Nothing Special   »   [go: up one dir, main page]

WO2024189790A1 - 圧延製品の材質特性予測装置 - Google Patents

圧延製品の材質特性予測装置 Download PDF

Info

Publication number
WO2024189790A1
WO2024189790A1 PCT/JP2023/009919 JP2023009919W WO2024189790A1 WO 2024189790 A1 WO2024189790 A1 WO 2024189790A1 JP 2023009919 W JP2023009919 W JP 2023009919W WO 2024189790 A1 WO2024189790 A1 WO 2024189790A1
Authority
WO
WIPO (PCT)
Prior art keywords
rolling
unit
model
rolled
approximation model
Prior art date
Application number
PCT/JP2023/009919
Other languages
English (en)
French (fr)
Inventor
美怜 木原
Original Assignee
株式会社Tmeic
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 株式会社Tmeic filed Critical 株式会社Tmeic
Priority to PCT/JP2023/009919 priority Critical patent/WO2024189790A1/ja
Priority to KR1020247032107A priority patent/KR20240157048A/ko
Publication of WO2024189790A1 publication Critical patent/WO2024189790A1/ja

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B38/00—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B2261/00—Product parameters

Definitions

  • the present disclosure relates to a device for predicting material properties of rolled products, and more specifically, to a device for predicting material properties of rolled products manufactured in a hot rolling process.
  • the material properties of rolled products (hereinafter also referred to as "products") made of metal materials such as steel vary depending on the alloy composition, and the heating, processing, and cooling conditions of the hot rolling process.
  • Material properties include, for example, mechanical properties (strength, formability, toughness, etc.) and electromagnetic properties (magnetic permeability, etc.).
  • the alloy composition is adjusted by controlling the amount of added component elements. When adjusting the composition, a single lot unit is large, for example, a composition adjustment furnace that can hold about 100 tons of molten steel is used. Therefore, it is impossible to change the amount of added for each individual rolled product, which is about 15 tons. Therefore, in order to manufacture hot rolled product coils of the desired material, it is important to properly control the heating, processing, and cooling conditions.
  • Process parameters include, for example, the target temperatures at each point on the rolling line, such as the entry and exit temperatures of the finishing mill and the coiling temperature, schedules related to the reduction of plate thickness and width, such as the transfer bar thickness at the exit of the roughing mill and the reduction rate of each pass, whether or not to use the descalers installed on the finishing mill and roughing mill for each pass, whether or not to use interstand cooling located between the stands of the roughing mill and finishing mill and the initial flow rate used, the amount of lubricating oil used on the finishing mill, and the cooling pattern used on the run-out table.
  • process parameters related to heating, processing and cooling were set for each rolled product specification, with target heating temperature, target dimensions after processing and target cooling rate, and a method of controlling temperature and dimensions to achieve these target values was generally adopted. Note that while the target product dimensions were specified in advance, the target plate thickness, temperature and cooling rate at the exit of each stand were determined based on many years of experience. However, in recent years, requirements for product specifications have become increasingly sophisticated and diverse, and there are cases where these target values cannot always be determined appropriately using methods based on experience.
  • Patent Document 1 discloses an apparatus that performs an offline simulation of a manufacturing process using a process model that models each of the manufacturing processes of heating, processing, and cooling in order to examine in advance whether a product manufactured under a certain alloy composition and process parameters will have the desired product quality.
  • thermometers installed on the rolling line to manage the temperature of the entire rolled coil, and also to manage the material properties that are closely related to the rolling temperature.
  • thermometers are installed at the exit of the heating furnace of the rolling line, the entry and exit of the roughing mill, the entry and exit of the finishing mill, the entry of the coiler, etc.
  • the thermometer measures the temperature of the center of the material being rolled in the width direction (hereinafter simply referred to as the "width direction").
  • a host computer controls the output value from the thermometer so that it matches a target temperature determined based on experience. In this way, conventionally, the material properties in the width direction of the material being rolled were not taken into consideration when managing the rolling process.
  • the widthwise ends (edges) of the material being rolled tend to cool easily, resulting in a temperature difference between them and the center.
  • rolling lines are equipped with devices to raise the temperature of the widthwise ends of the material being rolled and devices to prevent a drop in temperature at the widthwise ends of the material being rolled.
  • edge masks are used to prevent cooling water from coming into contact with the edges during cooling after rolling.
  • the edges are heated using induction heating devices such as edge heaters.
  • scan pyrometers are sometimes installed before and after the above device to verify its effectiveness. Using a scan pyrometer, it is possible to measure the temperature distribution across the width of the material being rolled. Also, in the multi-gauges that have been adopted in rolling lines in recent years, scan pyrometers are used to use the temperature distribution across the width of the material being rolled to correct the measured values. Multi-gauges are composite measuring instruments that measure plate thickness, crown, plate width, etc. with a single unit, and their measurement accuracy has improved significantly in recent years.
  • Patent Document 2 discloses a means for calculating the temperature distribution in the thickness direction and width direction of the rolled material.
  • Patent Document 3 discloses a method for equalizing the temperature in the width direction by controlling edge heaters based on a calculation of the temperature distribution in the width direction.
  • Patent Document 4 discloses a method of model learning using actual values of mechanical properties obtained from mechanical property measurement tests such as tensile tests and structure observations performed on some product coils for a model that mathematically represents metallurgical phenomena that predict changes in the microstructure of the rolled material and the mechanical properties of the final product.
  • Patent Document 5 discloses a method of outputting a material distribution that correlates positions in two dimensions, the length and width directions, with material characteristic values.
  • Patent Document 6 discloses a method of accumulating operating conditions and material records, searching for similar operating conditions, and estimating the material at every position of the product coil online in a mesh form.
  • Patent Document 7 discloses a method of predicting material using a neural network.
  • Japanese Patent No. 6292309 Japanese Patent No. 6197676 Japanese Patent No. 6447710 Japanese Patent No. 5396889 Japanese Patent Publication No. 2022-48037 Japanese Patent No. 6086155 Japanese Patent Publication No. 2005-315703
  • Patent Documents 6 and 7 the relationship between past operating conditions and material performance is explored and modeled, and the material of a newly rolled product coil is predicted based on empirical rules. Such empirical models are generally known to be fast, and contribute to solving the problem of calculation load. However, models based on past operating conditions and material performance have limitations in the approximation accuracy when modeling complex material behavior, and sufficient prediction accuracy cannot be expected.
  • This disclosure has been made to solve the problems described above.
  • the purpose of this disclosure is to provide a rolled product material property prediction device that can quickly and accurately predict the material properties of an entire group of rolled products online.
  • the first aspect relates to a rolled product material property prediction device that predicts the material properties of rolled products manufactured on a rolling line.
  • the rolled product material property prediction device includes an approximation model creation unit that creates an approximation model offline that comprehensively predicts the material properties of a group of rolled products manufactured on the rolling line, and a material property prediction unit that uses the approximation model created by the approximation model creation unit to predict online the material properties in each area of a three-dimensional mesh of rolled products manufactured on the rolling line.
  • the approximation model creation unit has a condition setting unit that sets the rolling conditions of the group of rolled products, and a material calculation unit that calculates metallurgical phenomena and material properties under the rolling conditions, and includes a dataset creation unit that creates a dataset used to create the approximation model, and a model parameter determination unit that uses the dataset to determine parameters that express the approximation model.
  • the second viewpoint has the following feature in addition to the first viewpoint:
  • the data set creation unit creates the data set in which the rolling conditions set by the condition setting unit are explanatory variables and the material properties calculated by the material calculation unit are objective variables.
  • the third aspect has the following features in addition to those of the first aspect.
  • the material property prediction unit includes a rolling data collection unit that collects rolling data obtained online when a rolled product is manufactured on the rolling line, a model input creation unit that creates input data for the approximation model online from the rolling data collected by the rolling data collection unit, an approximation model calculation unit that calculates the material properties of each area of a three-dimensional mesh of a product coil online by inputting the input data created by the model input creation unit into the approximation model, and a material property output unit that outputs the material properties of each area calculated by the approximation model calculation unit, information representing the position of each area in the rolled product, and information related to the material properties.
  • the fourth aspect has the following features in addition to the first aspect:
  • the approximation model is a machine learning model.
  • the fifth aspect has the following characteristics in addition to any one of the first to fourth aspects:
  • the material property prediction unit includes a material property correction unit that corrects the material properties calculated by the approximation model calculation unit using the approximation model, using material property results calculated using a metallurgical phenomenon model that mathematically represents metallurgical phenomena.
  • the present disclosure by creating in advance data sets corresponding to rolling conditions (temperature conditions, processing conditions, time/speed conditions) that have not been implemented in an actual rolling process or rolling conditions that have little experience, and creating an approximation model offline using the created data sets, it is possible to create an approximation model that can be used for the entire group of rolled products and has high approximation accuracy.
  • the approximation model created in this way it is possible to reduce the calculation load for online prediction of material properties in each area of a three-dimensional mesh of a rolled product.
  • it is possible to quickly calculate the material properties of every area (part) of a rolled product it is also possible to reflect the results of the rolled product in the next rolled product or in operational changes to rolled products in the same lot.
  • FIG. 1 is a diagram showing an example of a hot sheet rolling line to which a material property prediction device for a rolled product according to a first embodiment is applied.
  • FIG. 1 is a block diagram showing a rolling system according to a first embodiment
  • 1 is a block diagram showing the functions of a material property prediction device for a rolled product according to a first embodiment
  • FIG. 1 is a diagram illustrating an example of a hardware configuration of a material property prediction device for a rolled product.
  • FIG. 2 is a block diagram showing a configuration of an approximation model creation unit.
  • FIG. 2 is a diagram for explaining a data set created by a data set creation unit.
  • FIG. 13 is a schematic diagram for explaining an example of a cooling pattern of an explanatory variable.
  • FIG. 1 is a diagram showing an example of a hot sheet rolling line to which a material property prediction device for a rolled product according to a first embodiment is applied.
  • FIG. 1 is a block diagram showing a rolling system
  • FIG. 2 is a diagram for explaining a configuration of a data set creation unit and creation of a data set.
  • FIG. 13 is a diagram for explaining the setting of a material calculation unit and explanatory variables by a condition setting unit.
  • FIG. 13 is a diagram for explaining metallurgical phenomenon calculation by a material calculation unit and setting of a target variable.
  • FIG. 13 is a schematic diagram illustrating an example of an approximation model.
  • FIG. 2 is a block diagram showing a configuration of a material property prediction unit.
  • FIG. 2 is a schematic diagram of an example showing a mesh area for which the approximate model calculator calculates material properties.
  • 11 is a schematic diagram showing an example of an output from a material characteristic output unit.
  • FIG. FIG. 11 is a block diagram showing a configuration of a material property prediction unit in embodiment 2.
  • 13 is a schematic diagram showing a correction method in a material characteristic correction unit in embodiment 2.
  • FIG. 1 is a diagram showing an example of a hot sheet rolling line (hereinafter also referred to as a "rolling line") to which a material property prediction device for a rolled product (hereinafter also referred to as a "prediction device”) according to embodiment 1 is applied.
  • a prediction device for predicting material properties of a rolled product manufactured in the rolling line shown in Fig. 1 will be described, but the prediction device of the present disclosure can also be applied to other rolling lines.
  • the rolling line is equipped with a heating device, a rolling mill, a cooling device, a down coiler, and a conveying table connecting these. These devices are driven by actuators such as electric motors and hydraulic devices.
  • the rolling line 1 shown in FIG. 1 is equipped with, from the upstream side of the conveying table, a heating furnace 2, a high-pressure descaling device 3, a rough entry thermometer 4, a rough edger 5, a rough horizontal rolling mill (hereinafter also referred to as the "rough rolling mill") 6, a rough exit thermometer 7, an edge heater 8, a bar heater 9, a finishing entry thermometer 10, a crop shear 11, a finishing entry descaling device 12, an F1 edger 13, a finishing rolling mill 14, a multi-gauge 15, a finishing exit thermometer 16, a run-out table 17, a coiler entry thermometer 18, and a down coiler 19.
  • the heating furnace 2 is a furnace for heating the material to be rolled (slab), and is controlled to obtain the desired slab heating pattern and heating furnace extraction temperature.
  • the material to be rolled includes not only slabs and steel plates, but also intermediate states until the material is completed as a product coil.
  • the high-pressure descaling device 3 removes scale from the surface of the material to be rolled by spraying high-pressure water from above and below the material to be rolled that has left the heating furnace 2.
  • the rough entry side thermometer 4 is disposed on the entry side (upstream side) of the rough rolling mill 6, and measures the rough entry side temperature, which is the temperature of the surface (e.g., the top surface) of the central part in the width direction of the material to be rolled.
  • the rough edger 5 rolls the material to be rolled in the plate width direction.
  • the rough rolling mill 6 rough rolls the steel plate in the plate thickness direction.
  • the material to be rolled is rolled in multiple passes to make it the desired thickness. For this reason, a reversible rolling mill can be used as the rough rolling mill 6.
  • the rough exit side thermometer 7 measures the temperature of the surface (e.g., the top surface) of the material being rolled.
  • the rough exit side thermometer 5 is placed on the exit side (downstream side) of the rough rolling mill 6.
  • the rough exit side thermometer 7 measures the surface temperature of the center in the width direction as the rough exit side temperature.
  • the edge heater 8 is a device that heats the widthwise end (edge) of the rolled material by electromagnetic induction heating or the like in order to control the temperature of the rolled material.
  • the bar heater 9 is a device that heats the entire rolled material by electromagnetic induction heating or the like in order to control the temperature of the rolled material.
  • the finishing entry thermometer 10 is arranged on the entry side of the finishing rolling mill 14 and measures the finishing entry temperature, which is the temperature of the surface (e.g., the top surface) of the central part of the widthwise direction of the rolled material.
  • the crop shear 11 cuts off the leading and trailing ends of the steel plate.
  • the finishing entry descaling device 12 removes scale from the surface of the steel plate at the entry side of the finishing rolling mill 14.
  • the F1 edger 13 is arranged on the entry side of the finishing rolling mill 14 and its rollers come into contact with the rolled material from the side.
  • the F1 edger 13 deforms the rolled material to a degree that does not cause buckling so that the width of the rolled material narrows.
  • the finishing rolling mill 14 consists of one or more stands, and in the example shown in FIG. 1, it is a tandem finishing rolling mill consisting of seven stands.
  • the finishing rolling mill 14 finishes rolling the rolled material to a specified plate thickness.
  • the multi-gauge 15 is a composite measuring instrument capable of performing various measurements with a single device.
  • the multi-gauge 15 has, for example, a configuration in which multiple X-ray detectors are arranged in the width direction of the rolled material.
  • the multi-gauge 15 measures, for example, the thickness distribution in the width direction of the rolled material.
  • the multi-gauge 15 is equipped with a thermometer and a scan pyrometer inside. The multi-gauge 15 measures the temperature of the rolled material and uses the measurement value to correct the detection value of the X-ray detector.
  • the finishing exit thermometer 16 measures the temperature of the surface (e.g., the top surface) of the rolled material.
  • the finishing exit thermometer 16 is placed on the exit side (downstream side) of the finishing rolling mill 14.
  • the finishing exit thermometer 16 measures the surface temperature of the center in the width direction of the rolled material that has passed through the finishing rolling mill 14 as the finishing exit temperature.
  • the finishing exit thermometer 12 is placed on the exit side of the finishing rolling mill 10.
  • the finishing exit temperature of the rolled material is closely related to the formation of the metal structure and material properties (tensile strength, yield stress, elongation, etc.) of the product. For this reason, the finishing exit temperature of the rolled material needs to be properly managed.
  • the run-out table 17 is a cooling device that cools the rolled material with cooling water to control the temperature of the rolled product.
  • the run-out table 17 supplies cooling water from nozzles to the surface of the rolled material to control the temperature of the rolled material.
  • the run-out table 17 is equipped with many nozzles in the longitudinal direction of the rolled material (the conveying direction of the conveying table). These nozzles are divided into multiple banks. The nozzles are controlled for each bank, and the cooling speed of the rolled material is controlled. Water cooling is performed in the bank that supplies cooling water, and air cooling is performed in the bank to which cooling water is not supplied.
  • the rolling line may further be equipped with a cooling device such as a cooling table or a forced cooling device.
  • the coiler entry thermometer 18 is placed on the entry side (upstream side) of the down coiler 19. After the material to be rolled passes through the run-out table 17, the coiler entry thermometer 18 measures the surface temperature of the central part in the width direction as the coiling temperature.
  • the finish exit thermometer 12 is placed on the exit side of the finishing rolling mill 10.
  • the coiling temperature of the material to be rolled is closely related to the formation of the metal structure of the product and its material properties (tensile strength, yield stress, elongation, etc.). For this reason, the coiling temperature of the material to be rolled needs to be properly managed.
  • the down coiler 19 is a device that winds up the rolled product and shapes it into a shape that is easy to transport.
  • the transport table is a device that transports the rolled product at each process to the next process. These devices are driven by actuators such as electric motors and hydraulic devices.
  • the rolling line 1 shown in FIG. 1 further includes a scan pyrometer 20.
  • the scan pyrometer 20 measures the temperature of the surface (e.g., the top surface, or the top surface and bottom surface) of the rolled material at least at multiple locations in the width direction of the rolled material.
  • the scan pyrometer 20 is preferably placed before and after a device for improving the temperature of the rolled material.
  • the example shown in FIG. 1 shows a case where the scan pyrometer 20 is installed in front of the edge heater 8, behind the bar heater 9, and before and after the run-out table 17.
  • the scan pyrometer 20 placed on the entry side of the run-out table 17 is provided inside the multi-gauge 15.
  • [Rolling system] 2 is a block diagram showing a rolling system 21 according to the first embodiment.
  • the rolling system 21 is a control system for the rolling line 1, and has a hierarchical structure from level 0 to level 3.
  • Level 0 has a drive control device that controls an electric motor that drives each device of the rolling line 1, and hydraulic equipment (hydraulic device) that drives each device of the rolling line 1.
  • Level 1 has a control controller 24.
  • Level 2 has a setting computer 23.
  • Level 3 has a host computer 22 for production management.
  • a material property prediction device 25 of a rolled product which will be described later, is connected to the setting computer 23 and can receive rolling data.
  • the hot rolling process different products are produced by changing the process conditions related to product quality and operating conditions, i.e., the target values of various process parameters.
  • the process is controlled by the setting computer 23 so as to achieve the target product quality, i.e., so as to achieve the target values of the various process parameters mentioned above.
  • the target values of the process parameters may be specified by a level 3 host computer 22, which is above the level 2 setting computer 23.
  • the target values of the process parameters may have a table in a database belonging to the setting computer 23, and may be specified using the steel type, plate thickness, plate width, etc. as keys.
  • the target values of the process parameters may be changed during rolling by manual intervention of the operator.
  • the setting calculator 23 has model formulas that represent the physical phenomena of each process, such as heating, rolling, cooling, and transport, in the rolling line 1. Using the model formulas that represent the physical phenomena of the processes, the setting calculator 23 performs setting calculations so as to achieve the target values (process conditions) of the various process parameters mentioned above in actual operation. In the setting calculations, it repeatedly calculates the control target values of the various actuators and the state of the rolled material at each stage of the process (predicted state value of the metal material).
  • the control target values of the actuators are the roll gap of the rolling mills 6 and 14, the rolling speed, the conveying speed, the flow rates of the descaler and various sprays, the ON/OFF state of the valves on the run-out table, etc.
  • the state of the rolled material at each stage of the process is the dimensions, shape, temperature, microstructure, etc.
  • the control controller 24 receives the setting calculation results from the setting calculator 23 and controls various actuators so as to follow the control target values.
  • various sensors are installed throughout the rolling line 1 to monitor and collect the actual values of parameters that affect process control, such as temperature, shape, plate thickness, plate width, and rolling load.
  • the target values of the process parameters are compared with actual values acquired by various sensors, and actual calculated values recalculated by the setting calculator 23 from the actual values and calculated values, and if the target values of the process parameters are not achieved, the setting calculator 23 performs the setting calculation again. Based on the results, various types of control, such as feedforward control, feedback control, and dynamic control, are performed.
  • the adjustment terms are the coefficients and constants for each term in the model formula, and are managed in a database belonging to the setting computer 23 for each stratification using a stratification table divided by factors that are likely to cause model errors, such as steel type, target plate thickness, target plate width, and target temperature.
  • the adjustment terms are adjusted mainly when rolling a new steel type or when rolling with a new combination of process parameters, other than when starting up operations.
  • the adjustment terms may be adjusted by engineers based on experience or numerical analysis results, or in recent years, they may be semi-automatically adjusted using statistical methods such as neural networks.
  • the learning terms are terms that are multiplied and added to the model formula to fill in the error between the model output and the output of the actual process.
  • FIG. 3 is a block diagram showing the functions of a material property prediction device 25 for a rolled product according to embodiment 1.
  • the prediction device 25 predicts the mechanical properties of a product coil rolled in the rolling line 1 shown in Fig. 1.
  • the prediction device 25 includes an approximate model creation unit 26 and a material property prediction unit 27.
  • FIG. 4 is a diagram showing an example of the hardware configuration of the prediction device 25.
  • Each function of the prediction device 25 described below can be realized by a processing circuit 250 shown in FIG. 4.
  • This processing circuit 250 may be dedicated hardware 251.
  • This processing circuit may include a processor 252 and a memory 253.
  • This processing circuit may be partially formed as dedicated hardware 251, and further include a processor 252 and a memory 253.
  • a portion of the processing circuit 250 is formed as dedicated hardware 251, and the processing circuit 250 also includes a processor 252 and a memory 253.
  • the processing circuitry 250 may be at least one dedicated hardware 251.
  • the processing circuitry 250 may be, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, an ASIC, an FPGA, or a combination of these.
  • the processing circuit 250 may include at least one processor 252 and at least one memory 253.
  • each function of the prediction device 25 is realized by software, firmware, or a combination of software and firmware.
  • the software and firmware are written as a program and stored in the memory 253.
  • the processor 252 realizes the functions of the approximation model creation unit 26 and the material property prediction unit 27 by reading and executing the program stored in the memory 253.
  • the processor 252 is also called a CPU (Central Processing Unit), central processing unit, processing unit, arithmetic unit, microprocessor, microcomputer, and DSP.
  • the memory 253 is, for example, a non-volatile or volatile semiconductor memory such as a RAM, ROM, flash memory, EPROM, and EEPROM. In this way, the processing circuit 250 can realize each function of the prediction device 25 by hardware, software, firmware, or a combination of these.
  • the approximation model creation unit 26 creates an approximation model 39 that comprehensively and quickly predicts the mechanical properties of the hot rolled products manufactured on the rolling line 1, i.e., the rolled products (product coils) of all steel types, dimensions, and operating conditions that can be manufactured on the rolling line 1.
  • the approximation model creation unit 26 creates an approximation model 39 that comprehensively and quickly predicts the mechanical properties of the hot rolled products manufactured on the rolling line 1, i.e., the rolled products (product coils) of all steel types, dimensions, and operating conditions that can be manufactured on the rolling line 1.
  • Comprehensive means that it not only covers the mechanical properties of rolled products that have been manufactured on the rolling line 1, but also covers the mechanical properties of rolled products that may be manufactured on the rolling line 1 in the future. The details of the approximation model creation unit 26 are explained below.
  • FIG. 5 is a block diagram showing the configuration of the approximation model creation unit 26.
  • the approximation model creation unit 26 includes a dataset creation unit 28 and a model parameter determination unit 29.
  • the dataset creation unit 28 creates a dataset used to create the approximation model 39.
  • the model parameter determination unit 29 uses the dataset created by the dataset creation unit 28 to determine parameters that represent the approximation model 39 by an optimization method or the like.
  • the data set 36 created by the data set creation unit 28 is a collection of data in which data on explanatory variables 37 and data on objective variables 38 are paired. Each pair is composed of data on explanatory variables 37 corresponding to a part of a certain operating condition and data on objective variables 38 corresponding to the mechanical properties of the coil manufactured by the rolling line 1 under that operating condition.
  • first operating conditions operating conditions that are particularly correlated with the mechanical properties
  • the content of chemical components in steel is adjusted to create different steel types.
  • Chemical components that contribute to mechanical properties are included in the explanatory variables 37. Temperature conditions are adjusted to create different steel types, like chemical components, and have a large contribution to mechanical properties.
  • the temperature history of a certain part of the product coil is time-series data, but when it is given as the explanatory variable 37, one-dimensional data obtained by instantaneously cutting out the time-series data at a necessary point is given.
  • Temperature conditions that may cause variations for each product are used as the explanatory variables 37.
  • temperature conditions that differ in the rolling direction and width direction such as the finish rolling exit temperature and the coiling temperature, and temperature conditions that cause a temperature drop at the width end, such as the rough rolling entry temperature and the rough rolling exit temperature, are also included as explanatory variables 37.
  • mechanical properties are created by adjusting the temperature path according to the cooling conditions in the run-out table 17. Specifically, in addition to the target temperatures of the finish exit temperature and the coiling temperature, some of the cooling pattern conditions, such as the water-cooled part location, water-cooling speed, water-cooling time, and air-cooling time, are set and controlled (normal cooling).
  • the run-out table 17 is divided into a front half and a rear half, an intermediate thermometer is installed at the midpoint, and in addition to the above target temperatures, the target temperature of the intermediate thermometer and the cooling pattern conditions for each of the front half and rear half of the run-out table 17 may be set and controlled (step cooling). Therefore, the cooling pattern conditions described later are also added to the explanatory variables.
  • the processing conditions are operating conditions such as the reduction rate and strain rate of each stand. It is known that the reduction rate and strain rate affect the microstructure, and as a result, the final mechanical properties. They are added to the explanatory variables as processing conditions for each stand.
  • the explanatory variables may be added to the explanatory variables as aggregate information such as the average of the entire finish rolling or the average of the latter half of the finish rolling stand.
  • the time conditions such as the furnace time for slab material in the heating furnace, and the time between rough rolling and the start of finish rolling, vary from product to product, and by adding conditions that affect the mechanical properties to the explanatory variables, the prediction performance of the variation of the mechanical properties for each product may be improved.
  • speed conditions such as the rolling speed and conveying speed at each point, which change from the front end to the tail end in the rolling direction and affect the mechanical properties, in the explanatory variables, the prediction performance of the variation of the mechanical properties within the product may be improved.
  • the mechanical properties that are the objective variables are yield stress, tensile strength, elongation, etc.
  • the data set 36 comprehensively includes the operating conditions at all locations, including the longitudinal leading end, tail end, and widthwise ends, of coils of all steel types and dimensions produced on the rolling line 1, and the mechanical properties when rolled under those operating conditions.
  • FIG. 7 is a schematic diagram for explaining an example of the cooling pattern of the explanatory variable 37.
  • FIG. 7 shows an example of a cooling pattern of normal cooling.
  • the upstream bank of the run-out table 17 is used for feedforward control using the initial cooling setting by setting calculation and the actual finishing temperature value.
  • the two most downstream banks are used for feedback control using the actual winding temperature, and the bank upstream of the bank used for feedback control is used for dynamic control to follow the change in the conveying speed.
  • the water-cooling section cooling speed, the water-cooling section cooling speed of the front half, the water-cooling section cooling speed of the rear half, the average cooling speed of the front half, the average cooling speed of the rear half, and the water-cooling section cooling speed of the feedback bank are used as explanatory variables.
  • the water-cooling section cooling speed V cool is calculated by the following formula (1) with respect to the temperature drop due to water cooling in the banks excluding the dynamic control bank and the feedback control bank.
  • t W_s is the start time of water cooling excluding the dynamic control bank and the feedback control bank
  • t W_e is the end time of water cooling excluding the dynamic control bank and the feedback control bank
  • T W_s is the temperature at the start of water cooling
  • T W_e is the temperature at the end of water cooling.
  • cooling in the front and rear sections of the run-out table 17 has different effects on mechanical properties.
  • the cooling rate of the water-cooled section in the front and rear sections, the average cooling rate in the front and rear sections, etc. are calculated and used as explanatory variables.
  • the cooling rate of the water-cooled section in the front section, V E_cool targets the temperature drop due to water cooling in the bank between the finish delivery temperature and the intermediate temperature, and is calculated using the following formula (2).
  • t E_s is the time when water cooling of the first bank starts
  • t E_e is the time when water cooling of the first bank ends
  • T E_s is the temperature when water cooling of the first bank starts
  • T E_e is the temperature when water cooling of the first bank ends.
  • the cooling rate of the water-cooled part in the latter half is also included in the explanatory variables by calculating it using the time and temperature information of the latter half.
  • the average cooling rate V E_ave in the first half targets the temperature drop by water cooling and air cooling in the bank between the finish exit temperature and the intermediate temperature, and is calculated by the following formula (3).
  • t FDT is the finishing outlet temperature passing time
  • t MT is the intermediate temperature passing time
  • T FDT is the finishing outlet temperature
  • T MT is the intermediate temperature.
  • the average cooling rate in the latter half is also included in the explanatory variables by calculating it using the time and temperature information in the latter half.
  • the cooling pattern by the feedback bank varies in the rolling direction of the rolled material due to feedback control for controlling the coiling temperature, which may affect the mechanical properties.
  • the cooling rate of the water-cooled part of the feedback bank is added to the explanatory variables.
  • the cooling rate of the water-cooled part of the feedback bank VFB_cool is calculated by the following formula (4), targeting the water-cooled part of the feedback bank.
  • t FB — s is the feedback bank water cooling start time
  • t FB — e is the feedback bank water cooling end time
  • T FB — s is the feedback bank water cooling start temperature
  • T FB — e is the feedback bank water cooling start temperature
  • FIG. 8 is a diagram for explaining the configuration of the data set creation unit 28 and the creation of a data set.
  • the data set creation unit 28 includes a condition setting unit 30 and a material calculation unit 31.
  • the condition setting unit 30 sets the first operating conditions related to the explanatory variables 37 of the data set 36.
  • the condition setting unit 30 also sets the operating conditions such as chemical components, processing history, and temperature history required for metal structure calculation using the metallurgical phenomenon model in the metal structure calculation unit 44 in the material calculation unit 31 (hereinafter, the operating conditions related to the input of the metallurgical phenomenon model used by the metal structure calculation unit 44 are referred to as "second operating conditions").
  • the first operating conditions and the second operating conditions include the same data, but also different data.
  • the metallurgical phenomenon model predicts changes in the microstructure from moment to moment. Therefore, the second operating conditions include data that has spatial and temporal continuity at each equipment position and each time, such as processing history and temperature history.
  • the material calculation unit 31 calculates metallurgical phenomena and mechanical properties based on the set second operating conditions. In addition, the material calculation unit 31 sets data for the objective variable 38 of the data set 36.
  • FIG. 9 is a diagram for explaining the setting of the material calculation unit 31 and explanatory variables 37 by the condition setting unit 30.
  • the condition setting unit 30 is composed of, for example, an operating condition extraction unit 40, an operating condition creation unit 41, a material calculation input setting unit 42, and an explanatory variable setting unit 43.
  • the operating condition extraction unit 40 extracts, for example, the first operating conditions related to the above-mentioned explanatory variables 37 such as chemical components, processing history, and temperature history, and the second operating conditions used in the material calculation unit 31, from the virtual rolling data of a virtual coil virtually rolled by an offline setting computer.
  • the offline setting calculator described above is, for example, a device such as that described in Patent Document 1, and can simulate actual operations by synchronizing process parameters with the online setting calculator. This makes it possible to create a variety of operating conditions through offline setting calculations without placing a burden on actual operations. For example, even for products and rolling conditions that have never been manufactured in actual operations, it is possible to simulate operations that satisfy various machine constraints.
  • the operating conditions and explanatory variables 37 used in the material calculation unit 31 may include operating conditions and explanatory variables 37 extracted from actual rolling data of the product coil that was actually rolled.
  • operating conditions such as processing history and temperature history, such as distortion of each part in the product, may be created using analysis data that is more detailed than the set calculation, such as the results of finite element analysis.
  • the operating conditions to which the approximation model 39 can be applied should include disturbances that are not measured or calculated in actual operation.
  • disturbances include variations in chemical composition, uneven temperatures during reheating in the heating furnace, an unexpected drop in the temperature of the rolled material due to oscillation before finish rolling, and an inability to ensure the cooling rate due to spray problems.
  • the disturbances are simulated using the offline setting calculator described above. Alternatively, disturbances may be added directly to the processing history or temperature history of the actual rolling data or virtual rolling data.
  • the operating condition creation unit 41 intentionally makes changes to simulate disturbances in part of the rolling data created by duplicating the actual rolling data and virtual rolling data.
  • the material calculation input setting unit 42 passes to the material calculation unit 31 the operating conditions extracted by the operating condition extraction unit 40, or the operating conditions extracted by the operating condition extraction unit 40 with modifications made by the operating condition creation unit 41 corresponding to disturbances, or the operating conditions created by the operating condition creation unit 41 from external data such as finite element analysis results without going through the operating condition extraction unit 40.
  • the explanatory variable setting unit 43 extracts data corresponding to the explanatory variables 37 from the operating conditions extracted by the operating condition extraction unit 40, or the operating conditions extracted by the operating condition extraction unit 40 with changes corresponding to disturbances made by the operating condition creation unit 41, or the operating conditions created by the operating condition creation unit 41 without going through the operating condition extraction unit 40, and adds the data to the dataset 36 as explanatory variables 37.
  • FIG. 10 is a diagram for explaining the metallurgical phenomenon calculation by the material calculation unit 31 and the setting of the objective variable 38.
  • the material calculation unit 31 is composed of a metal structure calculation unit 44, a material property calculation unit 45, and an objective variable setting unit 46.
  • the metal structure calculation unit 44 calculates the metal structure with a metallurgical phenomenon model that mathematically expresses metallurgical phenomena, using rolling data such as chemical components, processing history, and temperature history set in the material calculation input setting unit 42 of the condition setting unit 11.
  • the characteristics of the metal structure to be calculated include the volume fractions of ferrite, pearlite, bainite, and martensite, and the grain sizes of ferrite and austenite.
  • Various metallurgical phenomenon models have been proposed, and are composed of a group of formulas that represent static recovery, static recrystallization, dynamic recovery, dynamic recrystallization, grain growth, and transformation. An example of this model is published on pages 198 to 229 of Plastic Processing Technology Series 7, Plate Rolling (Corona Co., Ltd.).
  • the material property calculation unit 45 calculates mechanical properties based on the chemical components and the like contained in the rolling data described above and the metal structure calculation value obtained from the metal structure calculation unit 44.
  • the mechanical properties to be measured include yield stress, tensile strength, elongation, and the like.
  • the model is often automatically learned at any time using the actual values of mechanical properties obtained from the results of mechanical property measurement tests such as tensile tests performed on some product coils (for example, the method of Patent Document 4).
  • the actual measured mechanical property values are measured on test pieces cut out from a part of the coil, such as the tip or tail end of the coil.
  • the actual measured values of the changes in mechanical properties due to differences in operating conditions such as the temperature in the rolling direction and the plate width direction described above cannot be obtained, and are not reflected in the learning of the metallurgical phenomenon model.
  • the mechanical property prediction results of the metallurgical phenomenon model including learning become specific values, and the change in the mechanical property prediction results with respect to changes in operating conditions becomes less smooth.
  • the material property calculation unit 45 uses a metallurgical phenomenon model that does not involve learning, rather than a metallurgical phenomenon model that is automatically learned during actual operation.
  • the objective variable setting unit 46 extracts data corresponding to the objective variable 20 from the mechanical properties created by the material property calculation unit 45, and adds it to the data set 36 as the objective variable 20 that is paired with the explanatory variable 37 created from the operating conditions used by the material calculation unit 12.
  • FIG. 11 is a schematic diagram showing an example of an approximation model.
  • a machine learning model can be used as the approximation model 39.
  • the machine learning model is constructed by a forward propagation type neural network consisting of an input layer, an intermediate layer, and an output layer.
  • Explanatory variables 37 which are operating conditions, are input to the input layer.
  • the model parameter determination unit 29 determines the hyperparameters and parameters of the forward propagation neural network.
  • the hyperparameters include the network configuration (number of layers in the intermediate layer, number of units), the type of activation function, etc.
  • the hyperparameters are determined empirically or by trial and error. Alternatively, they are determined by methods commonly used in recent years, such as grid search and Bayesian optimization.
  • the parameters are the weight coefficients and biases of each unit that express the function of the forward propagation neural network.
  • the input and output pairs are called training data. Parameters are selected so that the output of the neural network when the input (explanatory variable) of the training data is given to the function is as close as possible to the output (objective variable) of the training data.
  • the explanatory variable 37 of the dataset 36 created by the dataset creation unit 28 is used as the input, the objective variable 20 is used as the output, and the parameters are adjusted using the pair of the explanatory variable 37 and the objective variable 20.
  • a part of the pairs in the data set for example, about 70% of the whole, is used as training data.
  • An error function expressed by squared error or the like is used as a measure of the reproducibility of the function expressed by the neural network.
  • the neural network is learned by solving the minimization problem of the error function.
  • gradient descent and its improved method, Adam are known as optimization methods for solving the above-mentioned minimization problem of the error function.
  • the model parameter determination unit 29 uses Adam to learn the forward propagation type neural network.
  • the parameters may be adjusted again after making efforts generally made in constructing a machine learning model, such as changing hyperparameters, increasing the number of data pairs in the data set, and reviewing data preprocessing.
  • the model may be sequentially learned using gradient descent or the like. This is the case when online rolling data is obtained at any time, or when offline setting calculations are performed at any time.
  • a data set can be recreated using the latest data, and the approximation model can be reconstructed and replaced. It is also possible to change the type of explanatory variables depending on the type of mechanical property to be predicted. It is preferable to create a different approximation model for each mechanical property.
  • the material property prediction unit 27 predicts online the mechanical properties of each three-dimensional mesh area of the product coil actually manufactured on the rolling line 1 using an approximation model 39 that is created in advance offline by the approximation model creation unit 26.
  • FIG. 12 is a block diagram showing the configuration of the material property prediction unit 27.
  • the material property prediction unit 27 includes a rolling data collection unit 32, a model input creation unit 33, an approximation model calculation unit 34, and a material property output unit 35.
  • the rolling data collection unit 32 collects rolling data for each part of the coil from the heating furnace to winding.
  • the model input creation unit 33 creates input data for the approximation model 39 from the rolling data collected by the rolling data collection unit 32.
  • the approximation model calculation unit 34 calculates the mechanical properties of each three-dimensional mesh-like area of the product coil using the input data created by the model input creation unit 33 and the approximation model 39.
  • the material property output unit 35 outputs the mechanical properties calculated by the approximation model calculation unit 34 together with information indicating the position within the product.
  • the rolling data collection unit 13 collects rolling data such as the chemical composition, processing history, and temperature history of the product coil calculated by the setting calculator 23.
  • the rolling data is a predicted value before rolling, a predicted value and recalculated actual values during rolling, and recalculated actual values after rolling, and the accuracy of the information differs depending on the timing of acquisition.
  • the model input creation unit 33 extracts data corresponding to explanatory variables 37 of each three-dimensional mesh-like area of the product coil from the rolling data of the product coil collected by the rolling data collection unit 13 as input data for the approximation model 39. If the rolling data collected by the rolling data collection unit 13 is insufficient to create explanatory variables 37 of each three-dimensional mesh-like area, the explanatory variables 37 are created by supplementing the missing data. For example, in recent years, the temperature distribution in the thickness and width directions of the rolled material may be calculated from actual measurements taken with a thermometer and model predictions, but due to the calculation load, the setting calculator 23 may intentionally limit the calculation range by calculating the width direction temperature distribution up to the edge heater exit side required for control and stopping calculation downstream of the edge heater.
  • the rolling data collection unit 13 uses the actual value of the width direction temperature distribution measured by the multi-gauge at the downstream side of the finishing rolling mill, the width direction temperature distribution at the edge heater exit side calculated by the model or the actual width direction temperature distribution by the scan pyrometer at the edge heater exit side, and the temperature history calculation result of the width direction center part at the edge heater exit side to the finish rolling mill exit side to create explanatory variable 37 data related to the temperature of each mesh in the width direction, for example, the finish rolling entry side temperature, using an interpolation formula such as linear interpolation.
  • the width direction temperature distribution may be calculated using an offline setting calculator.
  • a part of the processing history such as the strain rate during rolling in the thickness direction is generally not performed in the width direction.
  • the contact length of the deformation region between the roll and the material is considerably shorter than the width of the material, the movement of the material in the width direction is small, and the thickness reduction is mainly elongation in the rolling direction.
  • the data calculated in the width direction center part can be duplicated in the width direction and used as explanatory variable 37. Additionally, for data where only one value can be obtained for a product coil, such as chemical composition, the same value is used for all meshes.
  • the approximation model calculation unit 34 inputs the input data created by the model input creation unit 33 into the approximation model 39 created in advance by the approximation model creation unit 26, and calculates the mechanical properties of each area of the three-dimensional mesh of the product coil.
  • Figure 13 is a schematic diagram of an example of a mesh area for which the approximation model calculation unit 34 calculates material properties.
  • Figure 13 shows only a portion of the overall length and one half of the plate width direction (work side or drive side), but the approximation model calculation unit 34 calculates the overall length and overall width.
  • the calculation interval set in the rolling direction may differ depending on the product plate thickness, but for example, rolling data is created at 2 m intervals, and mechanical properties are predicted at similar intervals.
  • mechanical properties are predicted at three points: the top surface, the plate thickness center, and the bottom surface.
  • width direction mechanical properties are predicted at a total of five points: a point 40 mm from the width end (work side and drive side), a midpoint between the width end and the plate width center (plate width 1/4 point) (work side and drive side), and the plate width center.
  • the material property output unit 35 outputs the mechanical properties of each zone calculated by the approximation model calculation unit 34, information representing the position of each zone in the rolled product, and information closely related to the variation of mechanical properties.
  • the position of each zone in the rolled product is the distance from the leading edge in the rolling direction, the distance from the tail end, the position in the width direction, and the position in the plate thickness direction.
  • the information related to the mechanical properties is information closely related to the variation of mechanical properties, such as the finishing exit temperature, the coiling temperature, and the cooling rate.
  • the output destination is a storage device such as a database and a visualization device such as an HMI. When outputting to a visualization device, the output data is visualized in a graph, or values are shown in a table or the like.
  • FIG. 14 is a schematic diagram showing an example of the output of the material characteristic output unit 35.
  • the horizontal axis shows the rolling direction position (distance from the tip), and the vertical axis shows the change in tensile strength and coiling temperature.
  • the positions in the plate thickness direction and width direction can be selected arbitrarily, and in this example, the plate thickness center and the work side 1/4 point in the width direction are selected.
  • the lower limit of tensile strength is given, information such as the position of the rolled material where the tensile strength is below the lower limit and the relationship with the coiling temperature can be obtained.
  • the distribution of mechanical properties of the entire product may be visualized in a three-dimensional mesh-like heat map.
  • Information visualized in the table includes, for example, the position information of the mechanical properties not achieved (distance from the tip and tail), basic statistics such as the average value and standard deviation of the mechanical properties, and the correlation coefficient between the mechanical properties and the explanatory variables 37.
  • a data set corresponding to rolling conditions (temperature conditions, processing conditions, time/speed conditions) that have not been implemented in an actual rolling process or rolling conditions with little experience are comprehensively created in advance.
  • an approximation model offline using a data set created to cover all rolling conditions including rolling conditions that have not been implemented or have little experience, it is possible to create an approximation model that can handle the entire group of rolled products and has high approximation accuracy.
  • the approximation model created in this way it is possible to reduce the calculation load for online prediction of material properties in each area of a three-dimensional mesh of any rolled product.
  • Embodiment 2 Next, a second embodiment of the present invention will be described with reference to Figures 15 and 16. The differences from the first embodiment will be mainly described, and the same or corresponding parts will be denoted by the same reference numerals and description thereof will be omitted.
  • FIG. 15 is a block diagram showing the configuration of the material property prediction unit 27 according to the second embodiment.
  • the mechanical property prediction unit 27 as the material property prediction unit includes a material property correction unit 47 that corrects the mechanical property (hereinafter referred to as the "first mechanical property") calculated by the approximation model calculation unit 34 using the approximation model 39, using the mechanical property (hereinafter referred to as the "second mechanical property") calculated by a metallurgical phenomenon model that mathematically represents a metallurgical phenomenon.
  • the metallurgical phenomenon model that mathematically represents a metallurgical phenomenon and predicts the second mechanical property is model-trained using actual mechanical property values obtained in tensile tests of past rolled products (product coils).
  • the second mechanical property is collected by the rolling data collection unit 13 from the online setting computer 23 as part of the rolling data.
  • the mechanical properties of a part of a rolled product may be calculated using a metallurgical phenomenon model in which metallurgical phenomena are mathematically formulated by an online setting computer or a computer connected to the online setting computer.
  • the metallurgical phenomenon model in which metallurgical phenomena are mathematically formulated is model trained using actual values of mechanical properties obtained from the results of mechanical property measurement tests such as tensile tests and structure observations performed on some product coils, or is adjusted to match the actual mechanical properties (for example, the method of Patent Document 4). It is expected that the prediction accuracy of the predicted second mechanical property that is learned or adjusted in this way is good.
  • ⁇ TS(j) TS MM (j)- TS ML (j)...(5)
  • j is an index indicating the mesh area from which the second mechanical property was obtained
  • TS MM (j) is the second mechanical property contained in the actual rolling data
  • TS ML (j) is the first mechanical property calculated by the approximate model calculation unit 34
  • ⁇ TS(j) is the difference between the second mechanical property and the first mechanical property.
  • FIG. 15 is a schematic diagram showing a correction method in the material property correction unit 47 in the second embodiment of the present invention.
  • the difference ⁇ TS(i) between the second mechanical property and the first mechanical property assumed in other mesh areas i is calculated by linear interpolation or the like using ⁇ TS(j) at the above three points.
  • TS comp (i) TS ML (i) + ⁇ TS(i)...(6)
  • i is an index indicating the mesh area for which the tensile strength is to be corrected
  • TS ML (i) is the tensile strength calculated by the approximation model calculation unit 34 using the approximation model 39
  • TS comp (i) is the corrected tensile strength.
  • the material property correction unit 47 since the material property correction unit 47 is provided, the prediction accuracy of the mechanical properties of all parts of the rolled product can be improved. Moreover, there is no effect on the online calculation of the actual rolling operation. Note that, although an example of predicting the mechanical properties of the material properties has been described above, the same applies to the electromagnetic properties.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Control Of Metal Rolling (AREA)

Abstract

圧延製品の材質特性予測装置は、圧延ラインで製造される圧延製品群の材質特性を網羅的に予測する近似モデルをオフラインで作成する近似モデル作成部と、近似モデルを用いて、圧延ラインで製造される圧延製品の三次元メッシュ状の各区域における材質特性をオンラインで予測する材質特性予測部と、を備える。近似モデル作成部は、圧延製品群の圧延条件を設定する条件設定部と、圧延条件での冶金現象と材質特性を計算する材質計算部と、を有し、近似モデルの作成に用いるデータセットを作成するデータセット作成部と、データセット用いて近似モデルを表現するパラメータを決定するモデルパラメータ決定部と、を備える。

Description

圧延製品の材質特性予測装置
　本開示は、圧延製品の材質特性予測装置に関し、より詳しくは、熱間圧延プロセスで製造される圧延製品の材質特性を予測するものに関する。
　鉄鋼などの金属材料からなる圧延製品（以下「製品」ともいう）の材質特性は、その合金組成や、熱間圧延プロセスの加熱条件、加工条件及び冷却条件によって変化する。材質特性は、例えば、機械的特性（強度、成形性、靭性等）や電磁的特性（透磁率等）などである。合金組成は、成分元素の添加量を制御することで調整される。この成分調整時には、例えば１００トン前後の溶鋼を保持できる成分調整炉を用いるなど、１つのロット単位が大きい。そのため、１５トン前後になる個々の圧延製品ごとに添加量を変更することは不可能である。したがって、所望の材質の熱間圧延製品コイルを製造するためには、加熱条件、加工条件及び冷却条件を適正に制御することが重要である。
　熱間圧延プロセスにおいては、製品品質や操業条件に関するプロセス条件である様々なプロセスパラメータの目標値を変更することにより、圧延製品を作り分けている。プロセスパラメータには、例えば、仕上圧延機の入側温度及び出側温度、巻取温度などに代表される圧延ライン上の各ポイントにおける目標温度や、粗圧延機の出側のトランスファーバー厚や各パスの圧下率など板厚や板幅の圧下に関するスケジュールや、仕上圧延機及び粗圧延機に備えられているデスケーラのパス毎の使用要否や、粗圧延機及び仕上圧延機のスタンド間に配置されたインタースタンドクーリングの使用要否及び使用初期流量や、仕上圧延機で用いる潤滑油量や、ランアウトテーブルで用いる冷却パターンなどがある。
　従来、加熱、加工及び冷却に関するプロセスパラメータは、加熱温度の目標値や加工後の寸法目標値、冷却速度の目標値等が圧延製品の仕様毎に設定され、それらの目標値を達成するように温度制御及び寸法制御を行う方法が一般に採用されていた。なお、製品の寸法目標値は、予め指定されるのに対し、各スタンド出側の板厚目標値、温度目標値及び冷却速度目標値は、長年に渡る経験に基づいてその値が決定されていた。ところが、近年、製品仕様への要求の高度化、多様化が著しく、経験に基づく方法ではこれら目標値を必ずしも適正に決めることができない場合がある。
　下記特許文献１には、ある合金組成及びプロセスパラメータの下で製造された製品が所望の製品品質を得るかを事前に検討するために、加熱、加工、及び、冷却の各製造工程をモデル化したプロセスモデルを用いて、製造工程をオフラインでシミュレーションする装置が開示されている。
　さらに、材質特性の管理も、従来の保証範囲で行われていた管理よりも更に厳しくする必要性が生じてきている。従来では、ＪＩＳ（日本工業規格）に規定されているように、材質特性が基準値を超えることがその条件（許容範囲）とされていた。例えば、製品から取り出したサンプルを用いて引張試験を行い、測定値が基準値を超えるか否かを判断していた。しかし、近年では、製品出荷後の工程においても高精度化が要求されている。上述したような従来の許容範囲では、例えば、下工程である成形工程（絞り、曲げ、プレス等）において十分とは言えない場合がある。被圧延材が硬すぎて成形し難いケースやプレス後のスプリングバック量（弾性回復量）が大き過ぎて形状凍結性に乏しいケース、成形時にエッジが割れるケース等が発生することがあった。このため、経験に基づく設定方法及び材質特性の管理方法では、上述の各目標値を必ずしも適切に制御できていないといった問題が生じていた。
　圧延プロセスの工程を管理する従来の方法として、圧延ラインに配置された温度計の出力値を用いて圧延コイル全体の温度を管理し、更に、圧延温度と関係の深い材質特性を管理するものがある。具体的には、圧延ラインの加熱炉の出側、粗圧延機の入側及び出側、仕上圧延機の入側及び出側、コイラの入側等に、温度計をそれぞれ配置する。温度計は、被圧延材のうち、板幅方向（以下、単に「幅方向」ともいう）における中央部の温度を計測する。そして、上位計算機から経験に基づいて決められた目標温度に温度計からの出力値が一致するように制御を行う。このように、従来では、圧延プロセスの工程を管理する際に、被圧延材の幅方向における材質特性は考慮されていなかった。
　被圧延材の幅方向端部（エッジ）は冷えやすく、中央部との間で温度差が生じる。圧延ラインに、被圧延材の幅方向端部の温度を上昇させための装置や被圧延材の幅方向端部の温度の低下を防止するための装置が備えられる場合がある。例えば、圧延後冷却中においてエッジマスクでエッジ部に冷却水がかからないようにする。また、仕上圧延前にエッジヒータなどの誘導加熱装置でエッジ部を加熱昇温する。
　更に、近年では、上記装置の効果を検証するため、上記装置の前後にスキャンパイロメータを設置する場合がある。スキャンパイロメータを使用すれば、被圧延材の幅方向の温度分布を計測することができる。また、近年圧延ラインで採用されているマルチゲージにも、被圧延材の幅方向の温度分布を測定値の補正に用いるためにスキャンパイロメータが採用されている。マルチゲージは、板厚及びクラウン、板幅等を１台で計測する複合型計測器であり、その計測精度が近年著しく向上している。
　このように、圧延ラインには、被圧延材の幅方向の温度分布を計測するための機器が導入されつつある。また、被圧延材の幅方向の温度分布を計算し、制御に活用しようとする試みが一部でなされている。下記特許文献２には、圧延材の板厚方向及び幅方向の温度分布を計算する手段が開示されている。また、下記特許文献３には、幅方向の温度分布の計算に基づいてエッジヒータを制御することで、幅方向の温度を均一化する方法が開示されている。
　また、板厚や板幅、形状などと同様に材質についても、未達成部が発生した場合には、一般的に、下工程のディバイディングラインにおいて、実績データと比較しながら、余裕（マージン量）を加味して、この未達成部を切り落とすことが要求される。この時切り落とす量は歩留りに直接関係するものの、従来では、この切り落とす量を決定するに際し、概略決定しているに過ぎなかった。このような状況に鑑み、材質未達成部が発生した場合でも、歩留り向上の観点から、切り落とす量の最適化を図ること、更には、プロセス改善により材質未達成部を極力減らすことが望まれていた。
　このため、従来、圧延工程での加熱、加工、冷却等の製造条件を入力として、特性予測モデルを用いて圧延製品の特性を予測することにより、特性制御が試みられている。
　下記特許文献４には、被圧延材のミクロ組織の変化及び最終製品の機械的性質を予測する冶金現象を数式化したモデルについて、一部の製品コイルに対して実施される引張試験や組織観察など機械的性質の測定試験結果で得られる機械的性質の実績値を用いてモデル学習する方法が開示されている。下記特許文献５には、長手方向及び幅方向の二次元方向における位置と材料特性値とを関連付けた材質分布を出力する方法が開示されている。下記特許文献６には、操業条件と材質実績を蓄積しておき、類似した操業条件を探索し、オンラインで製品コイルのあらゆる位置の材質をメッシュ状に推定する方法が開示されている。また、下記特許文献７には、ニューラルネットワークを用いて材質を予測する方法が開示されている。
日本特許第６２９２３０９号公報 日本特許第６１９７６７６号公報 日本特許第６４４７７１０号公報 日本特許第５３９６８８９号公報 日本特開２０２２－４８０３７号公報 日本特許第６０８６１５５号公報 日本特開２００５－３１５７０３号公報
　しかしながら、特許文献４や特許文献５に示されているような冶金現象を数式化したモデルに基づく材質特性予測は、ミクロ現象を忠実にモデル化した高精度なモデルほど、計算負荷が大きい。例えば、製品コイルにおける計算点が数点であっても、数秒の計算時間を要する場合がある。例えば、１ｋｍの製品コイルを圧延方向２ｍピッチ、板厚方向３点、板幅方向５点のメッシュ粗さで予測したい場合、計算点が７５００点となり、仮に１計算点あたりの計算量を１秒とした場合、２時間以上の計算時間を要する。圧延操業は、同等、または、類似の製品区分を連続して圧延する場合が多い。当該材の結果を次材や、同ロット内の材の操業変更に反映したい場合、１コイルにつき２～５分程度の間隔で圧延される場合もあるのに対し、時間がかかりすぎる。
　また、特許文献６や特許文献７では、過去の操業条件と材質実績の関係性を探索やモデル化し、経験則に基づいて、新規に圧延される製品コイルの材質を予測する。このような経験則モデルは、一般に高速であることが知られ、計算負荷の課題解決に寄与する。しかしながら、過去の操業条件と材質実績に基づくモデルでは、複雑な材質挙動をモデル化する際の近似精度に限界があり、十分な予測精度が期待できない。
　本開示は、上述のような課題を解決するためになされたものである。本開示は、圧延製品群全体の材質特性の予測をオンラインで高速に精度よく行うことができる圧延製品の材質特性予測装置を提供することを目的とする。
　第１の観点は、圧延ラインで製造される圧延製品の材質特性を予測する圧延製品の材質特性予測装置に関連する。圧延製品の材質特性予測装置は、前記圧延ラインで製造される圧延製品群の材質特性を網羅的に予測する近似モデルをオフラインで作成する近似モデル作成部と、前記近似モデル作成部により作成された前記近似モデルを用いて、前記圧延ラインで製造される圧延製品の三次元メッシュ状の各区域における材質特性をオンラインで予測する材質特性予測部と、を備える。前記近似モデル作成部は、前記圧延製品群の圧延条件を設定する条件設定部と、前記圧延条件での冶金現象と材質特性を計算する材質計算部と、を有し、前記近似モデルの作成に用いるデータセットを作成するデータセット作成部と、前記データセット用いて前記近似モデルを表現するパラメータを決定するモデルパラメータ決定部と、を備える。
　第２の観点は、第１の観点に加えて、次の特徴を更に有する。前記データセット作成部は、前記条件設定部により設定された前記圧延条件を説明変数とし、前記材質計算部により計算された前記材質特性を目的変数とする前記データセットを作成する。
　第３の観点は、第１の観点に加えて、次の特徴を更に有する。前記材質特性予測部は、前記圧延ラインで圧延製品を製造する際に得られる圧延データをオンラインで収集する圧延データ収集部と、前記圧延データ収集部が収集した前記圧延データから前記近似モデルへの入力データをオンラインで作成するモデル入力作成部と、前記モデル入力作成部により作成された前記入力データを前記近似モデルに入力することにより、製品コイルの三次元メッシュ状の各区域の材質特性をオンラインで計算する近似モデル計算部と、前記近似モデル計算部が計算した前記各区域の材質特性、前記圧延製品内の前記各区域の位置を表す情報、及び前記材質特性と関連性を有する情報とを出力する材質特性出力部と、を備える。
　第４の観点は、第１の観点に加えて、次の特徴を更に有する。前記近似モデルは、機械学習モデルである。
　第５の観点は、第１から第４の観点のいずれか１つに加えて、次の特徴を更に有する。前記材質特性予測部は、前記近似モデル計算部が前記近似モデルを用いて計算した材質特性を、冶金現象を数式化した冶金現象モデルを用いて計算した材質特性結果を用いて補正する材質特性補正部を備える。
　本開示によれば、実際の圧延プロセスで未実施の圧延条件（温度条件、加工条件、時間・速度条件）や実施経験の少ない圧延条件に対応するデータセットをも予め作成し、作成したデータセットを用いて近似モデルをオフラインで作成することで、圧延製品群全体に対応可能であり、且つ、近似精度の高い近似モデルを作成することができる。このように作成した近似モデルを用いることで、圧延製品の三次元メッシュ状の各区域における材質特性をオンライン予測するための計算負荷を小さくすることができる。しかも、圧延製品のあらゆる区域（部位）の材質特性の高速計算が可能となるため、当該圧延製品の結果を、次の圧延製品や、同一ロット内の圧延製品の操業変更に反映させることも可能となる。
実施の形態１による圧延製品の材質特性予測装置が適用される熱間薄板圧延ラインの一例を示す図である。 実施の形態１による圧延システムを示すブロック図である。 実施の形態１による圧延製品の材質特性予測装置の機能を示すブロック図である。 圧延製品の材質特性予測装置のハードウェア構成の一例を示す図である。 近似モデル作成部の構成を示すブロック図である。 データセット作成部で作成するデータセットを説明するための図である。 説明変数の冷却パターンの一例を説明するための概要図である。 データセット作成部の構成とデータセットの作成を説明するための図である。 条件設定部による材質計算部及び説明変数の設定を説明するための図である。 材質計算部による冶金現象計算と目的変数の設定を説明するための図である。 近似モデルの一例を示す概略図である。 材質特性予測部の構成を示すブロック図である。 近似モデル計算部が材質特性を計算する対象のメッシュ区域を示す一例の概要図である。 材質特性出力部の出力の一例を示す概略図である。 実施の形態２における材質特性予測部の構成を示すブロック図である。 実施の形態２における材質特性補正部での補正方法を示す概要図である。
　以下、図面を参照して、熱間圧延ラインで製造する圧延製品の材質特性を予測する場合を例に、本発明の実施の形態について詳細に説明する。尚、各図において共通する要素には、同一の符号を付して重複する説明を省略する。
実施の形態１．
［圧延ライン］
　図１は、実施の形態１による圧延製品の材質特性予測装置（以下「予測装置」ともいう）が適用される熱間薄板圧延ライン（以下「圧延ライン」ともいう）の一例を示す図である。本実施の形態では、図１に示す圧延ラインで製造する圧延製品の材質特性を予測する予測装置について説明するが、本開示の予測装置は、他の圧延ラインにも適用可能である。
　圧延ラインは、加熱装置、圧延機、冷却装置、ダウンコイラ、及び、これらを結ぶ搬送テーブルを備える。これらの装置は、電動機や油圧装置などのアクチュエータによって駆動される。具体的には、図１に示す圧延ライン１は、搬送テーブルの上流側から順に、加熱炉２、高圧デスケーリング装置３、粗入側温度計４、粗エッジャ５、粗水平圧延機（以下「粗圧延機」といもいう）６、粗出側温度計７、エッジヒータ８、バーヒータ９、仕上入側温度計１０、クロップシャ１１、仕上入側デスケーリング装置１２、Ｆ１エッジャ１３、仕上圧延機１４、マルチゲージ１５、仕上出側温度計１６、ランアウトテーブル１７、コイラ入側温度計１８、及び、ダウンコイラ１９を備える。
　加熱炉２は、被圧延材（スラブ）を加熱するための炉であり、所望のスラブ昇温パターン、加熱炉抽出温度を得るように制御される。以下の説明において、被圧延材には、スラブ、鋼板のほか、製品コイルとして完成するまでの途中の状態も含まれるものとする。高圧デスケーリング装置３は、加熱炉２を出た被圧延材に対し、上下から高圧水を噴射することで、被圧延材の表面からスケールを除去する。粗入側温度計４は、粗圧延機６の入側（上流側）に配置され、被圧延材の幅方向の中央部の表面（例えば、上面）の温度である粗入側温度を計測する。粗エッジャ５は、被圧延材の板幅方向の圧延を行う。粗圧延機６は、鋼板の板厚方向の粗圧延を行う。粗圧延機６では、被圧延材を所望の厚みにするために複数パスで圧延される。このため、粗圧延機６として、可逆式圧延機を用いることができる。粗出側温度計７は、被圧延材の表面（例えば、上面）の温度を計測する。粗出側温度計５は、粗圧延機６の出側（下流側）に配置される。被圧延材は、粗圧延機６を通過すると、粗出側温度計７によって幅方向の中央部の表面温度が粗出側温度として計測される。
　エッジヒータ８は、被圧延材の温度を制御するために、電磁誘導加熱等により、被圧延材の幅方向端部（エッジ）を昇温する装置である。バーヒータ９は、被圧延材の温度を制御するために、電磁誘導加熱等により、被圧延材全体を昇温する装置である。仕上入側温度計１０は、仕上圧延機１４の入側に配置され、被圧延材の幅方向の中央部の表面（例えば、上面）の温度である仕上入側温度を計測する。クロップシャ１１は、鋼板の先端部及び尾端部を切断する。仕上入側デスケーリング装置１２は、仕上圧延機１４の入側において鋼板の表面からスケールを除去する。Ｆ１エッジャ１３は、仕上圧延機１４の入側に配置され、そのローラが被圧延材に側方から接触する。Ｆ１エッジャ１３は、被圧延材の幅が狭くなるように座屈しない範囲で被圧延材を変形させる。仕上圧延機１４は、単数または複数のスタンドからなり、図１に示す例では、７つのスタンドからなるタンデム式仕上圧延機である。仕上圧延機１４は、被圧延材を所定の板厚に仕上げ圧延する。
　マルチゲージ１５は、各種計測を１台の装置で行うことができる複合型計測器である。マルチゲージ１５は、例えば、被圧延材の幅方向に複数のＸ線検出器を並べた形態を有する。マルチゲージ１５は、例えば、被圧延材の幅方向の板厚分布を計測する。マルチゲージ１５を１台用意することにより、被圧延材の板厚、クラウン、板幅を計測することができる。近年、マルチゲージ１５は、計測精度が大幅に向上している。このため、板厚計及びクラウン計、板幅計をそれぞれ手配するよりもマルチゲージ１５を１台手配する方が割安であり、マルチゲージ１５の熱間圧延ラインへの導入が進んでいる。マルチゲージ１５は、内部に温度計やスキャンパイロメータを備える。マルチゲージ１５は、被圧延材の温度を計測し、その計測値をＸ線検出器の検出値の補正に用いている。
　仕上出側温度計１６は、被圧延材の表面（例えば、上面）の温度を計測する。仕上出側温度計１６は、仕上圧延機１４の出側（下流側）に配置される。仕上出側温度計１６は、仕上圧延機１４を通過した被圧延材の幅方向の中央部の表面温度を、仕上出側温度として計測する。仕上出側温度計１２は、仕上圧延機１０の出側に配置される。被圧延材の仕上出側温度は、製品の金属組織の形成や材質（引張り強さ、降伏応力、伸び等）と密接に関連している。このため、被圧延材の仕上出側温度は、適切に管理される必要がある。
　ランアウトテーブル１７は、圧延製品の温度を制御するために、冷却水により被圧延材を冷却する冷却装置である。ランアウトテーブル１７は、被圧延材の温度を制御するため、例えば、ノズルから被圧延材の表面に対して冷却水を供給する。ランアウトテーブル１７は、被圧延材の長手方向（搬送テーブルの搬送方向）に多数のノズルを備える。これらのノズルは、複数のバンクに分けられる。ノズルに対する制御は、バンク毎に行われ、被圧延材の冷却速度が制御される。冷却水を供給するバンクでは水冷が、冷却水が供給されないバンクでは空冷が行われる。なお、圧延ラインは、冷却装置として冷却テーブル、強制冷却装置などをさらに備えてもよい。
　コイラ入側温度計１８は、ダウンコイラ１９の入側（上流側）に配置される。被圧延材は、ランアウトテーブル１７を通過した後、コイラ入側温度計１８によって幅方向の中央部の表面温度が巻取温度として計測される。仕上出側温度計１２は、仕上圧延機１０の出側に配置される。被圧延材の巻取温度は、製品の金属組織の形成や材質（引張り強さ、降伏応力、伸び等）と密接に関連している。このため、被圧延材の巻取温度は、適切に管理される必要がある。
　ダウンコイラ１９は、圧延製品を巻き取り、搬送容易な形状にするための装置である。搬送テーブルは、各工程における圧延製品を次の工程に搬送するための装置である。これらの装置は電動機や油圧装置などのアクチュエータにより駆動される。
　図１に示す圧延ライン１は、スキャンパイロメータ２０をさらに備える。スキャンパイロメータ２０は、被圧延材の表面（例えば、上面、又は、上面及び下面）の温度を、少なくとも被圧延材の幅方向の複数個所において計測する。スキャンパイロメータ２０は、被圧延材の温度を改善するための装置の前後に配置されることが好ましい。図１に示す例では、スキャンパイロメータ２０をエッジヒータ８の前側と、バーヒータ９の後側と、ランアウトテーブル１７の前後とに設置した場合を示している。なお、ランアウトテーブル１７の入側に配置されたスキャンパイロメータ２０は、マルチゲージ１５の内部に備えられている。
［圧延システム］
　図２は、実施の形態１による圧延システム２１を示すブロック図である。圧延システム２１は、圧延ライン１の制御系であり、レベル０からレベル３までの階層構造を有する。レベル０は、圧延ライン１の各装置を駆動する電動機を制御するドライブ制御装置や、圧延ライン１の各装置を駆動する油圧機器（油圧装置）を有する。レベル１は、制御用コントローラ２４を有する。レベル２は、設定計算機２３を有する。レベル３は、生産管理用の上位計算機２２を有する。後述する圧延製品の材質特性予測装置２５は、設定計算機２３と接続され、圧延データを受け取り可能である。
　熱間圧延プロセスにおいては、製品品質や操業条件に関するプロセス条件、即ち、各種プロセスパラメータの目標値を変更することにより製品を作り分けている。目標の製品品質を達成するように、つまり、上記の各種プロセスパラメータの目標値を達成するように、設定計算機２３によるプロセス制御がなされる。
　プロセスパラメータの目標値は、レベル２の設定計算機２３の上位にあるレベル３の上位計算機２２から指定される場合がある。そのほか、プロセスパラメータの目標値は、設定計算機２３に属するデータベースにテーブルを持ち、鋼種、板厚、板幅などをキーとして指定される場合がある。また、プロセスパラメータの目標値は、オペレータの手動介入によって圧延中に変更される場合がある。
　設定計算機２３は、圧延ライン１における加熱、圧延、冷却、搬送などの各プロセスの物理現象を表現したモデル式を有する。設定計算機２３は、プロセスの物理現象を表現したモデル式を用いて、実操業において上記の各種プロセスパラメータの目標値（プロセス条件）を達成するように、設定計算を行う。設定計算では、各種アクチュエータの制御目標値の算出と、プロセスの各段階における圧延材の状態（金属材料の状態予測値）の算出とを、繰り返し行う。
　アクチュエータの制御目標値とは、圧延機６，１４のロールギャップや、圧延速度、搬送速度、デスケーラや各種スプレーの流量、ランアウトテーブルのバルブのＯＮ／ＯＦＦなどである。プロセスの各段階における圧延材の状態（金属材料の状態予測値）とは、寸法や形状、温度、ミクロ組織などである。
　制御用コントローラ２４は、設定計算機２３から設定計算結果を受け取り、制御目標値に追従するように、各種アクチュエータを制御する。実操業の熱間圧延プロセスでは、圧延ライン１の随所に各種センサが設置され、温度、形状、板厚、板幅、圧延荷重など、プロセス制御に影響を及ぼすパラメータの実績値を監視、収集する。
　これらの実績値は、プロセス制御やモデル式の精度向上、品質管理に用いられる。プロセスパラメータの目標値と、各種センサで取得した実績値や、実績値と計算値から設定計算機２３によって再計算された実績計算値とを比較し、プロセスパラメータの目標値が達成されない場合、設定計算機２３は再度設定計算する。その結果に基づいて、フィードフォワード制御や、フィードバック制御や、ダイナミック制御などの各種制御がなされる。
　プロセスのモデル式が、物理現象を精度よく模擬する場合でも、現実には、モデル予測誤差が生じる。よって、エンジニアがモデル式内の各項にかかる係数や定数を微調整し、モデル式の予測精度を高めている。調整項は、モデル式内の各項の係数や定数であり、モデル誤差の生じやすい因子、例えば、鋼種、目標板厚、目標板幅、目標温度などで区分された層別テーブルを用いて、層別毎に設定計算機２３に属するデータベース内で管理される。調整項は、操業立ち上げ時の他は、主に、新しい鋼種の圧延時や、新しいプロセスパラメータの組み合わせで圧延される場合に調整される。調整項は、エンジニアが経験や数値解析結果に基づいて調整される場合や、近年では、ニューラルネットワークなどの統計的手法を用いて半自動調整される場合がある。学習項は、モデル出力と、実際のプロセスの出力との誤差を埋めるために、モデル式に対して乗算及び加算される項である。
［圧延製品の材質特性予測装置］
　図３は、実施の形態１による圧延製品の材質特性予測装置２５の機能を示すブロック図である。予測装置２５は、図１に示す圧延ライン１で圧延される製品コイルの機械的性質を予測する。予測装置２５は、近似モデル作成部２６と材質特性予測部２７とを備える。
　図４は、予測装置２５のハードウェア構成の一例を示す図である。予測装置２５の後述する各機能は、図４に示す処理回路２５０により実現することができる。この処理回路２５０は、専用ハードウェア２５１であってもよい。この処理回路は、プロセッサ２５２及びメモリ２５３を備えていてもよい。この処理回路は、一部が専用ハードウェア２５１として形成され、更にプロセッサ２５２及びメモリ２５３を備えていてもよい。図４の例は、処理回路２５０の一部が専用ハードウェア２５１として形成されるとともに、処理回路２５０がプロセッサ２５２及びメモリ２５３をも備えている。
　処理回路２５０が、少なくとも１つの専用ハードウェア２５１であってもよい。この場合、処理回路２５０は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、又はこれらを組み合わせたものが該当する。
　処理回路２５０が、少なくとも１つのプロセッサ２５２及び少なくとも１つのメモリ２５３を備えてもよい。この場合、予測装置２５の各機能は、ソフトウェア、ファームウェア、又はソフトウェアとファームウェアとの組み合わせにより実現される。ソフトウェア及びファームウェアはプログラムとして記述され、メモリ２５３に格納される。プロセッサ２２５２は、メモリ２５３に記憶されたプログラムを読み出して実行することにより、近似モデル作成部２６及び材質特性予測部２７の機能を実現する。プロセッサ２５２は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、ＤＳＰとも呼ばれる。メモリ２５３は、例えば、ＲＡＭ、ＲＯＭ、フラッシュメモリー、ＥＰＲＯＭ、ＥＥＰＲＯＭ等の、不揮発性又は揮発性の半導体メモリ等が該当する。このように、処理回路２５０は、ハードウェア、ソフトウェア、ファームウェア、又はこれらの組み合わせによって、予測装置２５の各機能を実現することができる。
　近似モデル作成部２６は、圧延ライン１で製造される熱間圧延製品群、即ち、圧延ライン１で製造され得るあらゆる鋼種、寸法、操業条件の圧延製品（製品コイル）の機械的性質を網羅的に、且つ、高速に予測する近似モデル３９を作成する。網羅的とは、圧延ライン１で製造されたことのある圧延製品の機械的性質だけでなく、圧延ライン１で今後製造される可能性のある圧延製品の機械的性質も網羅することを意味する。以下、近似モデル作成部２６の詳細について説明する。
　図５は、近似モデル作成部２６の構成を示すブロック図である。近似モデル作成部２６は、データセット作成部２８と、モデルパラメータ決定部２９を備える。データセット作成部２８は、近似モデル３９の作成に用いるデータセットを作成する。モデルパラメータ決定部２９は、データセット作成部２８が作成したデータセットを用いて、近似モデル３９を表現するパラメータを最適化手法などで決定する。
　図６は、データセット作成部２８で作成するデータセットを説明するための図である。データセット作成部２８で作成されるデータセット３６は、説明変数３７のデータと、目的変数３８のデータとが対をなしている（ペアとなっている）データの集合体である。それぞれのペアは、ある操業条件の一部に相当する説明変数３７のデータと、その操業条件下で圧延ライン１によって製造したコイルの機械的性質に相当する目的変数３８のデータとで、構成される。操業条件には、さまざまあるが、説明変数３７としては、特に機械的性質と相関のある操業条件（以下「第１操業条件」という）が選択され、例えば、化学成分、温度条件、加工条件、時間条件、速度条件、などである。化学成分は、鋼種を作り分けるために鉄鋼中の含有量が調整されている。Ｃ、Ｍｎ、Ｓｉ、Ｎｂ、Ｎ、Ｔｉなど機械的性質に寄与する化学成分を説明変数３７に含めておく。温度条件は、化学成分と同様に鋼種を作り分けるために調整されており、機械的性質への寄与が大きい。製品コイルのある部位の温度履歴は時系列データであるが、説明変数３７として与える場合、時系列データを要所要所で瞬時的に切り取った１次元データを与える。例えば、加熱炉抽出温度＝１２００℃、粗圧延入側温度＝１１００℃、粗圧延出側温度＝１０００℃、仕上圧延入側温度９５０℃、仕上圧延出側温度＝９００℃、巻取温度＝６５０℃、などのように一次元データをそれぞれの説明変数３７に与えて、機械的性質に影響を与える主要な温度履歴を表現する。オンラインでの製品圧延時に温度計やスキャンパイロメータで実測できる温度、及び、設定計算機２３で実績再計算される温度で、機械的性質に影響を及ぼす温度条件を説明変数３７として選択する。加熱炉抽出温度や粗圧延入側のように製品毎にバラツキが生じる可能性がある温度条件を説明変数３７とする。また、仕上圧延出側温度や巻取温度のように圧延方向や幅方向で異なる温度条件、粗圧延入側温度や粗圧延出側温度など、幅端部で温度低下が生じる温度条件も説明変数３７とする。さらに、ランアウトテーブル１７における冷却条件によって温度経路を調整することで、機械的性質が作り込まれる。具体的には、仕上出側温度及び巻取温度の目標温度に加え、水冷部箇所、水冷速度、水冷時間、空冷時間、などの冷却パターン条件の一部が設定及び制御される（ノーマルクーリング）。更に、ランアウトテーブル１７を前半部と後半部に分けて、その中間点に中間温度計を設置し、上記の目標温度に加え、中間温度計の目標温度と、ランアウトテーブル１７の前半部と後半部のそれぞれについて冷却パターン条件を設定及び制御する場合もある（ステップクーリング）。よって、後述する冷却パターン条件も説明変数に加える。加工条件は、各スタンドの圧下率、ひずみ速度などの操業条件である。圧下率やひずみ速度はミクロ組織に影響を与え、その結果、最終的な機械的性質にも影響を及ぼすことが知られている。各スタンドの加工条件として説明変数に加える。もしくは、仕上圧延全体の平均、仕上圧延後半スタンドの平均などの集約情報として説明変数に加えてもよい。時間条件は、加熱炉内でのスラブ材炉時間である加熱炉材炉時間や粗圧延後から仕上圧延開始までの時間である粗仕上間時間、など、製品ごとにバラツキがあり、かつ、機械的性質に影響を及ぼす条件を説明変数に加えることで、機械的性質の製品毎のバラツキの予測性能が向上する場合がある。また、各所における圧延速度や搬送速度など、圧延方向の先端から尾端にかけて変化し、かつ、機械的性質に影響を及ぼす速度条件も説明変数に含めることで、製品内の機械的性質のバラツキの予測性能が向上する場合がある。目的変数となる機械的性質は、降伏応力、引張強さ、伸びなどである。データセット３６は、圧延ライン１で製造されるあらゆる鋼種、寸法のコイルの、長手方向の先端、尾端、幅方向の端部なども含むあらゆる場所における操業条件、及び、その操業条件で圧延された場合の機械的性質を網羅的に含む。
　図７は、説明変数３７の冷却パターンの一例を説明するための概要図である。図７では、ノーマルクーリングの冷却パターンの例を示している。図７の例では、ランアウトテーブル１７の上流側バンクを設定計算による初期の冷却設定及び仕上温度実績値を用いたフィードフォワード制御に用いている。また、最下流の２バンクは、巻取温度実績を用いたフィードバック制御、フィードバック制御に用いるバンクの上流のバンクは、搬送速度変化に追従するためのダイナミック制御に用いている。図７のような冷却パターンを説明変数で表現するために、例えば、水冷部冷却速度、前半部の水冷部冷却速度、後半部の水冷部冷却速度、前半部の平均冷却速度、後半部の平均冷却速度、フィードバックバンクの水冷部冷却速度を説明変数とする。例えば、水冷部冷却速度Vcoolは、ダイナミック制御バンクとフィードバック制御バンクを除いたバンクでの水冷による温度降下を対象とし、下式（１）で計算する。
Figure JPOXMLDOC01-appb-M000001
 　ここで、tW_sは、ダイナミック制御バンクとフィードバック制御バンクを除いた水冷開始時刻であり、tW_eは、ダイナミック制御バンクとフィードバック制御バンクを除いた水冷終了時刻であり、TW_sは、水冷開始時温度であり、TW_eは、水冷終了時温度である。
　ランアウトテーブル１７では、前半部で冷却する場合と後半部で冷却する場合で機械的性質に与える影響が異なることが知られている。前半部の水冷部冷却速度、後半部の水冷部冷却速度、前半部の平均冷却速度、後半部の平均冷却速度などを計算し、説明変数とする。例えば、前半部の水冷部冷却速度VE_coolは、仕上出側温度から中間温度間のバンクでの水冷による温度降下を対象とし、下式（２）で計算する。
Figure JPOXMLDOC01-appb-M000002
 　ここで、tE_sは、前半バンク水冷開始時刻であり、tE_eは、前半バンク水冷終了時刻であり、TE_sは、前半バンク水冷開始時温度であり、TE_eは、前半バンク水冷終了時温度である。
　また、後半部の水冷部冷却速度も、後半部の時刻及び温度情報を使って計算することで、説明変数に含ませる。例えば、前半部の平均冷却速度VE_aveは、仕上出側温度から中間温度間のバンクでの水冷及び空冷での温度降下を対象とし、下式（３）で計算する。
Figure JPOXMLDOC01-appb-M000003
 　ここで、tFDTは、仕上出側温度通過時刻であり、tMTは、中間温度通過時刻であり、TFDTは、仕上出側温度であり、TMTは、中間温度である。
　また、後半部の平均冷却速度も、後半部の時刻及び温度情報を使って計算することで、説明変数に含ませる。巻取温度を制御するためのフィードバック制御によって、被圧延材の圧延方向でフィードバックバンクによる冷却パターンが異なり、その結果、機械的性質に影響を及ぼす場合がある。このような外乱を考慮するためにフィードバックバンクの水冷部冷却速度を説明変数に加える。フィードバックバンクの水冷部冷却速度VFB_coolは、フィードバックバンクの水冷部を対象とし、下式（４）で計算する。
Figure JPOXMLDOC01-appb-M000004
 　ここで、tFB_sは、フィードバックバンク水冷開始時刻であり、tFB_eは、フィードバックバンク水冷終了時刻であり、TFB_sは、フィードバックバンク水冷開始時温度であり、TFB_eは、フィードバックバンク水冷開始時温度である。
　図８は、データセット作成部２８の構成とデータセットの作成を説明するための図である。データセット作成部２８は、条件設定部３０と材質計算部３１とを備える。条件設定部３０は、データセット３６の説明変数３７に関わる第１操業条件を設定する。また、条件設定部３０は、金属組織計算部４４での冶金現象モデルによる金属組織計算に必要な化学成分や加工履歴、温度履歴などの操業条件（以下、金属組織計算部４４が用いる冶金現象モデルの入力に関わる操業条件を「第２操業条件」という）を材質計算部３１に設定する。第１操業条件と第２操業条件は、同じデータも含まれるが、異なるデータも含まれる。例えば、冶金現象モデルは時々刻々のミクロ組織の変化を予測する。よって、第２操業条件には加工履歴や温度履歴などの各設備位置や各時刻における空間的及び時間的に連続性を持つデータが含まれる。材質計算部３１は、設定された第２操業条件に基づいて冶金現象と機械的性質を計算する。また、材質計算部３１は、データセット３６の目的変数３８のデータを設定する。
　図９は、条件設定部３０による材質計算部３１及び説明変数３７の設定を説明するための図である。条件設定部３０は、例えば、操業条件抽出部４０、操業条件作成部４１、材質計算入力設定部４２、説明変数設定部４３などで構成される。
　操業条件抽出部４０は、例えば、オフラインの設定計算機によって仮想圧延した仮想コイルの仮想圧延データから、化学成分や加工履歴、温度履歴などの上述した説明変数３７に関わる第１操業条件と、材質計算部３１で用いる第２操業条件を抽出する。
　上記のオフラインの設定計算機は、例えば、特許文献１のような装置であり、オンラインの設定計算機とプロセスパラメータを同期することで、実操業を模擬できる。これによって、実操業に負荷をかけることなく、多様な操業条件をオフラインの設定計算によって作成できる。例えば、実操業で製造経験のない製品、圧延条件であっても、各種機械制約を満たした操業を模擬できる。
　材質計算部３１で用いる操業条件や説明変数３７は、実際に圧延した製品コイルの実圧延データから抽出した操業条件や説明変数３７を含めてもよい。または、有限要素解析結果などの、設定計算よりも詳細な解析データを用いて製品内の各部位のひずみなどの加工履歴や温度履歴などの操業条件を作成してもよい。
　近似モデル３９の適用可能な操業条件には、実操業では計測や計算されない外乱を含めておくべきである。外乱とは、例えば、化学成分のばらつき、加熱炉再加熱での温度ムラ、予期しない仕上圧延前のオシレーションによる圧延材の温度低下、スプレー不具合によって冷却速度が確保できない、などである。外乱は、上記オフラインの設定計算機で模擬的に作成する。または、実圧延データもしくは仮想圧延データの加工履歴や温度履歴に直接外乱を加えてもよい。
　操業条件作成部４１では、実圧延データや仮想圧延データを複製して作成した圧延データの一部に意図的に外乱を模擬した変更を加える。
　材質計算入力設定部４２は、操業条件抽出部４０で抽出した操業条件、もしくは、操業条件抽出部４０で抽出した操業条件に対して操業条件作成部４１で外乱に相当する変更を加えた操業条件、もしくは、操業条件抽出部４０を介さず操業条件作成部４１で有限要素解析結果などの外部データから作成した操業条件などを材質計算部３１に渡す。
　説明変数設定部４３は、操業条件抽出部４０で抽出した操業条件、もしくは、操業条件抽出部４０で抽出した操業条件に対して操業条件作成部４１で外乱に相当する変更を加えた操業条件、もしくは、操業条件抽出部４０を介さず操業条件作成部４１で作成した操業条件から、説明変数３７に該当するデータを抽出し、データセット３６に説明変数３７として追加する。
　図１０は、材質計算部３１による冶金現象計算と目的変数３８の設定を説明するための図である。材質計算部３１は、金属組織計算部４４、材質特性計算部４５、目的変数設定部４６で構成される。
　金属組織計算部４４は、条件設定部１１の材質計算入力設定部４２で設定された化学成分や加工履歴、温度履歴などの圧延データを用いて、冶金現象を数式化した冶金現象モデルで金属組織を計算する。計算対象の金属組織の特性としては、フェライト、パーライト、ベイナイト、マルテンサイトの体積率や、フェライト、オーステナイトの粒径等がある。冶金現象モデルは、様々なものが提案されており、静的回復、静的再結晶、動的回復、動的再結晶、粒成長、変態を表す数式群からなる。このモデルの一例が、塑性加工技術シリーズ７板圧延（コロナ社）Ｐ１９８～２２９に掲載されている。このモデルを用いることにより、フェライト、パーライト、ベイナイト、マルテンサイト等の体積率や、オーステナイト粒径、フェライト粒径を計算できる。ミクロオーダの組織の変化を扱うため、計算ステップや計算領域を細分化する必要があり、計算負荷が大きい。データセット３６には、数千～数万コイルという膨大な説明変数と目的変数のペアが含まれている必要がある。数千～数万ケースの多様な操業条件で金属組織計算部４４を実施するために、実操業のオンライン計算に影響することのない、オフライン環境にて計算する。
　材質特性計算部４５は、上述した圧延データに含まれる化学成分等、及び、金属組織計算部４４から得られる金属組織計算値に基づいて機械的性質を計算する。計測対象の機械的性質としては、降伏応力、引張強さ、伸び等がある。なお、オンラインの設定計算機冶金現象を数式化した冶金現象モデルは、一部の製品コイルに対して実施される引張試験など機械的性質の測定試験結果で得られる機械的性質の実績値を用いて随時モデルを自動学習している場合が多い（例えば、特許文献４の方法など）。しかし、機械的性質実測値は、コイルの先端もしくは尾端などのコイルの一部から切り出した試験片に対して計測されている。よって、一般に上述の圧延方向や板幅方向の温度などの操業条件の違いによる機械的性質の変化の実測値は得られず、冶金現象モデルの学習に反映されない。このような機械的性質実測値を得られた操業条件において、学習を含む冶金現象モデルの機械的性質予測結果が特異的な値となり、操業条件の変化に対して機械的性質予測結果の変化が滑らかでなくなる。材質特性計算部４５では、実操業で自動学習された冶金現象モデルではなく、学習を含まない冶金現象モデルを用いる。
　目的変数設定部４６は、材質特性計算部４５が作成した機械的性質から、目的変数２０に該当するデータを抽出し、材質計算部１２が使用した操業条件から作られた説明変数３７のペアとなる目的変数２０としてデータセット３６に追加する。
　モデルパラメータ決定部２９は、データセット作成部２８で作成されたデータセット３６を用いて、材質計算部１２での負荷の大きい金属組織予測を経た機械的性質予測計算を簡易的に模擬する近似モデル３９を構成するモデルパラメータを決定する。
　図１１は、近似モデルの一例を示す概略図である。近似モデル３９としては、機械学習モデルを用いることができる。図１１に示す例では、入力層、中間層、出力層で構成される順伝播型ニューラルネットワークによって機械学習モデルが構築されている。入力層には、操業条件である説明変数３７が入力される。出力層からは、機械的性質である目的変数２０が出力される。
　順伝播型ニューラルネットワークによる近似モデルを構築する例では、モデルパラメータ決定部２９において、順伝播型ニューラルネットワークのハイパーパラメータ及びパラメータを決定する。ハイパーパラメータには、ネットワーク構成（中間層の層数、ユニット数）、活性化関数の種類、などがある。ハイパーパラメータは、経験的や試行錯誤的に決定される。または、グリッドサーチやベイズ最適化などの近年一般的に用いられる手法で決定される。パラメータは、順伝播型ニューラルネットワークの関数を表現する各ユニットの重み係数やバイアスである。あらゆる操業条件において機械的性質を精度よく予測する関数自体は不明であるが、関数の入力と出力のペアが多数与えられた場合、パラメータを調整することで、この入出力ペアをよく再現する関数を作ることができる。入出力ペアは訓練データと呼ばれる。訓練データの入力（説明変数）を関数に与えたときのニューラルネットワークの出力が、訓練データの出力（目的変数）となるべく近くなるようなパラメータを選択する。データセット作成部２８で作成したデータセット３６の説明変数３７を入力とし、目的変数２０を出力とし、説明変数３７と目的変数２０のペアを用いて、パラメータを調整する。学習には、データセット内のペアの一部、例えば、全体の７０％程を訓練データとして用いる。ニューラルネットワークの表現する関数の再現性を表す尺度として、二乗誤差などで表現される誤差関数などが用いられる。ニューラルネットワークは、誤差関数の最小化問題を解くことで、学習される。順伝播型ニューラルネットワークの学習には、上記の誤差関数の最小化問題を解くための最適化手法として、勾配降下法や、その改良手法としてAdamなどが、知られている。例えば、モデルパラメータ決定部２９は、Adamを用いて順伝播型ニューラルネットワークを学習する。ホールドアウト法や交差検証によってモデル汎化性能を確認した後、必要に応じて、ハイパーパラメータの変更、データセットのデータペアを増やす、データ前処理を見直すなどの機械学習モデル構築で一般に行われる工夫を施した上で、再度、パラメータを調整し直す場合もある。また、機械学習モデルを上記の手順で構築したのち、データセットに新しく説明変数３７と目的変数２０のペアが随時追加される場合は、勾配降下法などを用いて、逐次的に学習することもある。これは、オンラインの圧延データが随時得られる場合や、オフラインの設定計算を随時実行する場合などである。また、定修時最新のデータでデータセットを作り直し、近似モデルを再度構築し、入れ替えてもよい。予測したい機械的性質の種類によって、説明変数の種類を変えることも可能である。機械的性質毎に異なる近似モデルを作成しておくことが好ましい。
　材質特性予測部２７は、圧延ライン１で実際に製造される製品コイルの三次元メッシュ状の各区域の機械的性質を近似モデル作成部２６がオフラインで予め作成した近似モデル３９を用いて、オンラインで予測する。
　図１２は、材質特性予測部２７の構成を示すブロック図である。材質特性予測部２７は、図１２に示すように、圧延データ収集部３２とモデル入力作成部３３と近似モデル計算部３４と材質特性出力部３５を備える。圧延データ収集部３２は、加熱炉から巻き取りまでのコイルの各部位での圧延データを収集する。モデル入力作成部３３は、圧延データ収集部３２が収集した圧延データから近似モデル３９への入力データを作成する。近似モデル計算部３４は、モデル入力作成部３３が作成した入力データと近似モデル３９によって、製品コイルの三次元メッシュ状の各区域の機械的性質を計算する。材質特性出力部３５は、近似モデル計算部３４が計算した機械的性質を製品内の位置を表す情報と共に出力する。
　圧延データ収集部１３は、設定計算機２３が計算した製品コイルの化学成分や加工履歴、温度履歴などの圧延データを収集する。圧延データは、圧延前であれば予測値、圧延中であれば予測値と実績再計算値、圧延後であれば実績再計算値であり、取得タイミングによって、情報精度が異なる。製品品質管理の目的で機械的性質を予測する場合、ダウンコイラ１９で巻き取り完了後の実績再計算値が揃ったタイミングでデータ収集することが好ましい。
　モデル入力作成部３３は、圧延データ収集部１３で収集した製品コイルの圧延データから、製品コイルの三次元メッシュ状の各区域の説明変数３７に相当するデータを近似モデル３９への入力データとして抽出する。圧延データ収集部１３が収集した圧延データが三次元メッシュ状の各区域の説明変数３７の作成に不十分である場合、不足するデータを補って説明変数３７を作成する。例えば、近年では、圧延材の板厚方向及び幅方向の温度分布が、温度計で計測した実績とモデル予測によって計算される場合があるが、計算負荷の関係で、設定計算機２３では、制御に必要なエッジヒータ出側まで幅方向温度分布を計算し、エッジヒータより下流では計算停止するなど、計算範囲を意図的に制限している場合がある。このような場合には、圧延データ収集部１３で下流の、例えば、仕上圧延機出側のマルチゲージで計測された幅方向温度分布の実績値と、モデルが計算したエッジヒータ出側の幅方向温度分布ないしはエッジヒータ出側のスキャンパイロメータの幅方向温度実績分布、エッジヒータ出側から仕上圧延機出側の幅方向中央部の温度履歴計算結果を用いて、幅方向の各メッシュの温度に関する説明変数３７のデータ、例えば、仕上圧延入側温度を線形補間等の補間式を用いて作成する。もしくは、オフライン設定計算機を用いて、幅方向温度分布を計算してもよい。また、板厚方向の圧延時のひずみ速度などの加工履歴の一部は、一般に板幅方向で実施されない。これは、板厚方向の圧延において、ロールと材料の変形域の接触長は材料の幅に比べてかなり短く、材料の幅方向の移動は少なく、厚さ減少分は主として圧延方向の伸びとなるためである。この場合、幅方向中央部で計算されたデータを板幅方向に複製して説明変数３７として用いることができる。また、化学成分など、製品コイルに対して１つの値しか得られないデータは、同じ値を全メッシュで利用する。
　近似モデル計算部３４は、モデル入力作成部３３が作成した入力データを予め近似モデル作成部２６によって作成された近似モデル３９に入力し製品コイルの三次元メッシュ状の各区域の機械的性質を計算する。
　図１３は、近似モデル計算部３４が材質特性を計算する対象のメッシュ区域を示す一例の概要図である。図１３では、簡単のため全長の一部、板幅方向の片側半分（ワークサイドもしくはドライブサイド）を示しているが、近似モデル計算部３４では、全長、及び、全幅を計算対象とする。圧延方向の設定計算間隔は製品板厚によって異なる場合があるが、例えば、２ｍ間隔で圧延データを作成しており、同様の間隔で機械的性質も予測する。板厚方向は、例えば、上面、板厚中央、下面の３点の機械的性質を予測する。幅方向は、例えば、幅端部から４０ｍｍ点（ワークサイド及びドライブサイド）、幅端部と板幅中央部の中間点（板幅１／４点）（ワークサイド及びドライブサイド）、板幅中央点の合計５点の機械的性質を予測する。
　材質特性出力部３５は、近似モデル計算部３４が計算した各区域の機械的性質、圧延製品内の各区域の位置を表す情報、及び機械的性質の変動と関連が大きい情報と共に出力する。上記の圧延製品内の各区域の位置とは、圧延方向先端からの距離、尾端からの距離、幅方向位置、板厚方向位置である。上記の機械的性質と関連性を有する情報とは、機械的性質の変動と関連が大きい情報であり、例えば、仕上出側温度、巻取温度、冷却速度などである。出力先は、データベースなどの記憶装置及びＨＭＩ等の可視化装置である。可視化装置に出力する場合、出力データをグラフに可視化する、もしくは、テーブルなどに数値を示す。これらは、引張試験の実施の有無、製品グレードの判定、ディバイディングラインでの切り落とし長さ、同一ロットの圧延製品のプロセスパラメータを検討する際の参考値として利用する。各区域の機械的性質、圧延製品内の位置を表す情報、及び機械的性質の変動と関連が大きい情報を高速で得られるため、次材や同ロット材の上記プロセスパラメータに反映可能である。
　図１４は、材質特性出力部３５出力の一例を示す概略図である。横軸に圧延方向位置（先端からの距離）、縦軸に引張強度及び巻取温度の変化を示している。また、板厚方向及び幅方向の位置は任意に選択が可能で、この例では、板厚中央、幅方向ワークサイド１／４点が選択されている。引張強さ下限が与えられた場合、引張強さが下限以下となった圧延材の位置、巻取温度との関連性、などの情報が得られる。横軸を板厚方向や板幅方向に変更すると、それぞれの方向の機械的性質分布が可視化できる。この他の出力方法として、製品全体の機械的性質の分布を３次元メッシュ状のヒートマップで可視化してもよい。テーブルで可視化する情報には、例えば、機械的性質未達成の位置情報（先端及び尾端からの距離）、機械的性質の平均値や標準偏差などの基本統計量、機械的性質と説明変数３７の相関係数などがある。
　以上説明したように、本実施の形態によれば、実際の圧延プロセスで未実施の圧延条件（温度条件、加工条件、時間・速度条件）や実施経験の少ない圧延条件に対応するデータセットをも予め網羅的に作成する。このように未実施や実施経験の少ない圧延条件を含むあらゆる圧延条件を網羅するように作成したデータセットを用いて近似モデルをオフラインで作成することで、圧延製品群全体に対応可能であり、且つ、高い近似精度の近似モデルを作成することができる。このように作成した近似モデルを用いることで、あらゆる圧延製品の三次元メッシュ状の各区域における材質特性をオンライン予測するための計算負荷を小さくすることができる。しかも、圧延製品のあらゆる区域（部位）の材質特性の計算、監視が可能となる。これにより、当該圧延製品の結果を、次の圧延製品や、同一ロット内の圧延製品の操業変更に反映させることも可能となる。
実施の形態２．
　次に、図１５及び図１６を参照して、本発明の実施の形態２について説明するが、上述した実施の形態１との相違点を中心に説明し、同一部分または相当部分は同一符号を付し説明を省略する。
　図１５は、実施の形態２による材質特性予測部２７の構成を示すブロック図である。材質特性予測部としての機械的性質予測部２７は、近似モデル計算部３４が前記近似モデル３９を用いて計算した機械的性質（以下「第１機械的性質」という）を、冶金現象を数式化した冶金現象モデルが計算した機械的性質（以下「第２機械的性質」という）を用いて補正する材質特性補正部４７を備える。第２機械的性質を予測する冶金現象を数式化した冶金現象モデルは、過去の圧延製品（製品コイル）の引張試験で得られた機械的性質実績値を用いてモデル学習されている。第２機械的性質は、圧延データの一部として、圧延データ収集部１３によって、オンラインの設定計算機２３から収集する。
　圧延製品の一部、例えば、圧延方向の先端部代表点、中央部代表点、尾端部代表点、それぞれの幅方向中央の機械的性質は、オンラインの設定計算機、もしくは、オンラインの設定計算機と接続されている計算機によって、冶金現象を数式化した冶金現象モデルを用いて計算している場合がある。また、冶金現象を数式化した冶金現象モデルは、一部の製品コイルに対して実施される引張試験や組織観察など機械的性質の測定試験結果で得られる機械的性質の実績値を用いてモデル学習する、もしくは、実際の機械的性質に合うよう調整されている（例えば、特許文献４の方法など）。このように学習や調整された予測された第２機械的性質の予測精度は良好であることが期待できる。
　材質特性補正部４７による第１機械的性質の補正方法の例を示す。近似モデル計算部３４が第１機械的性質を計算する対象のメッシュ区域のうち、区域jにおいて、第２機械的性質が得られたとする。以下では、機械的性質が引張強さである場合を例に説明する。
　まず、第２機械的性質が得られたメッシュ区域jにおける、第２機械的性質と第１機械的性質の差を下式（５）で求める。
　　　　ΔTS(j)=TSMM(j)- TSML(j)・・・（５）
　ここで、jは、第２機械的性質が得られたメッシュ区域を示すインデックスであり、TSMM(j)は、実圧延データに含まれる第２機械的性質であり、TSML(j)は、近似モデル計算部３４が計算した第１機械的性質であり、ΔTS(j)は、第２機械的性質と第１機械的性質の差である。
　図１５は、本発明の実施の形態２における材質特性補正部４７での補正方法を示す概要図である。例えば、圧延方向の先端部代表点、中央部代表点、尾端部代表点、それぞれの幅方向中央の第２機械的性質が得られた場合、上記の３点におけるΔTS(j)を用いて、線形補間などによって、他のメッシュ区域iで想定される第２機械的性質と第１機械的性質の差ΔTS(i)を計算する。
　続いて、第２機械的性質と第１機械的性質の差ΔTS(i)を用いて、メッシュ区域iを下式（６）で補正する。
　　　　TScomp(i)=TSML(i) + α・ΔTS(i)・・・（６）
　ここで、iは、引張強さを補正する対象のメッシュ区域を示すインデックスであり、TSML(i)は、近似モデル計算部３４が近似モデル３９によって計算した引張強さであり、αは、補正調整係数（＝０～１）であり、TScomp(i)は、補正した引張強さである。
　以上説明したように、本実施の形態によれば、材質特性補正部４７を備えるため、圧延製品のあらゆる部位の機械的性質の予測精度を向上できる。しかも、実操業圧延のオンライン計算に影響を及ぼすこともない。なお、上記では材質特性の機械的性質を予測する例を説明したが、電磁的性質についても同様である。
　以上、本発明の実施の形態について説明したが、本発明は、上記の実施の形態に限定されるものではなく、本発明の趣旨を逸脱しない範囲で種々変形して実施することができる。上述した実施の形態において各要素の個数、数量、量、範囲等の数に言及した場合、特に明示した場合や原理的に明らかにその数に特定される場合を除いて、その言及した数にこの発明が限定されるものではない。また、上述した実施の形態において説明する構造等は、特に明示した場合や明らかに原理的にそれに特定される場合を除いて、この発明に必ずしも必須のものではない。
　上記実施の形態では、材質特性として機械的性質を予測する場合を例に説明したが、電磁的性質を予測する場合についても同様である。
　１…圧延ライン、２５…圧延製品の材質特性予測装置、２６…近似モデル作成部、２７…材質特性予測部、２８…データセット作成部、２９…モデルパラメータ決定部、３０…条件設定部、３１…材質計算部、３６…データセット、３７…説明変数、３８…目的変数、４７…材質特性補正部

Claims (5)

  1. 　圧延ラインで製造される圧延製品の材質特性を予測する圧延製品の材質特性予測装置であって、
    　前記圧延ラインで製造される圧延製品群の材質特性を網羅的に予測する近似モデルをオフラインで作成する近似モデル作成部と、
    　前記近似モデル作成部により作成された前記近似モデルを用いて、前記圧延ラインで製造される圧延製品の三次元メッシュ状の各区域における材質特性をオンラインで予測する材質特性予測部と、を備え、
    　前記近似モデル作成部は、
    　　前記圧延製品群の圧延条件を設定する条件設定部と、前記圧延条件での冶金現象と材質特性を計算する材質計算部と、を有し、前記近似モデルの作成に用いるデータセットを作成するデータセット作成部と、
    　　前記データセット用いて前記近似モデルを表現するパラメータを決定するモデルパラメータ決定部と、を備える圧延製品の材質特性予測装置。
  2. 　前記データセット作成部は、前記条件設定部により設定された前記圧延条件を説明変数とし、前記材質計算部により計算された前記材質特性を目的変数とする前記データセットを作成する請求項１に記載の圧延製品の材質特性予測装置。
  3. 　前記材質特性予測部は、
    　前記圧延ラインで圧延製品を製造する際に得られる圧延データをオンラインで収集する圧延データ収集部と、
    　前記圧延データ収集部が収集した前記圧延データから前記近似モデルへの入力データをオンラインで作成するモデル入力作成部と、
    　前記モデル入力作成部により作成された前記入力データを前記近似モデルに入力することにより、製品コイルの三次元メッシュ状の各区域の材質特性をオンラインで計算する近似モデル計算部と、
    　前記近似モデル計算部が計算した前記各区域の材質特性、前記圧延製品内の前記各区域の位置を表す情報、及び前記材質特性と関連性を有する情報とを出力する材質特性出力部と、を備える請求項１に記載の圧延製品の材質特性予測装置。
  4. 　前記近似モデルは、機械学習モデルである請求項１に記載の圧延製品の材質特性予測装置。
  5. 　前記材質特性予測部は、前記近似モデル計算部が前記近似モデルを用いて計算した材質特性を、冶金現象を数式化した冶金現象モデルを用いて計算した材質特性結果を用いて補正する材質特性補正部を備える請求項１から請求項４のいずれか１項に記載の圧延製品の材質特性予測装置。
PCT/JP2023/009919 2023-03-14 2023-03-14 圧延製品の材質特性予測装置 WO2024189790A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/JP2023/009919 WO2024189790A1 (ja) 2023-03-14 2023-03-14 圧延製品の材質特性予測装置
KR1020247032107A KR20240157048A (ko) 2023-03-14 2023-03-14 압연 제품의 재질 특성 예측 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2023/009919 WO2024189790A1 (ja) 2023-03-14 2023-03-14 圧延製品の材質特性予測装置

Publications (1)

Publication Number Publication Date
WO2024189790A1 true WO2024189790A1 (ja) 2024-09-19

Family

ID=92754726

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/009919 WO2024189790A1 (ja) 2023-03-14 2023-03-14 圧延製品の材質特性予測装置

Country Status (2)

Country Link
KR (1) KR20240157048A (ja)
WO (1) WO2024189790A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001025805A (ja) * 1999-07-13 2001-01-30 Kobe Steel Ltd 圧延シミュレーション装置，及び圧延シミュレーションプログラムを記録したコンピュータ読み取り可能な記録媒体
JP2008168320A (ja) * 2007-01-11 2008-07-24 Toshiba Mitsubishi-Electric Industrial System Corp 圧延ラインの組織・材質管理システム
JP2010172962A (ja) * 2009-02-02 2010-08-12 Toshiba Mitsubishi-Electric Industrial System Corp 圧延製品の特性予測方法
WO2016038705A1 (ja) * 2014-09-10 2016-03-17 東芝三菱電機産業システム株式会社 圧延シミュレーション装置
CN114417664A (zh) * 2022-01-04 2022-04-29 大连理工大学 一种基于元胞自动机的钢材热轧微观组织演化在线模拟和可视化方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5396889U (ja) 1977-01-07 1978-08-07
JPS6086155U (ja) 1983-11-22 1985-06-13 共栄工業株式会社 家具類の転倒防止装置
JPS6197676U (ja) 1984-12-03 1986-06-23
JPS6292309U (ja) 1985-11-29 1987-06-12
JPH0646903Y2 (ja) 1987-09-17 1994-11-30 株式会社フジハンドリング 多層階垂直搬送装置
JP2005315703A (ja) 2004-04-28 2005-11-10 Nippon Steel Corp 鋼材の材質予測方法
JP7314891B2 (ja) 2020-09-14 2023-07-26 Ｊｆｅスチール株式会社 鋼帯の製造方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001025805A (ja) * 1999-07-13 2001-01-30 Kobe Steel Ltd 圧延シミュレーション装置，及び圧延シミュレーションプログラムを記録したコンピュータ読み取り可能な記録媒体
JP2008168320A (ja) * 2007-01-11 2008-07-24 Toshiba Mitsubishi-Electric Industrial System Corp 圧延ラインの組織・材質管理システム
JP2010172962A (ja) * 2009-02-02 2010-08-12 Toshiba Mitsubishi-Electric Industrial System Corp 圧延製品の特性予測方法
WO2016038705A1 (ja) * 2014-09-10 2016-03-17 東芝三菱電機産業システム株式会社 圧延シミュレーション装置
CN114417664A (zh) * 2022-01-04 2022-04-29 大连理工大学 一种基于元胞自动机的钢材热轧微观组织演化在线模拟和可视化方法

Also Published As

Publication number Publication date
KR20240157048A (ko) 2024-10-31

Similar Documents

Publication Publication Date Title
KR101889668B1 (ko) 압연 시뮬레이션 장치
JP5003483B2 (ja) 圧延ラインの材質予測および材質制御装置
CN103920717B (zh) 设定值计算装置及设定值计算方法
JP2011221642A (ja) 品質予測装置、品質予測方法、コンピュータプログラム、およびコンピュータ読み取り可能な記録媒体
JP6021450B2 (ja) 加熱炉の操業支援システム
JP7135962B2 (ja) 鋼板の仕上出側温度制御方法、鋼板の仕上出側温度制御装置、及び鋼板の製造方法
JP4402502B2 (ja) 巻取温度制御装置
JP5195331B2 (ja) 製造プロセスにおける品質予測装置、予測方法、プログラム及びコンピュータ読み取り可能な記録媒体
JP5610869B2 (ja) 圧延材の冷却制御方法、及びこの冷却制御方法が適用された連続圧延機
JP7298645B2 (ja) 形鋼の断面寸法変化量予測モデルの生成方法、形鋼の断面寸法変化量予測モデルの生成装置、形鋼の断面寸法の予測方法、形鋼の断面寸法の制御方法、および形鋼の製造方法
Thakur et al. Application of machine learning methods for the prediction of roll force and torque during plate rolling of micro-alloyed steel
JP2012011448A (ja) 圧延材の冷却制御方法、及びこの冷却制御方法が適用された連続圧延機
WO2024189790A1 (ja) 圧延製品の材質特性予測装置
JP7020379B2 (ja) 金属材料の材質制御支援装置
JP5488140B2 (ja) 品質予測装置、品質予測方法、コンピュータプログラム、およびコンピュータ読み取り可能な記録媒体
Agarwal et al. An on-line hierarchical decomposition based Bayesian model for quality prediction during hot strip rolling
KR102448426B1 (ko) 어닐링 로의 작동 방법
JP6900866B2 (ja) 圧延スケジュール作成装置、圧延スケジュール作成方法、およびプログラム
JP7230880B2 (ja) 圧延荷重予測方法、圧延方法、熱延鋼板の製造方法、及び圧延荷重予測モデルの生成方法
JP4696775B2 (ja) 板幅制御方法および装置
CN118973725A (zh) 轧制产品的材质特性预测装置
JP5176554B2 (ja) 圧延製品の品質管理システム
US12093796B2 (en) Method for determining mechanical properties of a rolled material using a hybrid model
JP2021126684A (ja) 圧延装置の制御装置、圧延装置の制御方法、及び圧延装置の制御プログラム
JP7180796B2 (ja) 物理モデル同定システム

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 20247032107

Country of ref document: KR

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 1020247032107

Country of ref document: KR

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

Ref document number: 23927411

Country of ref document: EP

Kind code of ref document: A1