall heat transfer coefficient, and the actual measured value and the predicted value are distinguished in parentheses.
  • ⁇ cg (actual value) is the overall heat transfer coefficient of the actual value obtained from the actually measured steel strip temperature.
  • ⁇ cg (predicted value) is the predicted (predicted value) overall heat transfer coefficient calculated using a prediction model described below.
  • the continuous steel strip temperature prediction device includes a learning unit that acquires operational data, such as ⁇ cg (actual value), furnace temperature, fuel flow rate, air flow rate, line speed, and exhaust gas temperature, from a data collection device and generates a prediction model of the overall heat absorption rate used to calculate the steel strip temperature.
  • the continuous steel strip temperature prediction device also includes a prediction unit that calculates ⁇ cg (predicted value) in real time using the generated prediction model and predicts the temperature of the steel strip before entering the continuous heating furnace from the ⁇ cg (predicted value).
  • the continuous steel strip temperature prediction device also includes an output unit that outputs the calculation results by the prediction unit, such as the predicted steel strip temperature before entry.
  • the output unit may output the calculation results, for example, to a calculation result display monitor viewed by an operator operating the factory, allowing the operator to adjust operating conditions, such as the furnace temperature, based on the calculation results.
  • the output unit may also directly output the calculation results to a control device that controls, for example, the fuel flow rate and line speed of a hot-dip galvanizing production line, enabling automatic control.
  • the temperature prediction system is composed of two devices: a data collection device and a continuous steel strip temperature prediction device, which are capable of communicating with each other, but the device configuration is not limited to this.
  • the temperature prediction system may be composed of one or more devices, and if composed of multiple devices, the devices may be located in multiple locations and configured to be able to send and receive data between them over a network.
  • the temperature prediction system may be composed of a single computer, and the computer's processor may function as the data collection device and the continuous steel strip temperature prediction device via a program.
  • the performance database may be stored in the computer's memory, for example.
  • the temperature prediction system may be configured so that one computer functions as the data collection device and another computer functions as the continuous steel strip temperature prediction device.
  • the temperature prediction system may be configured so that at least one of the data collection device and the continuous steel strip temperature prediction device is composed of multiple computers connected over a network.
  • FIG. 2 is a flowchart showing the processing of the temperature prediction method executed by the temperature prediction system according to this embodiment.
  • the processing of the temperature prediction method is executed while steel products are being manufactured by the hot-dip galvanizing production line (i.e., while the line is in operation), and the generation of the prediction model by the learning unit is also carried out in real time.
  • the first collection unit collects operational data in real time from an operating hot-dip galvanizing production line (step S1).
  • the data collection device may also transmit the collected operational data to a continuous steel strip temperature prediction device (step S2).
  • the operational data may be collected from sensors within the line or a process computer (the control device in Figure 1). Steps S1 and S2 correspond to the first collection step.
  • the collected operational data includes the steel strip temperature for each predetermined range of the pre-defined continuous steel strip in each zone.
  • the "predetermined range” refers to a certain range in the longitudinal direction (i.e., the conveying direction) of the continuous steel strip.
  • the predetermined range may be determined based on the travel distance of the continuous steel strip in the conveying direction per unit time (i.e., the threading speed) and the sampling period of the operational data.
  • the predetermined range may also be expressed in units of the length of the continuous steel strip (e.g., 1 m).
  • the operational data for each zone collected by the first collection unit preferably includes heating conditions that are considered to be influential factors in the heat balance of each zone of the continuous heating furnace (see Figure 8).
  • the collected operational data includes at least the furnace temperature, exhaust gas temperature, fuel flow rate, air flow rate, inlet steel strip temperature, and outlet steel strip temperature for each zone.
  • the inlet steel strip temperature and outlet steel strip temperature may be given as the steel strip temperature change, which is the difference between these temperatures.
  • the furnace temperature be measured at multiple positions spaced apart in the conveying direction of the continuous steel strip.
  • the influence of the temperature distribution in the conveying direction inside the heating furnace can be taken into account, improving the prediction accuracy of the machine learning model for the overall heat absorption rate.
  • the furnace temperature can be measured when each specified area of the continuous steel strip passes through the position where each furnace thermometer is arranged.
  • the second collection unit calculates ⁇ cg (actual value) from the actual measured value of the steel strip temperature (step S3).
  • the second collection unit calculates ⁇ cg (actual value) based on, for example, the steel strip temperature change amount and the standard (specification) of the continuous steel strip.
  • Step S3 corresponds to the second collection step.
  • steps S1 to S3 correspond to a collection step that combines the first collection step and the second collection step.
  • a device for measuring temperature in the longitudinal direction within the continuous heating furnace
  • the temperature of the continuous steel strip is continuously measured by the temperature measuring device and stored as time-series data by the control device. From the time-series data, the temperature change of the continuous steel strip before and after passing through the continuous heating furnace can be calculated.
  • the time it takes for a given position on the continuous steel strip to reach the temperature measuring device from the entry side of the continuous heating furnace can be calculated from the distance from the entry side of the continuous heating furnace to the temperature measuring device and the conveying speed. Even if multiple temperature measuring devices are installed within the furnace, the time it takes for each temperature measuring point to be reached can be calculated from the distance between the temperature measuring devices and the conveying speed.
  • the temperature change of the given position on the continuous steel strip before and after passing through the continuous heating furnace can be calculated, and ⁇ cg (actual value) can be calculated from the change in steel strip temperature.
  • the overall heat absorption rate of each zone can be calculated for each specified range of the continuous steel strip based on the change in steel strip temperature from the inlet to the outlet of each zone.
  • the second collection unit calculates the overall heat absorptivity ( ⁇ cg (actual value)) of each zone for each predetermined range of the continuous steel strip, associates the calculated overall heat absorptivity with the operational data for each predetermined range, and stores the associated data in the performance database.
  • the performance database also stores the operational data collected by the first collection unit.
  • the second collection unit calculates ⁇ cg (actual value) based on, for example, the amount of change in steel strip temperature and the specifications for continuous steel strip, and the specific calculation formula can be, for example, the following formula (1).
  • the temperature change of the continuous steel strip can be calculated using the heat transfer mathematical model of Equation (1) using the overall heat absorption coefficient ( ⁇ cg ).
  • ⁇ is the specific gravity of the steel strip [kg/m 3 ].
  • C is the specific heat of the steel strip [kcal/(kg ⁇ K)].
  • h is the thickness [m].
  • T s is the average temperature [°C] of the continuous steel strip within a specified range in the target zone.
  • T w is the furnace temperature [°C].
  • ⁇ cg is the overall heat absorption coefficient.
  • ⁇ is the Stefan-Boltzmann coefficient.
  • the target zone refers to the zone among multiple zones that is the target of calculation.
  • the calculation of ⁇ cg (actual value) is performed for all of the multiple zones. Therefore, the target zone can be said to be any one zone, rather than a specific zone among the multiple zones.
  • the heat flux (q [kcal/( m2 ⁇ s)] can be calculated from the temperature gradient in the longitudinal direction of the continuous steel strip as shown in formula (2).
  • dTs /dt can be obtained by dividing the temperature change in a predetermined range of the continuous steel strip in each zone by the transport time of each zone.
  • the temperature change in a predetermined range of the continuous steel strip in each zone is calculated as "the steel strip temperature at the exit side of the zone - the steel strip temperature at the entry side of the zone".
  • the overall heat absorption rate ( ⁇ cg [dimensionless quantity]) in a predetermined range of the continuous steel strip is calculated by the formula (3).
  • the learning unit generates a prediction model of the overall heat absorptance used to calculate the steel strip temperature.
  • the prediction model for calculating ⁇ cg (predicted value) is generated (or updated) at a predetermined update period or at the timing of a change in operational conditions.
  • the learning unit When the update period or the timing of a change in operational conditions is reached (Yes in step S4), the learning unit generates a prediction model of the overall heat absorptance (step S5). Steps S4 and S5 correspond to the learning step.
  • the update period in step S4 may be the period from immediately after the actual operational data for each predetermined range along the entire length of the coil of continuous steel strip is collected until the actual operational data for each coil is stored in the performance database.
  • the update period may be the period until the actual operational data for each specific portion of the coil (e.g., the tip, middle, or tail end) is stored.
  • the update period may be a fixed period determined based on the processing capacity of the device that generates the prediction model, or may be determined based on the timing of a change in operational conditions by the operator.
  • a machine learning model generated by a machine learning technique is used as a prediction model for the overall heat absorptance.
  • the learning unit sets any one of the multiple zones as the target zone, uses the overall heat absorptance of the target zone as an output variable, and sequentially learns a machine learning model for the target zone for each specified range, with operational data for the target zone and zones upstream of the target zone as input variables.
  • the learning unit then generates a machine learning model for each zone.
  • operational data is collected and accumulated in real time in the performance database.
  • the learning unit acquires at least the furnace temperature, exhaust gas temperature, fuel flow rate, and air flow rate for each zone from the performance database and uses these as input variables for the machine learning model.
  • the input variables for the machine learning model include at least the furnace temperature, exhaust gas temperature, fuel flow rate, and air flow rate for each zone.
  • the learning unit uses the performance values (performance data) of this operational data as input variables for the learning data.
  • the actual values of the overall heat absorption rate corresponding to the input variables of the learning data are used as output variables of the learning data.
  • the learning unit can perform machine learning (sequential learning) using newly accumulated actual data at timings such as update cycles to update the machine learning model.
  • the machine learning model for the first zone includes the furnace temperature, exhaust gas temperature, fuel flow rate, and air flow rate (furnace temperature 1, exhaust gas temperature 1, fuel flow rate 1, and air flow rate 1), which are the heating conditions of the first zone, as input variables, and the overall heat absorptance ( ⁇ cg1 ) of the first zone as an output variable.
  • the machine learning model for the second zone includes the heating conditions of the second zone (furnace temperature 2, exhaust gas temperature 2, fuel flow rate 2, and air flow rate 2) and the heating conditions of the upstream first zone as input variables, and the overall heat absorption rate of the second zone ( ⁇ cg2 ) as an output variable.
  • the machine learning model for the third zone includes as input variables the heating conditions of the third zone (furnace temperatures 3-1 to 3-5, exhaust gas temperature 3, fuel flow rate 3, air flow rate 3) and the heating conditions of the upstream first and second zones, and the overall heat absorption rate of the third zone ( ⁇ cg3 ) is the output variable.
  • the furnace temperatures 3-1 to 3-5 correspond to the furnace temperatures measured by five furnace thermometers spaced apart in the steel strip transport direction within the third zone.
  • the input variables of the machine learning model for each zone may further include factors influencing the heat content of the steel strip entering each zone (steel strip temperature and temperature change in the upstream zone). Furthermore, the input variables of the machine learning model for each zone may further include steel strip size information (thickness and width) and operating conditions other than heating conditions (steel strip transport speed).
  • the combustion gases from zones 1 to 3 may be concentrated in a single flue. In this case, exhaust gas temperatures 1 to 3 may use the temperatures after being concentrated in a single flue (i.e., the same temperature).
  • the prediction unit predicts the steel strip temperature using the machine learning model for each zone (step S6).
  • the prediction unit predicts the steel strip temperature at the exit side of the continuous heating furnace for the continuous steel strip before it enters the continuous heating furnace.
  • the prediction unit may also predict the temperature of the continuous steel strip as it passes through the continuous heating furnace. Step S6 corresponds to the prediction step.
  • the prediction unit inputs operational data for the target zone and the zone upstream of the target zone into the machine learning model for the target zone, and calculates a predicted value of the overall heat absorptance of the target zone ( ⁇ cg (predicted value)).
  • the target zone refers to the zone that is the target of the calculation among multiple zones.
  • the calculation of ⁇ cg (predicted value) is performed for all multiple zones. Therefore, it can be said that the target zone is not a specific zone among the multiple zones, but any one zone.
  • the prediction unit calculates a predicted value of the overall heat absorptance in each zone, and predicts the steel strip temperature at the outlet of the continuous heating furnace using the predicted value of the overall heat absorptance of each zone.
  • Actual continuous heating furnaces are often divided into multiple zones, with each zone using a different heating method (such as direct flame or radiant tube).
  • the method disclosed herein matches the configuration of an actual continuous heating furnace, and a machine learning model for each zone is generated as described above, taking into account the heating conditions and exhaust gas temperature of adjacent upstream zones. This enables accurate calculations that match the actual situation.
  • the machine learning model is updated through sequential learning, making it possible to determine the accurate value of the overall heat transfer coefficient of the continuous heating furnace during operation (a value that reflects changes in the state of the continuous heating furnace), enabling accurate predictions of steel strip temperatures to be sustained.
  • the output unit outputs the calculation results, including the steel strip temperature predicted by the prediction unit (step S7).
  • Step S7 corresponds to the output step.
  • the output unit may output, as the calculation results, the steel strip temperature at the outlet of the continuous heating furnace and the steel strip temperature at the outlet of each zone, predicted for the continuous steel strip before entering the continuous heating furnace.
  • the calculation results may be displayed on a calculation result display monitor (an example of a display device) connected to the continuous steel strip temperature prediction device.
  • the display device may also be configured to be connected to the prediction unit via a network.
  • the predicted steel strip temperature falls outside a specified allowable range (the difference is large) with respect to the predetermined target temperature, not only may the calculation results be displayed but an alarm may also be output.
  • the control device may also control the continuous heating furnace based on the predicted steel strip temperature output from the temperature prediction system.
  • the control device sets the fuel flow rate so that the predicted steel strip temperature becomes the target temperature.
  • a machine learning model for predicting the overall heat absorption rate ( ⁇ cg (predicted value)) was generated.
  • a linear model was generated by Lasso regression using ⁇ cg (actual value) as the objective variable (output variable) and the operational data including the heating conditions as the explanatory variables (input variables).
  • scikit-learn a machine learning library for Python, was used.
  • Figure 4 shows the top feature importance of the machine learning model for the third zone.
  • the feature importance of the furnace temperature in the third zone, the furnace temperature in the second zone, and the exhaust gas temperature is high.
  • the exhaust gas temperature is common to the first to third zones.
  • the feature importance of the steel strip temperature change amount in the second zone is high.
  • the feature importance of the fuel flow rate and air flow rate is relatively low.
  • the feature importance of the steel strip width and conveying speed is relatively low.
  • a threshold close to zero may be set, and processing may be performed in which feature importance values below the threshold are not incorporated into the model.
  • Lasso regression may be applied to machine learning to bring the coefficients of input variables with low feature importance closer to zero, allowing appropriate input variables to be selected based on feature importance.
  • the feature importance of the steel strip temperature change amount in the second zone is high. Since the method disclosed herein performs machine learning in each zone, it is reasonable that the feature importance of the steel strip temperature change amount is high.
  • this example shows that the feature importance of exhaust gas temperature, which was not taken into account in conventional methods, is high. It is reasonable that the feature importance of exhaust gas temperature is high, since it is believed that the portion of the thermal energy generated in the continuous heating furnace that is not absorbed by the steel strip is represented by the exhaust gas temperature.
  • Figure 5 is a diagram illustrating the changes in exhaust gas temperature and overall heat absorptivity.
  • the horizontal axis represents time. Approximately 2,400 seconds after the timing when the exhaust gas temperature suddenly drops (around 11,000 seconds), the overall heat transfer coefficient also drops, indicating a correlation between exhaust gas temperature and overall heat absorptivity. This corresponds to the high feature importance of exhaust gas temperature.
  • Fuel flow rate (gas flow rate) is controlled by feedback of various parameters on the factory line, such as furnace temperature and steel strip temperature, so it is thought that changes in fuel flow rate in other zones affect heat transfer in the target zone. Therefore, taking into account fuel flow rate, which was not taken into account in conventional methods, is thought to contribute to improving prediction accuracy.
  • FIG. 6 is a diagram showing the prediction accuracy of the overall heat absorptance of the third zone.
  • the horizontal axis is ⁇ cg (actual value), indicated as “calculated value.”
  • the vertical axis is ⁇ cg (predicted value), indicated as “predicted value.”
  • ⁇ cg (actual value) is calculated using equation (3).
  • the predicted value is output by the machine learning model.
  • the plots indicated by squares represent the prediction accuracy using data other than the training data.
  • the data other than the training data is verification data for evaluating the general performance of the machine learning model.
  • the plots indicated by circles represent the prediction accuracy using the training data.
  • the training data is a portion of the data used to train the machine learning model. It was confirmed that this example showed good prediction accuracy in predicting the overall heat absorptance ( ⁇ cg3 ) of the third zone.
  • Fig. 7A is a comparative example showing the predicted results of the steel strip temperature when a conventional method of keeping ⁇ cg constant is adopted
  • Fig. 7B is an example showing the predicted results of the steel strip temperature based on ⁇ cg ( predicted value) calculated using the method of the present embodiment.
  • Data in Figures 7A and 7B shows the steel strip temperature (actual steel strip temperature) on the actual line.
  • Sim in Figures 7A and 7B shows the predicted steel strip temperature results from a simulation.
  • the prediction error for the actual steel strip temperature was a maximum of approximately 13°C, resulting in a large error.
  • the prediction error for the actual steel strip temperature was within the range of -5°C to +5°C, demonstrating good prediction accuracy.
  • the disclosed method is capable of predicting steel strip temperature with high accuracy in accordance with fluctuations in operating conditions.
  • a short calculation cycle is preferable, but is not limited to the short cycle (2 seconds) used in the simulation of this embodiment.

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Thermal Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Materials Engineering (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)
  • Control Of Heat Treatment Processes (AREA)

Abstract

温度予測システムは、連続する複数のゾーンを有する連続加熱炉における被加熱材の温度である被加熱材温度を予測する温度予測システムであって、操業データを収集し、総括熱吸収率を所定範囲毎の操業データに関連付けて保存する収集部と、各ゾーンの機械学習モデルを生成する学習部と、各ゾーンの総括熱吸収率の予測値を用いて連続加熱炉の出側における被加熱材温度を予測する予測部と、予測された被加熱材温度を含む計算結果を出力する出力部と、を備える。

Description

温度予測システム、制御装置、温度予測方法及び制御方法
　本開示は、温度予測システム、制御装置、温度予測方法及び制御方法に関する。本開示は、特に連続鋼帯を含む被加熱材を加熱する連続加熱炉における温度制御、オペレータガイダンス及び炉の運用に用いられる鋼帯温度の予測技術に関し、鋼材製造業又は鋼板加工業などの産業分野で広く利用され得る。
　鋼板の加熱処理は、鋼板の品質に影響する重要な処理であり、温度制御、オペレータガイダンスで用いられる加熱処理後の鋼板温度の推定方法について、種々の検討がされている。
　鋼板温度の推定方法として、公知の伝熱数式モデルを用いて、鋼板の温度推移を計算する手法が広く用いられている。伝熱数式モデルは、加熱炉内の熱放射伝熱現象（放射熱伝達及び対流熱伝達）を炉内ガス温度（炉温）から鋼板への放射熱伝達として扱い、総括熱吸収率（又は総括熱伝達係数）と呼ばれるパラメータを有するモデルである。
　ここで、総括熱吸収率は、炉形状などの設備の特徴によって異なる値となる。総括熱吸収率は、例えば伝熱解析などの数値計算又は伝熱実験に基づいて決められる。
　ただし、総括熱吸収率は、炉内における鋼板の位置及び操業条件（加熱条件）などによっても異なる値となる。そのため、予め設定された（基準となる）総括熱吸収率を、各種の操業条件に対して補正する技術が提案されている。
　特許文献１には、連続焼鈍炉の燃焼ガス流量制御に適用する伝熱数式モデルの総括熱伝達係数を、燃焼ガス流量及び帯材の幅の関数として求める方法が開示されている。特許文献１は、この総括熱伝達係数を用いて燃焼ガス流量を制御することにより、先行材から次行材への帯材の幅の変化に起因する次行材の温度制御への影響を補償できると記載する。
　特許文献２には、加熱炉の総括熱吸収率を加熱炉内の軸流バーナーの火炎長により補正する技術が開示されている。
　特許文献３には、加熱炉の総括熱吸収率を加熱炉内のバーナーの燃焼数（総燃焼量）により補正する技術が開示されている。
　特許文献４には、実操業における変動項目の変化範囲内で予め複数の総括熱吸収率を伝熱解析（数値計算）により求めておき、実操業時には、その変動項目を変数とする回帰式を用いて総括熱吸収率を予測する連続加熱炉の総括熱吸収率の予測方法が開示されている。変動項目として、鋼片の装入温度、鋼片抽出温度、生産量、鋼片在炉時間、各ゾーンの炉温及び総括熱吸収率を算出しようとするゾーンの無次元炉長方向位置、が挙げられており、総括熱吸収率の回帰式はゾーン毎に求められる。
　また、特許文献５には、連続式加熱炉の抽出口におけるスラブ温度の推定誤差に基づき、逐次最小二乗法を行って、炉内複数ゾーンの総括熱吸収率をオンラインで逐次推定し、各ゾーンの総括熱吸収率を更新する技術が開示されている。
特開平４－２４６１３０号公報 特開２０１９－０１４９５３号公報 特開２０１８－００３０８４号公報 特開平１０－３２４９２６号公報 特開平６－２６４１５３号公報
　ここで、パラメータとして総括熱吸収率を有する伝熱数式モデルは、炉内の様々な熱放射伝熱現象を単純化したモデルであって、例えば加熱炉の長手方向の熱放射伝熱を考慮しない。実際の熱放射伝熱現象は複雑である。そのため、総括熱吸収率を１つの値に定めた計算によって鋼板温度を高精度に推定することは困難である。
　特許文献１～４の方法は、上記のように、基準となる総括熱吸収率を、操業条件（例えば燃焼数、燃焼ガス流量、在炉時間、各ゾーンの炉温、火炎長など）の操業因子に対して、補正手段（例えば補正係数、回帰式など）を用いて補正することができる。
　しかし、実際の加熱炉は、連続する複数のゾーン（加熱帯）を有する連続加熱炉として構成されており、加熱炉の内部に温度分布が存在する。また、総括熱吸収率への影響因子は、特許文献１～４に開示された因子以外にも、多数存在することが想定される。特許文献１～４の方法では、そもそも加熱炉の長手方向の熱放射伝熱を考慮しない伝熱数式モデルの使用を前提としており、また、全ての影響因子を選択すること又は全ての影響因子による影響を見積もることは困難である。さらに、特許文献１～４の方法では、加熱炉の状態変化（例えば炉内耐火物の経年劣化など）を即座に総括熱吸収率に反映することが難しく、リアルタイム性に欠けるといった課題がある。
　ここで、特許文献５の方法では、逐次最小二乗法を行って、炉内複数ゾーンの総括熱吸収率をオンラインで逐次推定するため、加熱炉の状態変化を即座に総括熱吸収率に反映することができる。しかし、特許文献５の方法では、操業条件の影響（短期的要因）と、加熱炉の状態変化の影響（長期的要因）とを区別できないため、十分な精度向上を期待できない。
　かかる事情に鑑みてなされた本開示の目的は、操業条件及び加熱炉の設備状態の変化を考慮しながら加熱炉内の被加熱材温度の予測が可能な温度予測システム、制御装置、温度予測方法及び制御方法を提供することにある。ここで、本開示の内容は、被加熱材として鋼帯、鋼帯が板状に切断された鋼板、スラブを含む鋼塊の加熱炉内での温度予測にも適用することができる。以下の実施形態は、被加熱材を鋼帯とし、被加熱材温度を鋼帯温度として説明される。被加熱材が鋼板、鋼塊の場合には、以下の説明における鋼帯温度を、それぞれ鋼板温度、鋼塊温度と読み替えることが可能である。
　（１）本開示の一実施形態に係る温度予測システムは、
　連続する複数のゾーンを有する連続加熱炉における被加熱材の温度である被加熱材温度を予測する温度予測システムであって、
　各ゾーンにおける予め定められた前記被加熱材の所定範囲毎の前記被加熱材温度を含む操業データを収集し、各ゾーンの入側から出側の前記被加熱材温度の変化に基づいて、各ゾーンの総括熱吸収率を前記所定範囲毎に算出し、前記総括熱吸収率を前記所定範囲毎の前記操業データに関連付けて保存する収集部と、
　前記複数のゾーンのうちの任意の１つのゾーンを対象ゾーンとして、前記対象ゾーンの前記総括熱吸収率を出力変数とし、前記対象ゾーンと前記対象ゾーンの上流側のゾーンの前記操業データを入力変数とする前記対象ゾーンの機械学習モデルを、前記所定範囲毎に逐次学習し、各ゾーンの前記機械学習モデルを生成する学習部と、
　前記対象ゾーンの前記機械学習モデルに、前記対象ゾーンと前記対象ゾーンの上流側のゾーンの前記操業データを入力して、前記対象ゾーンの前記総括熱吸収率の予測値を計算し、各ゾーンの前記総括熱吸収率の予測値を用いて前記連続加熱炉の出側における前記被加熱材温度を予測する予測部と、
　予測された前記被加熱材温度を含む計算結果を出力する出力部と、を備える。
　（２）本開示の一実施形態として、（１）において、
　収集される前記操業データは、各ゾーンにおける炉温、排ガス温度、燃料流量、エア流量、入側の被加熱材温度及び出側の被加熱材温度を少なくとも含み、
　前記機械学習モデルの入力変数は、各ゾーンにおける炉温、排ガス温度、燃料流量及びエア流量を少なくとも含む。
　（３）本開示の一実施形態として、（２）において、
　前記炉温は、前記被加熱材の搬送方向に離間した複数位置で測定される。
　（４）本開示の一実施形態として、（１）から（３）のいずれかにおいて、
　前記機械学習モデルは、Ｌａｓｓｏ回帰、リッジ回帰、線形回帰、局所回帰、主成分回帰、ＰＬＳ回帰、ニューラルネットワークを含む機械学習の手法を用いて生成される。
　（５）本開示の一実施形態に係る制御装置は、
　（１）から（４）のいずれかの温度予測システムによって出力された、予測された前記被加熱材温度に基づいて前記連続加熱炉を制御する。
　（６）本開示の一実施形態に係る温度予測方法は、
　連続する複数のゾーンを有する連続加熱炉における被加熱材の温度である被加熱材温度を予測する温度予測システムが実行する温度予測方法であって、
　各ゾーンにおける予め定められた前記被加熱材の所定範囲毎の前記被加熱材温度を含む操業データを収集し、各ゾーンの入側から出側の前記被加熱材温度の変化に基づいて、各ゾーンの総括熱吸収率を前記所定範囲毎に算出し、前記総括熱吸収率を前記所定範囲毎の前記操業データに関連付けて保存する収集ステップと、
　前記複数のゾーンのうちの任意の１つのゾーンを対象ゾーンとして、前記対象ゾーンの前記総括熱吸収率を出力変数とし、前記対象ゾーンと前記対象ゾーンの上流側のゾーンの前記操業データを入力変数とする前記対象ゾーンの機械学習モデルを、前記所定範囲毎に逐次学習し、各ゾーンの前記機械学習モデルを生成する学習ステップと、
　前記対象ゾーンの前記機械学習モデルに、前記対象ゾーンと前記対象ゾーンの上流側のゾーンの前記操業データを入力して、前記対象ゾーンの前記総括熱吸収率の予測値を計算し、各ゾーンの前記総括熱吸収率の予測値を用いて前記連続加熱炉の出側における前記被加熱材温度を予測する予測ステップと、
　予測された前記被加熱材温度を含む計算結果を出力する出力ステップと、を含む。
　（７）本開示の一実施形態として、（６）において、
　収集される前記操業データは、各ゾーンにおける炉温、排ガス温度、燃料流量、エア流量、入側の被加熱材温度及び出側の被加熱材温度を少なくとも含み、
　前記機械学習モデルの入力変数は、各ゾーンにおける炉温、排ガス温度、燃料流量及びエア流量を少なくとも含む。
　（８）本開示の一実施形態に係る制御方法は、
　（６）又は（７）の温度予測方法によって出力された、予測された前記被加熱材温度に基づいて前記連続加熱炉を制御する。
　本開示によれば、操業条件及び加熱炉の設備状態の変化を考慮しながら加熱炉内の被加熱材温度の予測が可能な温度予測システム、制御装置、温度予測方法及び制御方法を提供することができる。
図１は、本開示の一実施形態に係る温度予測システムの構成例を示す模式図である。 図２は、本開示の一実施形態に係る温度予測方法の処理を示すフローチャートである。 図３は、総括熱吸収率を出力する機械学習モデルを説明するための図である。 図４は、機械学習モデルの上位の特徴量重要度を示す図である。 図５は、排ガス温度と総括熱吸収率の変化を例示する図である。 図６は、総括熱吸収率の予測精度を示す図である。 図７Ａは、比較例の鋼帯温度の予測結果を示す図である。 図７Ｂは、実施例の鋼帯温度の予測結果を示す図である。 図８は、連続加熱炉の各ゾーンのヒートバランスを説明するための図である。
　以下、本開示の一実施形態に係る温度予測システム、制御装置、温度予測方法及び制御方法が説明される。本実施形態に係る温度予測システム及び温度予測システムが実行する温度予測方法は、連続する複数のゾーン（すなわち連続する複数の加熱帯、図１の第１～第３ゾーン参照）を有する連続加熱炉における被加熱材の温度である被加熱材温度を予測する。上記のように、本実施形態では、被加熱材が鋼帯（連続鋼帯）であって、被加熱材温度が鋼帯温度であるとして説明する。ただし、上記のように、被加熱材は、鋼帯に限定されず、例えば鋼板又は鋼塊などであり得る。被加熱材が鋼板又は鋼塊である場合に、以下の説明における鋼帯温度は鋼板温度又は鋼塊温度と読み替えて適用される。
　本発明者は、連続加熱炉のゾーン毎に、総括熱吸収率に影響する加熱条件（すなわち連続加熱炉に対する操業条件）について検討を行った。そして、本発明者は、図８に示される連続加熱炉の各ゾーンのヒートバランス（入熱と出熱の関係）と、影響因子と考えられる加熱条件を詳細に調査した。
　入熱として、鋼帯の含熱量、燃料の燃焼熱又は顕熱、燃焼用空気の顕熱、隣接する加熱帯から侵入する炉内ガスの顕熱、が挙げられる。また、出熱として、鋼帯の含熱量、炉内ガスの顕熱、排ガスの顕熱、その他の出熱、が挙げられる。その他の出熱は、例えば炉体散熱、隣接する加熱帯への流出ガスの顕熱、その他の損失熱を含む。
　上記の入熱又は出熱は影響因子に基づいて算出できる。入熱である鋼帯の含熱量はゾーン入側の鋼帯温度から算出できる。燃料の燃焼熱又は顕熱はゾーンの燃料流量（ガス流量）から算出できる。燃焼用空気の顕熱はゾーンのエア流量から算出できる。隣接するゾーンから侵入する炉内ガスの顕熱は、隣接するゾーンの加熱条件（炉温、燃料流量、エア流量など）から算出できる。また、出熱である鋼帯の含熱量はゾーン出側の鋼帯温度から算出できる。炉内ガスの顕熱はゾーンの炉温（雰囲気温度）から算出できる。排ガスの顕熱はゾーンの排ガス温度から算出できる。その他の出熱は炉の設備状態（炉体放散、炉開口部放射損失熱、その他熱損出）から算出できる。
　総括熱吸収率は、ゾーンの入側及び出側の鋼帯の含熱量の違いに基づいて算出される。つまり、総括熱吸収率は鋼帯温度の差から算出される。総括熱吸収率は、ヒートバランスの観点から、加熱条件の変動によって影響されると考えられる。本発明者は、連続する複数のゾーンから構成される連続加熱炉において、総括熱吸収率を精度良く予測するための新たな手法を想起した。本手法では、ゾーン毎の総括熱吸収率を各ゾーン内の鋼帯温度の変化に基づき算出し、ゾーン毎に、総括熱吸収率を出力変数とし、そのゾーンと隣接するゾーンの加熱条件などを入力変数とする機械学習モデルを逐次学習して生成する。本手法は、従来手法で考慮されていなかった要素（隣接する上流側ゾーンの加熱条件、排ガス温度）を、総括熱吸収率の予測モデルの入力変数として取り込むことを特徴の１つとする。また、本手法では、影響重要度の高い因子の選択（変数選択）と総括熱吸収率の推定を同時に行うことができる。また、機械学習モデルの生成をリアルタイムに行うことが可能であり、加熱炉の状態変化を即座に総括熱吸収率に反映することができる。以下、図面を参照しながら、詳細が説明される。
　図１は、本実施形態に係る温度予測システムの構成例を示す模式図である。本実施形態において、温度予測システムは、溶融亜鉛鍍金製造ラインの連続加熱炉における鋼帯温度を予測する。溶融亜鉛鍍金製造ラインは、鉄鋼製品の製造ラインの一例であって、薄板を連続加熱炉で連続的に焼鈍する連続焼鈍プロセスを含む。連続焼鈍プロセスにおいて炉を通過する鋼帯の温度が温度予測システムによって予測される。図１に示すように、溶融亜鉛鍍金製造ラインはポット（亜鉛めっき槽）と、冷却設備と、冷却設備の上流側に配置される連続加熱炉と、を含んで構成される。連続加熱炉は第１ゾーン、第２ゾーン及び第３ゾーンで構成されている。本実施形態において、連続加熱炉は３つのゾーン（加熱帯）を有するが、３つに限定されるものでなく、複数であればよい。また、ゾーンは例えば連続加熱炉を細分化したときの装置単位で区分されてよいし、制御単位で区分されてよい。
　図１に示すように、本実施形態に係る温度予測システムは、データ収集装置と、連続鋼帯温度予測装置と、を備える。
　データ収集装置は、操業中の溶融亜鉛鍍金製造ラインから鋼帯温度、炉温、燃料流量、エア流量、ライン速度（すなわち鋼帯の搬送速度）、排ガス温度などの操業データをリアルタイムに収集する第１収集部を備える。また、データ収集装置は、鋼帯温度の実測値からφｃｇ（実績値）を計算する第２収集部を備える。第１収集部及び第２収集部で収集部が構成される。換言すると、データ収集装置は収集部を備え、収集部が第１収集部及び第２収集部を含む。また、データ収集装置は、収集した情報及び計算した値を保存する実績データベースを備える。ここで、φｃｇは総括熱伝達係数であって、括弧書きで実測値と予測値を区別する。つまりφｃｇ（実績値）は、実測された鋼帯温度から得られる、実績値の総括熱伝達係数である。また、φｃｇ（予測値）は、後述の予測モデルを用いて計算される、予測された（予測値である）総括熱伝達係数である。
　連続鋼帯温度予測装置は、データ収集装置からφｃｇ（実績値）、炉温、燃料流量、エア流量、ライン速度、排ガス温度などの操業データを取得し、鋼帯温度の計算に用いられる総括熱吸収率の予測モデルを生成する学習部を備える。また、連続鋼帯温度予測装置は、生成された予測モデルを用いてφｃｇ（予測値）をリアルタイムに計算し、φｃｇ（予測値）から連続加熱炉に進入前の鋼帯の温度を予測する予測部を備える。また、連続鋼帯温度予測装置は、予測される進入前の鋼帯の温度などの予測部による計算結果を出力する出力部を備える。出力部は、計算結果を、例えば工場を操業するオペレータが見る計算結果表示モニタに対して出力し、オペレータが計算結果に基づいて炉温などの操業条件を調整することを可能にしてよい。また、出力部は、計算結果を、例えば溶融亜鉛鍍金製造ラインの燃料流量及びライン速度などを制御する制御装置に、直接的に出力して自動制御を可能にしてよい。
　ここで、図１の例において、温度予測システムは、互いに通信可能なデータ収集装置と連続鋼帯温度予測装置の２つの装置で構成されているが、装置構成が限定されるものでない。温度予測システムは、１つ以上の装置で構成されてよく、複数の装置で構成される場合に、各装置が複数の場所に配置されて互いにネットワークでデータの送受信が可能であるように構成されてよい。例えば温度予測システムは１つのコンピュータで構成されて、コンピュータのプロセッサがプログラムによってデータ収集装置及び連続鋼帯温度予測装置として機能してよい。このとき、実績データベースはコンピュータが備えるメモリなどに記憶されてよい。例えば温度予測システムは、１つのコンピュータがデータ収集装置として機能し、別のコンピュータが連続鋼帯温度予測装置として機能する構成であってよい。また、例えば温度予測システムは、データ収集装置及び連続鋼帯温度予測装置の少なくとも一方が、ネットワークで接続された複数のコンピュータで構成されてよい。
　図２は、本実施形態に係る温度予測システムが実行する温度予測方法の処理を示すフローチャートである。温度予測方法の処理は、溶融亜鉛鍍金製造ラインによって鉄鋼製品が製造されている間（すなわち操業中）に実行されて、学習部による予測モデルの生成もリアルタイムに行われる。
　第１収集部は、操業中の溶融亜鉛鍍金製造ラインから操業データをリアルタイムに収集する（ステップＳ１）。また、データ収集装置は、収集した操業データを連続鋼帯温度予測装置へ送信してよい（ステップＳ２）。操業データは、ライン内のセンサー類又はプロセスコンピュータ（図１の制御装置）から収集されてよい。ステップＳ１及びＳ２は第１収集ステップに対応する。ここで、収集される操業データは、各ゾーンにおける予め定められた連続鋼帯の所定範囲毎の鋼帯温度を含む。ここで、「所定範囲」とは、連続鋼帯の長手方向（すなわち搬送方向）における一定の範囲である。所定範囲は、単位時間における搬送方向への連続鋼帯の移動距離（すなわち通板速度）と操業データのサンプリングの周期に基づいて決定されてよい。また、所定範囲は、連続鋼帯の長さ単位（例えば１ｍ）としてよい。
　第１収集部が収集する各ゾーンにおける操業データは、連続加熱炉の各ゾーンのヒートバランス（図８参照）で、影響因子と考えられる加熱条件を含むことが好ましい。具体的に述べると、収集される操業データは、各ゾーンにおける炉温、排ガス温度、燃料流量、エア流量、入側の鋼帯温度及び出側の鋼帯温度を少なくとも含む。ここで、入側の鋼帯温度及び出側の鋼帯温度は、これらの差である鋼帯温度変化量として与えられてよい。
　また、炉温は、連続鋼帯の搬送方向に離間した複数位置で測定されることが好ましい。複数位置での測定によって、加熱炉の内部の搬送方向における温度分布の影響を取り込み、総括熱吸収率の機械学習モデルの予測精度を向上させることができる。例えば図１の第３ゾーンは、搬送方向に長いため、搬送方向に沿って複数の炉温計が配置されているとする。そして、連続鋼帯の各所定範囲が、各炉温計が配置された位置を通過するタイミングで、炉温が測定されてよい。
　第２収集部は、鋼帯温度の実測値からφｃｇ（実績値）を算出する（ステップＳ３）。第２収集部は、例えば鋼帯温度変化量及び連続鋼帯の規格（仕様）などに基づいてφｃｇ（実績値）を算出する。ステップＳ３は第２収集ステップに対応する。また、ステップＳ１からＳ３は、第１収集ステップ及び第２収集ステップをまとめた収集ステップに対応する。
　ここで、本実施形態において、連続加熱炉の炉内の長手方向に温度を測定する装置（温度測定装置）が設けられており、温度測定装置によって連続的に連続鋼帯の温度が測定されて、制御装置によって時系列データとして記憶されるとする。時系列データから、連続加熱炉を通過する前後の連続鋼帯の温度変化量を算出することができる。まず連続加熱炉の入側から温度測定装置までの距離及び搬送速度から、連続鋼帯における所定位置が、連続加熱炉の入側から温度測定装置に到達するまでの時間を算出できる。温度測定装置が炉内に複数ある場合にも、同様に温度測定装置間の距離及び搬送速度から、各温度測定地点に到達する時間を算出できる。各温度測定地点での鋼帯温度の時系列データと、各温度測定地点に到達するまでの時間と、を用いて、連続鋼帯における所定位置が連続加熱炉を通過する前後での温度変化量を算出することができ、鋼帯温度の変化量からφｃｇ（実績値）を算出することができる。また、連続する複数のゾーンを有する連続加熱炉について、各ゾーンの入側から出側の鋼帯温度の変化に基づいて、各ゾーンの総括熱吸収率を連続鋼帯の所定範囲毎に算出することができる。
　第２収集部は、各ゾーンの総括熱吸収率（φｃｇ（実績値））を連続鋼帯の所定範囲毎に算出し、算出した総括熱吸収率を所定範囲毎の操業データに関連付けて、実績データベースに保存する。また、実績データベースには、第１収集部によって収集された操業データも保存される。
　ここで、第２収集部は、例えば鋼帯温度変化量及び連続鋼帯の規格などに基づいてφｃｇ（実績値）を算出するが、具体的な計算式として例えば以下の式（１）を用いることができる。
　板厚が比較的薄く、板厚方向の温度勾配を無視し得る連続鋼帯の場合に、連続鋼帯の温度変化を、総括熱吸収率（φｃｇ）を使用した式（１）の伝熱数式モデルで算出することができる。ここで、ρは鋼帯の比重［ｋｇ／ｍ３］である。Ｃは鋼帯の比熱［ｋｃａｌ／（ｋｇ・Ｋ）］である。ｈは板厚［ｍ］である。Ｔｓは対象ゾーンにおける連続鋼帯の所定範囲内の平均温度［℃］である。Ｔｗは炉温［℃］である。φｃｇは総括熱吸収係数である。σはステファンボルツマン係数である。ここで、対象ゾーンは、複数のゾーンのうちの計算の対象となっているゾーンを指す。φｃｇ（実績値）の算出は複数のゾーンの全てを対象に実行される。そのため、対象ゾーンは、複数のゾーンのうちの特定のゾーンではなく、任意の１つのゾーンであると言える。
　また、熱流束（ｑ［ｋｃａｌ／（ｍ２・ｓ）］は、式（２）のように連続鋼帯の長手方向の温度勾配から算出できる。ここで、ｄＴｓ／ｄｔは、各ゾーンにおける連続鋼帯の所定範囲の温度変化を、各ゾーンの搬送時間で除した値として求めることができる。各ゾーンにおける連続鋼帯の所定範囲の温度変化は「ゾーン出側の鋼帯温度－ゾーン入側の鋼帯温度」で算出される。
　式（１）及び式（２）より、連続鋼帯の所定範囲における総括熱吸収率（φｃｇ［無次元量］）は式（３）で算出される。
　学習部は、上記のように、鋼帯温度の計算に用いられる総括熱吸収率の予測モデルを生成する。図２の例において、φｃｇ（予測値）を計算するための予測モデルは、予め定められた更新周期又は操業条件変更タイミングで生成（又は更新）される。更新周期又は操業条件変更タイミングに該当する場合に（ステップＳ４のＹｅｓ）、学習部は、総括熱吸収率の予測モデルを生成する（ステップＳ５）。ステップＳ４及びＳ５は学習ステップに対応する。ステップＳ４の更新周期は、一例として、連続鋼帯のコイル全長に渡る所定範囲毎の操業データの実績が採取された直後に、１コイル毎の操業データの実績が実績データベースに格納されるまでの時間を周期とするものであってよい。更新周期は、別の例として、コイル内の特定部分（例えば先端部、中央部又は尾端部）毎の操業データの実績が格納されるまでの時間が用いられてよい。更新周期は、さらに別の例として、予測モデルを生成する装置の処理能力に基づいて定められる一定周期であってよいし、オペレータによって操業条件が変更されるタイミングに基づいて定められてよい。
　本実施形態において、総括熱吸収率の予測モデルとして、機械学習の手法によって生成される機械学習モデル（学習済みモデル）が用いられる。学習部は、複数のゾーンのうちの任意の１つのゾーンを対象ゾーンとして、対象ゾーンの総括熱吸収率を出力変数とし、対象ゾーンと対象ゾーンの上流側のゾーンの操業データを入力変数とする対象ゾーンの機械学習モデルを、所定範囲毎に逐次学習する。そして、学習部は、各ゾーンの機械学習モデルを生成する。上記のように、実績データベースには操業データがリアルタイムに収集されて蓄積されている。学習部は、実績データベースから、各ゾーンにおける炉温、排ガス温度、燃料流量及びエア流量、を少なくとも取得して、これらを機械学習モデルの入力変数として用いる。すなわち、機械学習モデルの入力変数は、各ゾーンにおける炉温、排ガス温度、燃料流量及びエア流量を少なくとも含む。そして、学習部は、これらの操業データの実績値（実績データ）を学習用データの入力変数として用いる。また、学習用データの入力変数（少なくとも炉温、排ガス温度、燃料流量及びエア流量の実績値）に対応する総括熱吸収率の実績値が、学習用データの出力変数として用いられる。学習部は、更新周期などのタイミングで、新たに蓄積された実績データを用いる機械学習（逐次学習）を行って、機械学習モデルを更新できる。
　機械学習の手法は限定されない。機械学習モデルは、例えばＬａｓｓｏ回帰、リッジ回帰、線形回帰、局所回帰、主成分回帰、ＰＬＳ回帰、ニューラルネットワークを含む機械学習の手法を用いて生成される。
　図３は、総括熱吸収率（φｃｇ（予測値））を出力する機械学習モデルを説明するための図である。第１ゾーンの機械学習モデルは、第１ゾーンの加熱条件である炉温、排ガス温度、燃料流量及びエア流量（炉温１、排ガス温度１、燃料流量１及びエア流量１）を入力変数に含み、第１ゾーンの総括熱吸収率（φｃｇ１）を出力変数とする。
　第２ゾーンの機械学習モデルは、第２ゾーンの加熱条件（炉温２、排ガス温度２、燃料流量２及びエア流量２）と上流側の第１ゾーンの加熱条件を入力変数に含み、第２ゾーンの総括熱吸収率（φｃｇ２）を出力変数とする。
　第３ゾーンの機械学習モデルは、第３ゾーンの加熱条件（炉温３－１～３－５、排ガス温度３、燃料流量３、エア流量３）と上流側の第１ゾーン及び第２ゾーンの加熱条件を入力変数に含み、第３ゾーンの総括熱吸収率（φｃｇ３）を出力変数とする。炉温３－１～３－５は、第３ゾーン内の鋼帯の搬送方向に間を空けて配置された５つの炉温計によって測定されるそれぞれの炉温に対応する。
　また、図３に示すように、各ゾーンの機械学習モデルの入力変数は、各ゾーンに進入する鋼帯の含熱量の影響因子（上流側のゾーンの鋼帯温度及び温度変化量）をさらに含んでよい。また、各ゾーンの機械学習モデルの入力変数は、鋼帯のサイズ情報（板厚及び板幅）と、加熱条件以外の操業条件（鋼帯の搬送速度）と、をさらに含んでよい。ここで、第１ゾーン～第３ゾーンの燃焼ガスが１つの煙道に集約されることがある。このとき、排ガス温度１～３は、１つの煙道に集約された後の温度（すなわち同じ温度）を用いてよい。
　予測部は、各ゾーンの機械学習モデルを用いて鋼帯温度を予測する（ステップＳ６）。予測部は、連続加熱炉に進入前の連続鋼帯に対して、連続加熱炉の出側における鋼帯温度を予測する。予測部は、さらに連続加熱炉の通過途中における連続鋼帯の温度を予測してよい。ステップＳ６は予測ステップに対応する。
　詳細に述べると、予測部は、対象ゾーンの機械学習モデルに、対象ゾーンと対象ゾーンの上流側のゾーンの操業データを入力して、対象ゾーンの総括熱吸収率の予測値（φｃｇ（予測値））を計算する。ここで、対象ゾーンは、複数のゾーンのうちの計算の対象となっているゾーンを指す。φｃｇ（予測値）の算出は複数のゾーンの全てを対象に実行される。そのため、対象ゾーンは、複数のゾーンのうちの特定のゾーンではなく、任意の１つのゾーンであると言える。予測部は、各ゾーンで総括熱吸収率の予測値を計算し、各ゾーンの総括熱吸収率の予測値を用いて連続加熱炉の出側における鋼帯温度を予測する。
　実際の連続加熱炉は、複数のゾーンに分かれており、各ゾーンにおける加熱方法が異なる（直火又はラジアントチューブなど）ことが多い。本開示の手法は、実際の連続加熱炉の構成に合致しており、各ゾーンの機械学習モデルが上記のように生成されて、隣接する上流側ゾーンの加熱条件、排ガス温度を考慮することができる。そのため、実態に合った正確な計算が可能になる。また、機械学習モデルは逐次学習によって更新されて、操業中において連続加熱炉の総括熱伝達係数の正確な値（連続加熱炉の状態変化を反映した値）を求めることができ、正確な鋼帯温度の予測を持続させることができる。
　出力部は、予測部によって予測された鋼帯温度を含む計算結果を出力する（ステップＳ７）。ステップＳ７は出力ステップに対応する。
　出力部は、計算結果として、連続加熱炉に進入前の連続鋼帯について予測された、連続加熱炉の出側における鋼帯温度及び各ゾーン出側の鋼帯温度を出力してよい。計算結果は、連続鋼帯温度予測装置と接続された計算結果表示モニタ（表示装置の一例）に表示されてよい。また、表示装置はネットワークを経由して予測部と接続される構成であってよい。ここで、予測された鋼帯温度が、予め定められた目標温度に対して所定の許容範囲を外れる（差が大きい）場合に、計算結果が表示されるだけでなく、警報が出力されてよい。
　また、制御装置が、温度予測システムから出力された、予測された鋼帯温度に基づいて連続加熱炉を制御してよい。制御装置は、予測された鋼帯温度が目標とする温度となるように、燃料流量を設定する。
　以下、本開示の効果を実施例に基づいて具体的に説明するが、本開示はこれら実施例に限定されるものではない。
　上記の実施形態の手法によって、総括熱吸収率（φｃｇ（予測値））を予測するための機械学習モデルが生成された。本実施例において、φｃｇ（実績値）を目的変数（出力変数）とし、上記の加熱条件を含む操業データを説明変数（入力変数）として、Ｌａｓｓｏ回帰による線形モデルが生成された。この機械学習モデルの生成において、ｐｙｔｈｏｎの機械学習ライブラリであるｓｃｉｋｉｔ－ｌｅａｒｎが利用された。
　図４は、第３ゾーンの機械学習モデルの上位の特徴量重要度を示す図である。加熱条件のうち、第３ゾーンの炉温、第２ゾーンの炉温及び排ガス温度の特徴量重要度は高い。ここで、排ガス温度は第１～第３ゾーンで共通である。加熱条件以外では、第２ゾーンの鋼帯温度変化量の特徴量重要度が高い。これに対して、加熱条件のうち、燃料流量及びエア流量の特徴量重要度は相対的に低い。また、鋼帯の板幅及び搬送速度の特徴量重要度は相対的に低い。
　機械学習において、特徴量重要度に基づいて、適切な入力変数を選択することが好ましい。例えばゼロに近い閾値を設定し、特徴量重要度が閾値以下のものをモデルに組み込まないという処理が実行されてよい。また、機械学習にＬａｓｓｏ回帰を適用して、特徴量重要度の小さい入力変数の係数をゼロに近づけ、特徴量重要度に基づく適切な入力変数が選択されてよい。本実施例において、第２ゾーンの鋼帯温度変化量の特徴量重要度が高いことが示されている。本開示の手法では各ゾーンでの機械学習を行っているため、鋼帯温度変化量の特徴量重要度が高いことは妥当である。
　また、本実施例において、従来手法で考慮されていなかった排ガス温度の特徴量重要度が高いことが示されている。連続加熱炉で生成された熱エネルギーのうち、鋼帯に吸収されなかった分が排ガス温度で表現されていると考えられるため、排ガス温度の特徴量重要度が高いことは妥当である。
　図５は、排ガス温度と総括熱吸収率の変化を例示する図である。横軸は時間である。排ガス温度が急激に低下するタイミング（１１０００秒付近）から、約２４００秒後に総括熱伝達係数も低下しており、排ガス温度と総括熱吸収率とに相関がある。このことは、排ガス温度の特徴量重要度が高いことに対応している。
　燃料流量（ガス流量）については、工場のラインにおいて炉温及び鋼帯温度などの様々なパラメータがフィードバックされて制御されているため、対象ゾーンの伝熱に対して、他のゾーンの燃料流量の変化が影響していると考えられる。したがって、従来手法で考慮されていなかった燃料流量も考慮することは、予測精度を高めることに寄与すると考えられる。
　図６は第３ゾーンの総括熱吸収率の予測精度を示す図である。横軸はφｃｇ（実績値）であって、計算値と示されている。縦軸はφｃｇ（予測値）であって、予測値と示されている。φｃｇ（実績値）は式（３）によって算出される。予測値は機械学習モデルによって出力される。四角で示されるプロットは、学習データ以外のデータを用いた予測精度である。学習データ以外のデータとは、機械学習モデルの汎用性能を評価するための検証用のデータである。丸で示されるプロットは、学習データを用いた予測精度である。学習データは、機械学習モデルの学習に用いたデータの一部である。第３ゾーンの総括熱吸収率（φｃｇ３）の予測において、本実施例が良好な予測精度を示すことが確認された。
　また、φｃｇ（予測値）を用いて、連続加熱炉の出側における鋼帯温度を予測する数値シミュレーションが行われた。本シミュレーションでは、２秒の周期で操業データが収集されて、その周期で総括熱伝達係数を変化させ、一次遅れとしてシミュレーションを行った。第１～３ゾーンのそれぞれで総括熱吸収率を設定し、式（１）の微分方程式に基づいて、連続加熱炉出側の鋼帯温度（第３ゾーン出側の鋼帯温度）が算出された。
　図７Ａは、比較例であって、φｃｇを一定とする従来手法を採用した場合の鋼帯温度の予測結果を示す。図７Ｂは、実施例であって、上記の本実施形態の手法でφｃｇ（予測値）を算出して、φｃｇ（予測値）に基づく鋼帯温度の予測した結果を示す。
　図７Ａ及び図７Ｂの「ｄａｔａ」は実際のラインにおける鋼帯温度（鋼帯温度実績）である。図７Ａ及び図７Ｂの「ｓｉｍ」はシミュレーションによる鋼帯温度の予測結果である。比較例は、鋼帯温度実績に対する予測誤差が最大で約１３℃であって、大きな誤差が生じている。実施例は、鋼帯温度実績に対する予測誤差が－５℃～＋５℃の範囲内であって、良好な予測精度を示している。
　比較例との対比から明らかなように、本開示手法は操業条件変動に合わせて高精度に鋼帯温度の予測が可能である。ここで、計算の周期は、短いことが好ましいが、本実施例のシミュレーションのような短周期（２秒）に限定されない。例えば連続加熱炉を通過する鋼帯が切り替わるとき、オペレータが手動で設定変更を行ったときなどラインの操業条件の変動が発生するタイミングで総括熱伝達係数が再計算されることが好ましい。
　本開示の実施形態について、諸図面及び実施例に基づき説明してきたが、当業者であれば本開示に基づき種々の変形又は修正を行うことが容易であることに注意されたい。したがって、これらの変形又は修正は本開示の範囲に含まれることに留意されたい。例えば、各構成部又は各工程などに含まれる機能などは論理的に矛盾しないように再配置可能であり、複数の構成部又は工程などを１つに組み合わせたり、或いは分割したりすることが可能である。本開示に係る実施形態は装置が備えるプロセッサにより実行されるプログラム又はプログラムを記録した記憶媒体としても実現し得るものである。本開示の範囲にはこれらも包含されるものと理解されたい。

Claims (8)

  1. 　連続する複数のゾーンを有する連続加熱炉における被加熱材の温度である被加熱材温度を予測する温度予測システムであって、
    　各ゾーンにおける予め定められた前記被加熱材の所定範囲毎の前記被加熱材温度を含む操業データを収集し、各ゾーンの入側から出側の前記被加熱材温度の変化に基づいて、各ゾーンの総括熱吸収率を前記所定範囲毎に算出し、前記総括熱吸収率を前記所定範囲毎の前記操業データに関連付けて保存する収集部と、
    　前記複数のゾーンのうちの任意の１つのゾーンを対象ゾーンとして、前記対象ゾーンの前記総括熱吸収率を出力変数とし、前記対象ゾーンと前記対象ゾーンの上流側のゾーンの前記操業データを入力変数とする前記対象ゾーンの機械学習モデルを、前記所定範囲毎に逐次学習し、各ゾーンの前記機械学習モデルを生成する学習部と、
    　前記対象ゾーンの前記機械学習モデルに、前記対象ゾーンと前記対象ゾーンの上流側のゾーンの前記操業データを入力して、前記対象ゾーンの前記総括熱吸収率の予測値を計算し、各ゾーンの前記総括熱吸収率の予測値を用いて前記連続加熱炉の出側における前記被加熱材温度を予測する予測部と、
    　予測された前記被加熱材温度を含む計算結果を出力する出力部と、を備える、温度予測システム。
  2. 　収集される前記操業データは、各ゾーンにおける炉温、排ガス温度、燃料流量、エア流量、入側の被加熱材温度及び出側の被加熱材温度を少なくとも含み、
    　前記機械学習モデルの入力変数は、各ゾーンにおける炉温、排ガス温度、燃料流量及びエア流量を少なくとも含む、請求項１に記載の温度予測システム。
  3. 　前記炉温は、前記被加熱材の搬送方向に離間した複数位置で測定される、請求項２に記載の温度予測システム。
  4. 　前記機械学習モデルは、Ｌａｓｓｏ回帰、リッジ回帰、線形回帰、局所回帰、主成分回帰、ＰＬＳ回帰、ニューラルネットワークを含む機械学習の手法を用いて生成される、請求項１から３のいずれか一項に記載の温度予測システム。
  5. 　請求項１から４のいずれか一項に記載の温度予測システムによって出力された、予測された前記被加熱材温度に基づいて前記連続加熱炉を制御する、制御装置。
  6. 　連続する複数のゾーンを有する連続加熱炉における被加熱材の温度である被加熱材温度を予測する温度予測システムが実行する温度予測方法であって、
    　各ゾーンにおける予め定められた前記被加熱材の所定範囲毎の前記被加熱材温度を含む操業データを収集し、各ゾーンの入側から出側の前記被加熱材温度の変化に基づいて、各ゾーンの総括熱吸収率を前記所定範囲毎に算出し、前記総括熱吸収率を前記所定範囲毎の前記操業データに関連付けて保存する収集ステップと、
    　前記複数のゾーンのうちの任意の１つのゾーンを対象ゾーンとして、前記対象ゾーンの前記総括熱吸収率を出力変数とし、前記対象ゾーンと前記対象ゾーンの上流側のゾーンの前記操業データを入力変数とする前記対象ゾーンの機械学習モデルを、前記所定範囲毎に逐次学習し、各ゾーンの前記機械学習モデルを生成する学習ステップと、
    　前記対象ゾーンの前記機械学習モデルに、前記対象ゾーンと前記対象ゾーンの上流側のゾーンの前記操業データを入力して、前記対象ゾーンの前記総括熱吸収率の予測値を計算し、各ゾーンの前記総括熱吸収率の予測値を用いて前記連続加熱炉の出側における前記被加熱材温度を予測する予測ステップと、
    　予測された前記被加熱材温度を含む計算結果を出力する出力ステップと、を含む、温度予測方法。
  7. 　収集される前記操業データは、各ゾーンにおける炉温、排ガス温度、燃料流量、エア流量、入側の被加熱材温度及び出側の被加熱材温度を少なくとも含み、
    　前記機械学習モデルの入力変数は、各ゾーンにおける炉温、排ガス温度、燃料流量及びエア流量を少なくとも含む、請求項６に記載の温度予測方法。
  8. 　請求項６又は７に記載の温度予測方法によって出力された、予測された前記被加熱材温度に基づいて前記連続加熱炉を制御する、制御方法。
PCT/JP2025/012571 2024-06-06 2025-03-27 温度予測システム、制御装置、温度予測方法及び制御方法 Pending WO2025253758A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2025539782A JP7806980B1 (ja) 2024-06-06 2025-03-27 温度予測システム、制御装置、温度予測方法及び制御方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2024092557 2024-06-06
JP2024-092557 2024-06-06

Publications (1)

Publication Number Publication Date
WO2025253758A1 true WO2025253758A1 (ja) 2025-12-11

Family

ID=97960348

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2025/012571 Pending WO2025253758A1 (ja) 2024-06-06 2025-03-27 温度予測システム、制御装置、温度予測方法及び制御方法

Country Status (2)

Country Link
JP (1) JP7806980B1 (ja)
WO (1) WO2025253758A1 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5443809A (en) * 1977-09-16 1979-04-06 Nippon Steel Corp Controlling method for temperature of metal strip in continuous furnace
JPH03277722A (ja) * 1990-03-28 1991-12-09 Kawasaki Steel Corp 加熱炉における炉温制御方法
JPH06192751A (ja) * 1992-12-24 1994-07-12 Nippon Steel Corp 鋼片連続加熱炉の鋼片温度推定方法及び制御方法
JPH06264153A (ja) * 1993-03-09 1994-09-20 Sumitomo Metal Ind Ltd 連続式加熱炉内のスラブ温度予測方法
JPH0863203A (ja) * 1994-08-24 1996-03-08 Hitachi Ltd ニューラルネット制御方法及び装置
JP2021025075A (ja) * 2019-08-01 2021-02-22 日本製鉄株式会社 加熱炉における金属片の抽出温度予測装置、方法及びプログラム、並びに予測モデルの学習装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5443809A (en) * 1977-09-16 1979-04-06 Nippon Steel Corp Controlling method for temperature of metal strip in continuous furnace
JPH03277722A (ja) * 1990-03-28 1991-12-09 Kawasaki Steel Corp 加熱炉における炉温制御方法
JPH06192751A (ja) * 1992-12-24 1994-07-12 Nippon Steel Corp 鋼片連続加熱炉の鋼片温度推定方法及び制御方法
JPH06264153A (ja) * 1993-03-09 1994-09-20 Sumitomo Metal Ind Ltd 連続式加熱炉内のスラブ温度予測方法
JPH0863203A (ja) * 1994-08-24 1996-03-08 Hitachi Ltd ニューラルネット制御方法及び装置
JP2021025075A (ja) * 2019-08-01 2021-02-22 日本製鉄株式会社 加熱炉における金属片の抽出温度予測装置、方法及びプログラム、並びに予測モデルの学習装置

Also Published As

Publication number Publication date
JPWO2025253758A1 (ja) 2025-12-11
JP7806980B1 (ja) 2026-01-27

Similar Documents

Publication Publication Date Title
JPS6111289B2 (ja)
CN115305343B (zh) 基于工业过程的控制方法、设备和存储介质
Strommer et al. Nonlinear observer for temperatures and emissivities in a strip annealing furnace
CN115713141A (zh) 参数调整及预测模型获取方法、装置及存储介质
WO2019115655A1 (en) Method of controlling a gas furnace for melting metal and control system therefor
CN100422356C (zh) 连续退火加热炉炉温控制方法
JPS5947324A (ja) 加熱炉の加熱制御方法
JP2019158268A (ja) 連続式加熱炉内に設置された酸素濃度計の異常判定方法及び異常判定装置
KR101956365B1 (ko) 연속 소둔라인의 강판 온도 패턴 제어 시스템 및 방법
US4394121A (en) Method of controlling continuous reheating furnace
JP7806980B1 (ja) 温度予測システム、制御装置、温度予測方法及び制御方法
CN120319365A (zh) 一种基于机器学习辅助下的铜管坯水平连铸工艺优化方法
Zanoli et al. Analysis and modeling of steel industry reheating furnace billets temperature
JP2011173153A (ja) 厚鋼板の冷却制御装置、冷却制御方法、及び、製造方法
JP4962005B2 (ja) 鋼材の製造方法、鋼材の冷却制御装置、及び、鋼材の製造装置
Hu et al. Zone modelling coupled with dynamic flow pattern for the prediction of transient performance of metal reheating
US12436514B2 (en) Method for simulating processing state of belt-shaped body
Fein et al. Model-based control and optimization of continuous strip annealing furnaces
JP5186968B2 (ja) 連続熱処理炉における板温制御システム、方法及びプログラム
JP5585033B2 (ja) 連続熱処理炉における板温制御システム、方法及びプログラム
Chakravarty et al. Improving the energy efficiency in a walking hearth type reheating furnace by energy balance method and optimizing the resources
CN115828772B (zh) 一种融合正向机理与机器学习的钢坯温度的快速计算方法
JP7758920B2 (ja) コークス製造プロセスの制御装置、方法及びプログラム
JPH08199248A (ja) 連続焼鈍設備の温度制御装置
Holmqvist Improved furnace control: system identification and model predicative control of outokumpu’s reheating furnace

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: 25819521

Country of ref document: EP

Kind code of ref document: A1