CN116096928A - 钢带的钢中氢量预测方法、钢中氢量控制方法、制造方法、钢中氢量预测模型的生成方法及钢中氢量预测装置 - Google Patents

Abstract

提供高精度预测钢带的钢中氢量的钢带的钢中氢量预测方法、钢中氢量预测模型的生成方法及钢中氢量预测装置。另外，提供使钢中氢量有效地降低的钢带的钢中氢量控制方法及制造方法。一种执行包括钢带的退火工序、镀敷工序及再加热工序的制造工序的连续式热浸镀设备中的、再加热工序的下游侧的钢带的钢中氢量预测方法，包括：输入数据获取步骤，获取从连续式热浸镀设备的运行参数选择出的一个以上的参数和在退火工序及再加热工序的至少一个中测定出的相变率信息作为输入数据；和使用通过机器学习而被学习过的钢中氢量预测模型来预测再加热工序的下游侧的钢带的钢中氢量，上述钢中氢量预测模型将与再加热工序的下游侧的钢带的钢中氢量相关的信息作为输出数据。

Description

钢带的钢中氢量预测方法、钢中氢量控制方法、制造方法、钢中氢量预测模型的生成方法及钢中氢量预测装置

技术领域

本公开涉及钢带的钢中氢量预测方法、钢中氢量控制方法、制造方法、钢中氢量预测模型的生成方法及钢中氢量预测装置。

背景技术

近年来，在汽车领域中，用于面向提高燃料效率的车身轻型化及碰撞安全性确保的高强度钢板的应用正在扩大。特别是，作为部件而要求防锈性的接收使用热浸镀锌钢板的情况较多。但是，在高强度的热浸镀锌钢板及高强度的冷轧钢板中，关于氢脆裂纹认为有改善的余地。

氢脆裂纹是指钢板吸收氢而导致韧性降低所引起的破坏现象。通常是指在钢材承受应力的状态下因腐蚀等因素而导致氢侵入钢中并在经过一段时间后突然产生破坏的现象(亦称为延迟破坏)。特别是，在高强度钢板中，由于屈服应力高，所以因冲压加工等二次加工产生的残留应力也变大，因此氢易侵入钢中，这被认为是一个原因。

在制造热浸镀锌钢板的连续式热浸镀设备及制造冷轧钢板的连续退火设备中，在含有氢的气氛中实施热处理。由此在热处理过程中，氢暂时侵入钢带的内部。通常，如果在400℃以下的温度区保持一定时间，则虽然氢从钢中脱离，但若在连续式热浸镀设备及连续退火设备的送出侧钢中氢量未充分降低，则在上述那样的环境中，还可设想产生延迟破坏的风险。

相对于此，在专利文献1中，作为针对拉伸强度为1470MPa以上的钢板的制造方法，公开了基于如下制造工序的处理方法，该制造工序包括：第一保持工序，即在通过退火工序以规定的温度区进行了规定时间的热处理后，以规定的温度区、保持时间进行热处理；和第二保持工序，即在使钢带浸渍在镀浴中之后以330～430℃的温度区保持规定时间。这里，示出了在退火工序、第一保持工序、第二保持工序中将炉内的氢浓度控制在规定的范围，由此能够将钢中氢量抑制为0.40ppm以下。

另外，在专利文献2中，公开了一种方法：将钢的铸造工序及冷轧工序中的制造条件控制为规定的条件，然后，在退火工序之后，实施进行酸洗的前处理工序，然后再次加热到规定的温度区，之后进行镀敷处理。另外，公开了包括如下后处理工序的制造方法：即在镀敷工序之后，在被控制为规定的氢浓度和露点的气氛中，在温度50～400℃的温度区进行30秒以上的加热，由此钢中氢量降低。

专利文献1：日本专利第6631765号公报

专利文献2：日本专利第6673534号公报

这里，专利文献1所记载的方法公开了以具有特定的成分系的拉伸强度1470MPa以上的钢板为对象来分别具体地控制退火工序、第一保持工序及第二保持工序中的温度、保持时间、氢浓度。但是，无法应用到其他强度等级的钢板。另外，专利文献1所记载的钢板是作为内部组织由多相构成的钢板，但并未记载钢带的内部组织与钢中氢量的关系，不能直接地预测钢带的钢中氢量。

专利文献2所记载的方法需要组合多个制造工序中的制造条件，在需要将退火工序后的钢带暂时冷却至室温并在进行再加热后进行镀敷处理的点上，从生产效率的观点出发，存在改善的余地。另外，专利文献2所记载的方法不是直接预测钢带的钢中氢量。另外，专利文献2所记载的方法以热浸镀锌钢板为对象，而未以冷轧钢板为对象。

发明内容

为了解决以上的问题而完成的本公开的目的在于提供高精度地预测钢带的钢中氢量的钢带的钢中氢量预测方法、钢中氢量预测模型的生成方法及钢中氢量预测装置。另外，本公开的其他目的在于提供使用该钢中氢量预测方法来使钢中氢量有效地降低的钢带的钢中氢量控制方法及制造方法。

本公开的一个实施方式所涉及的钢带的钢中氢量预测方法为执行包括钢带的退火工序、镀敷工序及再加热工序的制造工序的连续式热浸镀设备中的、所述再加热工序的下游侧的钢带的钢中氢量预测方法，包括：

输入数据获取步骤，获取从上述连续式热浸镀设备的运行参数中选择出的一个以上的参数和在上述退火工序及上述再加热工序的至少一个中测定出的相变率信息作为输入数据；和

使用通过机器学习而被学习过的钢中氢量预测模型来预测上述再加热工序的下游侧的钢带的钢中氢量，上述钢中氢量预测模型将与上述再加热工序的下游侧的钢带的钢中氢量相关的信息作为输出数据。

本公开的一个实施方式所涉及的钢带的钢中氢量控制方法包括：

使用上述的钢带的钢中氢量预测方法来预测上述再加热工序的下游侧的钢带的钢中氢量，在预测出的钢中氢量超过预先设定的上限值的情况下，重新设定从上述连续式热浸镀设备的运行参数中选择出的一个以上的运行参数，以使钢中氢量成为上述上限值以下。

本公开的一个实施方式所涉及的钢带的制造方法为执行包括钢带的退火工序、镀敷工序及再加热工序的制造工序的连续式热浸镀设备中的钢带的制造方法，包括：

获取从上述连续式热浸镀设备的运行参数中选择出的一个以上的参数和在上述退火工序及上述再加热工序的至少一个中测定出的相变率信息作为输入数据；

使用通过机器学习而被学习过的钢中氢量预测模型来预测上述再加热工序的下游侧的钢带的钢中氢量，上述钢中氢量预测模型将与上述再加热工序的下游侧的钢带的钢中氢量相关的信息作为输出数据；以及

在预测出的钢中氢量超过预先设定的上限值的情况下，重新设定从上述连续式热浸镀设备的运行参数中选择出的一个以上的运行参数，以使钢中氢量成为上述上限值以下。

本公开的一个实施方式所涉及的钢带的钢中氢量预测模型的生成方法为用于预测执行包括钢带的退火工序、镀敷工序及再加热工序的制造工序的连续式热浸镀设备中的、上述再加热工序的下游侧的钢带的钢中氢量的钢带的钢中氢量预测模型的生成方法，包括：

获取至少从上述连续式热浸镀设备的运行实绩数据中选择出的一个以上的运行实绩数据和在上述退火工序及上述再加热工序的至少一个中测定出的相变率信息的实绩数据作为输入实绩数据；

获取将基于上述输入实绩数据的与上述再加热工序的下游侧的钢带的钢中氢量相关的信息作为输出实绩数据的多个学习用数据；以及

通过使用获取到的多个学习用数据的机器学习来生成钢带的钢中氢量预测模型。

本公开的一个实施方式所涉及的钢带的钢中氢量预测装置为预测执行包括钢带的退火工序、镀敷工序及再加热工序的制造工序的连续式热浸镀设备中的、上述再加热工序的下游侧的钢带的钢中氢量的钢中氢量预测装置，包括：

获取部，获取从上述连续式热浸镀设备的运行参数中选择出的一个以上的参数和在上述退火工序及上述再加热工序的至少一个中测定出的相变率信息；和

预测部，使用通过机器学习而被学习过的钢中氢量预测模型，来预测上述再加热工序的下游侧的钢带的钢中氢量，上述钢中氢量预测模型将与上述再加热工序的下游侧的钢带的钢中氢量相关的信息作为输出数据。

本公开的一个实施方式所涉及的钢带的钢中氢量预测方法为执行包括钢带的退火工序及再加热工序的制造工序的连续退火设备中的、上述再加热工序的下游侧的钢带的钢中氢量预测方法，包括：

输入数据获取步骤，获取从上述连续退火设备的运行参数中选择出的一个以上的参数和在上述退火工序及上述再加热工序的至少一个中测定出的相变率信息作为输入数据；和

使用通过机器学习而被学习过的钢中氢量预测模型来预测上述再加热工序的下游侧的钢带的钢中氢量，上述钢中氢量预测模型将与上述再加热工序的下游侧的钢带的钢中氢量相关的信息作为输出数据。

本公开的一个实施方式所涉及的钢带的钢中氢量控制方法包括：

使用上述的钢带的钢中氢量预测方法来预测上述再加热工序的下游侧的钢带的钢中氢量，在预测出的钢中氢量超过预先设定的上限值的情况下，重新设定从上述连续退火设备的运行参数中选择出的一个以上的运行参数，以使钢中氢量成为上述上限值以下。

本公开的一个实施方式所涉及的钢带的制造方法为执行包括钢带的退火工序及再加热工序的制造工序的连续退火设备中的钢带的制造方法，包括：

获取从上述连续退火设备的运行参数中选择出的一个以上的参数和在上述退火工序及上述再加热工序的至少一个中测定出的相变率信息作为输入数据；

使用通过机器学习而被学习过的钢中氢量预测模型来预测上述再加热工序的下游侧的钢带的钢中氢量，上述钢中氢量预测模型将与上述再加热工序的下游侧的钢带的钢中氢量相关的信息作为输出数据；以及

在预测出的钢中氢量超过预先设定的上限值的情况下，重新设定从上述连续退火设备的运行参数中选择出的一个以上的运行参数，以使钢中氢量成为上述上限值以下。

本公开的一个实施方式所涉及的钢带的钢中氢量预测模型的生成方法为用于预测执行包括钢带的退火工序及再加热工序的制造工序的连续退火设备中的、上述再加热工序的下游侧的钢带的钢中氢量的钢带的钢中氢量预测模型的生成方法，包括：

获取至少从上述连续退火设备的运行实绩数据选择出的一个以上的运行实绩数据和在上述退火工序及上述再加热工序的至少一个中测定出的相变率信息的实绩数据作为输入实绩数据；

获取将基于上述输入实绩数据的与上述再加热工序的下游侧的钢带的钢中氢量相关的信息作为输出实绩数据的多个学习用数据；以及

通过使用获取到的多个学习用数据的机器学习来生成钢带的钢中氢量预测模型。

本公开的一个实施方式所涉及的钢带的钢中氢量预测装置是预测执行包括钢带的退火工序及再加热工序的制造工序的连续退火设备中的、上述再加热工序的下游侧的钢带的钢中氢量的钢中氢量预测装置，包括：

获取部，获取从上述连续退火设备的运行参数中选择出的一个以上的参数和在上述退火工序及上述再加热工序的至少一个中测定出的相变率信息；和

预测部，使用通过机器学习而被学习过的钢中氢量预测模型来预测上述再加热工序的下游侧的钢带的钢中氢量，上述钢中氢量预测模型将与上述再加热工序的下游侧的钢带的钢中氢量相关的信息作为输出数据。

根据本公开，能够提供高精度地预测钢带的钢中氢量的钢带的钢中氢量预测方法、钢中氢量预测模型的生成方法及钢中氢量预测装置。根据本公开，能够提供使用该钢中氢量预测方法来使钢中氢量有效地降低的钢带的钢中氢量控制方法及制造方法。

附图说明

图1是连续式热浸镀设备的一个例子，是表示制造镀锌钢板的热浸镀生产线的图。

图2是表示制造镀锌钢板的热浸镀生产线的热历程的例子的图。

图3是表示钢中氢量预测模型的生成方法的图。

图4是表示钢中氢量控制方法的图。

图5是对钢中氢量预测装置进行说明的图。

图6是连续退火设备的一个例子，是表示制造冷轧钢板的连续退火线的图。

图7是表示制造冷轧钢板的连续退火线的热历程的例子的图。

图8是表示钢中氢量预测模型的生成方法的图。

图9是表示钢中氢量控制方法的图。

具体实施方式

(第一实施方式)

本公开的第一实施方式的钢带的钢中氢量预测方法对热浸镀锌钢板在连续式热浸镀设备送出侧的钢中氢量进行预测，该热浸镀锌钢板通过利用连续式热浸镀设备对经由热轧工序、酸洗工序、冷轧工序而被减厚至规定的板厚的钢板进行热处理及镀敷处理来制造。这里，也存在省略上述冷轧工序的情况。至少在热轧工序之后，薄钢板被卷绕成卷状后进行热处理等，因此，在本实施方式中，有时将该薄钢板记载为“钢带”。

＜连续式热浸镀设备＞

在本实施方式中，连续式热浸镀设备将执行包括退火工序、镀敷工序及再加热工序的制造工序的连续式热浸镀设备(CGL)作为对象。以下，参照附图来具体说明连续式热浸镀设备。

图1是表示制造热浸镀锌钢板的连续式热浸镀设备的设备例的示意图。图1的箭头表示钢带的行进方向。连续式热浸镀设备大致分为送入侧设备、炉体部及送出侧设备。送入侧设备具有开卷机1、焊接机2、电解清洁装置3及送入侧活套辊4。炉体部由退火部、镀敷部及再加热部构成。送出侧设备具有送出侧活套辊(looper)12、平整轧制(temper rolling)设备13、检查设备14及张力卷取机(tension reel)15。检查设备14具有从钢带采集用于离线测定钢中氢量的样本材料的样本采集设备。

退火部具有加热带6、均热带7及冷却带8，在加热带6的上游侧有时具有预热带5。本实施方式中的退火工序是指由退火部实施的热处理工序。更具体而言，退火工序是使钢带从室温附近升温并在保持为规定的温度后使钢带的温度下降至适于进行镀锌的温度的工序。另外，在连续式热浸镀设备中，在退火部的下游侧具有镀敷部，在冷却带8中被冷却至规定的温度的钢带被浸渍在锌罐中，通过擦拭装置21调整锌的单位面积重量(附着量)。本实施方式中的镀敷工序是指由镀敷部实施的镀锌处理工序。其下游侧的再加热部具有合金化带17、保温带18、最终冷却带11，在合金化带17配置感应加热装置。本实施方式中的再加热工序是指由再加热部实施的热处理工序。

加热带6是用于使钢带升温的设备，根据钢种加热至在700～900℃左右的范围内预先设定的温度。在加热带6中，使用直火或辐射式燃烧器。均热带7是将钢带保持为规定温度的设备，是补偿炉体散热等的程度的加热容量的设备。冷却带8是冷却至480℃左右作为适于进行镀锌的温度的设备，作为冷却方法通常使用气体射流冷却。在该情况下，能够将冷却带8划分为第一冷却带8A和第二冷却带8B等多个，通过变更冷却条件来控制钢带冷却时的热历程。

另外，向加热带6、均热带7、冷却带8的各内部供给含有氢气、氮气、水蒸气的混合气体，调整退火工序中的气氛。此时，由于供给气体中含有水蒸气，因此在退火工序的气氛中，不仅气体组成被调整，露点也被调整。

镀敷部由与冷却带8的出口连结的炉鼻(snout)19、镀锌槽16及擦拭装置21构成。炉鼻19是划分钢带通过的空间的截面为短形状的部件，被向内部供给包含氢气、氮气、水蒸气的混合气体，对至钢带被浸渍在镀锌槽16中为止的气氛气体进行调整。镀锌槽16在内部具有导辊(sink roll)22。导辊22是用于使通过炉鼻19的钢带朝向下方浸渍在镀锌槽16，将在表面附着有熔融锌的钢带提升到镀浴的上方的设备。并且，擦拭装置21是从配置在钢带两侧的喷嘴吹出擦拭气体来刮取附着于钢带的表面的多余的熔融锌、调节熔融锌的单位面积重量的设备。

在构成镀敷部的擦拭装置21更上方(下游侧)配置构成再加热部的再加热带(被称为合金化带17)。通常，通过了擦拭装置21的钢带温度大致降低到430℃左右。因此，在合金化带17中，将钢带升温至进行Zn-Fe合金化反应的温度。在合金化带17中升温的温度与作为目标的合金化温度对应，根据钢板的合金成分、镀浴中的Al浓度等而不同，但通常被升温至500℃左右。然后，在保温带18中，为了确保合金化反应进行所需的时间，保持钢带的温度。在保温带18的下游侧具有最终冷却带11，是将进行了合金化处理的钢带最终冷却至室温附近的设备。最终冷却带11也与冷却带8同样，可以划分为第一最终冷却带11A和第二最终冷却带11B等多个冷却带来控制钢带的冷却时的热历程。

在连续式热浸镀设备中，在构成退火部的加热带6、均热带7、冷却带8、构成再加热工序的合金化带17、保温带18、最终冷却带11中，在多个位置设置测定钢带的表面温度的温度计。另外，设置不仅测定钢带的表面温度、还测定退火工序及再加热工序的各带域中的炉内的气氛温度的炉内温度计。测定出的钢带的表面温度及气氛温度被输出至控制连续式热浸镀设备并总控运行的过程控制计算机(process computer)。

图2是表示包括制造热浸镀锌钢板的连续式热浸镀设备的退火工序及再加热工序的钢带的热历程的曲线图。横轴表示时间，纵轴表示钢带温度。钢带温度例如是钢带的表面温度。示出了利用加热带6、均热带7、冷却带8来实施退火工序、然后通过镀敷部并利用合金化带17、保温带18及最终冷却带11来实施再加热工序的钢带的热历程。为了防止因钢带的长度方向位置引起的材质的偏差，将退火工序中的钢带的输送速度保持为恒定。不过，在对板厚、板宽、钢种等不同的钢带进行了焊接的情况下，也存在生产线速度在焊接部的前后发生变化的情况。因此，也存在热历程的曲线图的形状根据钢带的测定位置而变动的情况。此外，根据运行条件，存在不执行基于合金化带17、保温带18及最终冷却带11的再加热工序的情况。在这种情况下，通过了镀敷部的钢带的钢带温度在室温程度下大致成为恒定的热历程。

＜气氛气体的控制＞

向实施退火工序的加热带6、均热带7、冷却带8的各内部供给含有氢气、氮气、水蒸气的混合气体，由此控制退火工序的气氛。退火工序的气氛所含有的氢气对在退火工序中侵入至钢带的氢量产生影响，因此测定投入的气体的组成及流量，根据需要进行调整及控制。

在加热带6，能够使用辐射管(RT)或电加热器等加热装置来间接加热钢带。能够与来自均热带7、冷却带8及炉鼻19的气体流入至加热带6同时地另外向加热带6供给还原性气体或非氧化性气体。作为还原性气体，通常使用H₂-N₂混合气体。作为这样的H₂-N₂混合气体，例如可举出具有1～20体积％为H₂、剩余部分由N₂及不可避免的杂质构成的组成的气体(露点：-60℃左右)。另外，作为非氧化性气体，使用具有由N₂及不可避免的杂质构成的组成的气体(露点：-60℃左右)。向加热带6的气体供给的方法不特别限定，但优选从高度方向上为两处以上、长度方向上为一处以上的投入口供给气体，以便向加热带6内均匀地投入气体。

在均热带7，能够使用辐射管作为加热机构来间接加热钢带。均热带7内部的平均温度优选为700～900℃。向均热带7供给还原性气体或非氧化性气体。作为还原性气体，通常使用H₂-N₂混合气体，例如可以举出具有1～20体积％为H₂、剩余部分由N₂及不可避免的杂质构成的组成的气体(露点：-60℃左右)。另外，作为非氧化性气体，可以举出具有由N₂及不可避免的杂质构成的组成的气体(露点：-60℃左右)。

冷却带8具备冷却装置，钢带在冷却带8中的通板过程中被冷却。能够与均热带7同样，向冷却带8也供给上述气体。优选从冷却带8的高度方向上为两处以上、长度方向上为两处以上的投入口供给气体，以便向冷却带8内均匀地投入气体。

在执行退火工序的加热带6、均热带7、冷却带8设置用于测定炉内的气体气氛的氢浓度计、露点计。氢浓度计使用对气体在催化剂表面的接触燃烧引起的铂丝线圈的温度上升进行测定的接触燃烧式传感器。例如，能够使用新cosmos电机株式会社制的可燃性气体探测器XP-3110。不过，也可以使用利用基于气体浓度引起的热传导率的变化来检测氢浓度的方式等其他测定方式的氢浓度计。露点计使用静电电容式或镜面冷却式的露点计即可。例如，能够使用VAISALA公司制的DMT345露点转换器。

优选氢浓度计设置在加热带6、均热带7、冷却带8中的任一个。氢浓度计的设置位置只要是加热带6、均热带7、冷却带8，则可以是任意位置。不过，钢带的温度越高则钢中的氢越易扩散，因此优选氢浓度计被设置在加热带6的送出侧附近或均热带7。另外，氢浓度计的设置位置可以为任一处，但优选将多个氢浓度计设置在不同的位置。这是因为：通过得到多个氢浓度信息，从而钢中氢量的预测精度提高。测定出的值被输出至过程控制计算机。

露点计也同样，优选设置在加热带6、均热带7、冷却带8中的任一个。露点计的设置位置只要是加热带6、均热带7、冷却带8，则可以是任意位置。设置位置可以为任一处，但优选将多个露点计设置在不同的位置。这是因为：通过得到多个露点信息，从而钢中氢量的预测精度提高。测定出的值被输出至过程控制计算机。

向镀敷部的炉鼻19内部供给含有氢气、氮气、水蒸气的混合气体，由此控制气氛。气氛中所含有的氢气对在炉鼻19内侵入钢带的氢量产生影响，因此测定投入的气体的组成及流量，根据需要来进行调整及控制。

在炉鼻19也设置用于测定炉鼻19内的气体气氛的氢浓度计、露点计。氢浓度计、露点计的设置位置可以是任意位置。设置个数可以为分别各一处，但优选将多个氢浓度计、露点计设置在不同的位置。这是因为：通过得到多个氢浓度信息、露点信息，从而钢中氢量的预测精度提高。测定出的值被输出至过程控制计算机。

向再加热工序的各带域内部供给含有氢气、氮气、水蒸气的混合气体，由此控制气氛。气氛中所含有的氢气对在再加热工序中侵入钢带的氢量产生影响，因此测定投入的气体的组成及流量，根据需要来进行调整及控制。

在再加热工序也设置用于测定气体气氛的氢浓度计、露点计。氢浓度计、露点计的设置位置可以是任意位置。设置个数可以为分别各一处，但优选将多个氢浓度计、露点计设置在不同的位置。这是因为：通过得到多个氢浓度计信息、露点信息，从而钢中氢量的预测精度提高。测定出的值被输出至过程控制计算机。

＜相变率计＞

相变率计20是作为热处理工序中的钢带的内部组织而测定奥氏体相(γ相)相对于整体的比率的测量器。在连续式热浸镀设备中，大多根据特定的奥氏体相(γ相)和铁素体相(α相)这两相状态利用相变来对钢板的组织进行组织控制。因此，作为相变率计20，能够使用利用了X射线衍射的相变率计20。由于γ相和α相的结晶构造不同，因此若照射X射线，则从各自以固有的角度产生衍射峰。这是根据该衍射峰强度来将相变率(γ率)定量化的方法。例如，能够使用SMS公司制的被称为X-CAP的产品。另外，可以使用如下方法：使用由产生磁场的驱动卷材和测定通过了钢带的磁场的检测卷材构成的磁相变率测定装置作为磁检测器、即测定钢带的磁相变率的装置来测定奥氏体相率。具体而言，能够使用日本特开2019-7907号公报所记载的装置。

在本实施方式中，将这种测定奥氏体相比率的相变率计20设置在上述连续式热浸镀设备的退火工序或再加热工序的至少任一个。例如图1的相变率计20示出设置部位的候补位置。作为设置场所，例如是退火工序的均热带7的入口、均热带7的出口、冷却带8的入口，优选设置在再加热工序中的合金化带17的入口或出口。另外，相变率计20的设置部位可以是任一处，但优选设置在多个不同的位置。这是因为：通过得到多个相变率信息，从而钢中氢量预测精度提高。

＜与钢带的钢中氢量相关的信息＞

与钢中氢量相关的信息使用从在上述热浸镀锌设备的样本采集设备中采集到的钢带的样本材料采集试验片并由离线的钢中氢量测定装置测定出的扩散性氢量的值。作为钢中氢量测定装置，能够使用作为钢中所含有的氢量能够在0.01～10ppm的范围内进行测定的任意的测定装置。具体而言，能够使用利用基于气相色谱的升温氢分析法的测定装置。

氢量测定方法存在气相色谱质量分析法(GC/MS)、升温脱除气体分析法(TDS)等。作为装置，存在GL Sciences株式会社的GC-4000Plus、株式会社UBE科学分析中心的TDS1200等。

钢中氢量能够通过以下的升温分析法进行测定。首先，从镀敷钢板切出5×30mm左右的试验片。试验片使用沟槽铣床(精密研磨机)来被去除试验片表面的镀敷，并被放入至石英管中。接下来，在石英管中用Ar置换之后，以200℃/hr进行升温，通过气相色谱测定至400℃为止产生的氢。此时，钢中的扩散性氢量为在室温(25℃)～400℃的温度区检测出的氢量的累积值。

像这样获取到的与钢带的钢中氢量相关的信息与采集了试验片的钢带的识别编号(卷材编号)一同发送到上位计算机(对过程控制计算机给出制造指示的计算机)，并根据需要将与其采集位置相关的信息一同发送到上位计算机(对过程控制计算机给出制造指示的计算机)。

＜钢中氢量预测模型的生成方法＞

图3表示本实施方式所涉及的钢带的钢中氢量预测模型的生成方法。

连续式热浸镀设备的运行实绩数据、由相变率计20测定出的钢带的相变率信息的实绩数据以及与钢带的钢中氢量相关的信息的实绩数据被蓄积在数据库中。关于连续式热浸镀设备的运行实绩数据的详细内容将后述，但从总控连续式热浸镀设备的运行的过程控制计算机具有的运行实绩数据中选择出的实绩数据被发送至钢中氢量预测模型生成部的数据库。另外，钢带的相变率信息的实绩数据是从上述的相变率计20得到的相变率信息，在相变率信息被蓄积在过程控制计算机的情况下，从过程控制计算机被发送至数据库。不过，在相变率信息未被蓄积在过程控制计算机的情况下，被直接发送至钢中氢量预测模型生成部的数据库。

钢中氢量的信息例如与钢带的卷材编号等能够与连续式热浸镀设备的运行实绩数据建立关联的附带信息一同被发送至数据库。并且，与钢带的钢中氢量相关的信息的实绩数据是通过离线试验得到的信息，被蓄积在上位计算机。该信息也与钢带的卷材编号等能够与连续式热浸镀设备的运行实绩数据建立关联的附带信息一同被发送至数据库。并且，连续式热浸镀设备的运行实绩数据、由相变率计20测定出的钢带的相变率信息的实绩数据以及与钢带的钢中氢量相关的信息的实绩数据通过卷材编号等建立关联，作为一组数据集蓄积在数据库中。此时，蓄积在数据库中的数据集按每1条钢带获取一个数据集。不过，在如钢带的前端部及尾端部那样在多处得到与钢带的钢中氢量相关的信息的实绩数据的情况下，也可以使用在该钢带的前端部及尾端部等多处获取到的连续式热浸镀设备的运行实绩数据和钢带的相变率信息的实绩数据来按每1条钢带获取多个数据集。

另外，优选数据库具有从与钢带的成分组成相关的钢带的属性参数中选择出的一个以上的参数。与钢带的成分组成相关的钢带的属性参数的实绩数据作为制钢工序中的实绩值与卷材编号一同被蓄积在过程控制计算机或上位计算机，通过适当发送至数据库，能够构成数据集。通过在输入中加入与钢带的成分组成相关的钢带的属性参数，能够将本实施方式的钢中氢量预测模型广泛应用于成分组成不同的钢带。

作为在本实施方式的钢中氢量预测模型的生成中使用的数据库的数据集数，优选为200个以上，更加优选为1000个以上。

在本实施方式中，使用像这样创建出的数据库，将至少从连续式热浸镀设备的运行实绩数据中选择出的一个以上的运行实绩数据、和由设置在退火工序及再加热工序的任一处以上的相变率计20测定出的相变率信息的实绩数据作为输入实绩数据，生成使用该输入实绩数据的通过机器学习而被学习过的钢带的钢中氢量预测模型。

机器学习的方法只要应用公知的学习方法即可，只要可得到实用上充分的钢板的钢中氢量的预测精度，则可以是任何机器学习模型。例如，可以使用基于包括深度学习、卷积神经网络(CNN)、循环神经网络(RNN)等的神经网络的公知的机器学习算法。作为其他算法，能够例示决策树学习、随机森林、支持向量回归、高斯过程等。另外，还可以使用组合有多个模型的集成模型(ensemble model)。另外，钢中氢量预测模型只要使用最新的学习数据来适当更新即可。这是因为：能够应对连续式热浸镀设备的长期的运行条件的变化。

＜连续式热浸镀设备的运行参数＞

作为连续式热浸镀设备中的运行参数，能够使用除由相变率计20测定的相变率信息以外的参数中的、对钢带的钢中氢量产生影响的任意的运行参数。作为连续式热浸镀设备中的运行参数，主要大致分为与钢带的热历程相关的运行参数、与供钢带通过的连续式热浸镀设备的气氛气体相关的运行参数。

＜与热历程相关的运行参数＞

若使用图2所示的退火工序、镀敷工序及再加热工序中的钢带的热历程的例子，则能够使用如下连续式热浸镀设备中的运行参数。

例如，作为加热带6的运行参数，可以使用钢带通过加热带6的时间和温度上升量，或者也可以使用根据这些值计算出的平均升温速度。

作为均热带7的运行参数，可以使用钢带在均热带7的平均温度亦即均热温度和通过均热带7的时间亦即均热时间。作为冷却带8的运行参数，可以使用钢带通过第一冷却带8A的时间和温度下降量，或者也可以使用根据这些值计算出的平均冷却速度。另外，作为冷却带8的运行参数，可以使用钢带通过第二冷却带8B的时间和温度下降量，或者也可以使用根据这些值计算出的平均冷却速度。

另外，也可以将加热带6中的加热装置的控制输出值及冷却带8中的冷却装置的控制输出值用作运行参数。这是因为：这些运行参数是为了控制退火工序中的钢带的温度历程而使用的运行参数。并且，可以还使用均热带7中的钢带的生产线速度、冷却带8中的平均冷却速度、气体喷射等冷却装置的喷射压力等。这是因为：这些也是对钢带的热历程产生影响的因素。

作为镀敷部中的运行参数，可以使用炉鼻19内部的气氛温度、镀锌槽16内的镀浴的浴温度、在擦拭装置21中朝向钢带喷射的气体的温度及喷射压力。

作为合金化带17的运行参数，可以使用由配置在设置于合金化带17的感应加热装置的送入侧与送出侧的辐射温度计测定出的温度上升量和其通过时间，或者也可以使用根据这些值计算出的平均升温速度。作为保温带18的运行参数，可以使用钢带在保温带18的平均温度和通过保温带18的时间。作为最终冷却带11的运行参数，可以使用钢带通过最终冷却带11的时间和温度下降量，或者也可以使用根据这些值计算出的平均冷却速度。并且，也可以将合金化带17中的加热装置的控制输出值及最终冷却带11中的冷却装置的控制输出值用作运行参数。这是因为：这些运行参数是为了控制再加热工序中的钢带的温度历程而使用的运行参数。

＜与气氛气体相关的运行参数＞

作为本实施方式所涉及的连续式热浸镀设备中的运行参数，除上述那样的与钢带的热历程相关的运行参数之外，还可以选择与供钢带通过的连续式热浸镀设备的气氛气体相关的运行参数。

作为退火部中的运行参数，能够使用加热带6、均热带7、冷却带8各带域中的气氛气体的气体组成。特别优选使用氢浓度。这是因为：对在退火工序中侵入至钢带的氢量产生影响。

作为镀敷部中的运行参数，能够使用由擦拭装置21控制的镀敷厚度。这是因为：若对钢带实施镀锌，则由于皮膜的存在而导致已侵入到钢中的氢难以脱离，但其程度根据镀敷厚度而不同。

另外，作为镀敷部的炉鼻19内部的运行参数，能够使用炉鼻19内域中的气氛气体的气体组成。特别优选使用氢浓度。这是因为：对在炉鼻19内部侵入至钢带的氢量产生影响。

作为再加热部中的运行参数，能够使用合金化带17、保温带18、最终冷却带11各带域中的气氛气体的气体组成。特别优选使用氢浓度。这是因为：对在再加热工序中钢中氢向外部的脱离容易度产生影响。

另外，各内部的气体成分的浓度因被供给至退火部、再加热部及镀敷部的炉鼻19内部的H₂、N₂、H₂O而发生变化，因此内部的露点发生变化，即H₂O浓度发生变化。由此，对气氛中的H₂的浓度产生影响，因而也可以将退火部、再加热部及镀敷部的炉鼻19内部的露点作为连续式热浸镀设备中的运行参数来使用。

＜连续式热浸镀设备的运行参数的选择＞

在本实施方式中，将从以上的连续式热浸镀设备的运行参数中选择出的一个以上的运行参数作为钢带的钢中氢量预测模型的输入。

此时，使用与退火部、镀敷部、再加热部中的钢带的热历程相关的运行参数是因为钢中的氢的扩散速度受钢带的温度影响。另外，还因为：在氢的扩散速度大的情况下，氢易从钢带的表面侵入。

另外，将钢带通过退火部、镀敷部、再加热部时的、通过各带域的时间(停留时间)作为运行参数来使用是因为对氢向钢中侵入或者排出的量产生影响。还因为：它们的量贯穿在钢中的扩散时间发生变化。

此时，钢中的氢量在钢带被保持为高温的退火部中增加，在被保持为较低温度的再加热部中减少。另外，通过镀敷部对钢带的表面赋予皮膜，从而氢从钢中的脱离容易度受到影响。因此，作为与热历程相关的运行参数，优选组合从退火部的运行参数中选择出的一个以上的参数和从再加热部的运行参数中选择出的一个以上的参数来使用。这是因为：在连续式热浸镀设备的送出侧检测的钢带的钢中氢量受氢向钢中的侵入与排出的平衡影响大。并且，更加优选除这些运行参数以外还使用从镀敷部的运行参数中选择出的一个以上的参数。这是因为：对氢向钢中的侵入与排出的平衡产生影响。

另一方面，如上述那样，使用与退火部、镀敷部、再加热部各带域中的气氛相关的运行参数是因为氢向钢中的侵入与排出受气氛气体的组成影响。因此，在本实施方式中，优选组合从与热历程相关的运行参数中选择出的一个以上的参数和从与气氛气体相关的运行参数中选择出的参数来使用。这是因为：它们均对氢向钢中的侵入与排出行为产生影响。

对于本实施方式中的连续式热浸镀设备中的运行参数而言，作为上述运行数据，按每1条钢带获取1组运行参数作为学***均化而得的数据。

＜相变率信息＞

在本实施方式中，将测定奥氏体相比率的相变率计20设置于连续式热浸镀设备的退火工序或再加热工序的至少任一个，将相变率计20的测定结果形成为相变率信息，来作为上述钢中氢量预测模型的学习用数据之一。

通过相变率计20得到的数据是作为钢带的奥氏体相比率数据而相对于钢带的长度方向按照每个采样周期得到的连续数据，但针对1条钢带计算出代表值，并将其作为相变率信息的实绩数据。此时，优选将成为钢中氢量预测模型的输出的、在与获取与钢带的钢中氢量相关的信息的实绩数据的位置大致对应的位置测定出的相变率的测定结果作为相变率信息的实绩数据。在连续式热浸镀设备中，也存在钢带的相变率在长度方向上变动的情况，由于相变率与钢带的钢中氢量的相关关系比较强，所以通过使相变率的测定值与钢中氢量的实绩数据采集位置对应，从而能够以更高的精度进行钢中氢量预测。

这里，对于钢中氢量的预测，钢带的奥氏体相(γ相)的比率成为重要的参数。通常，与铁素体相(α相)相比，奥氏体相的氢的扩散系数约小一个数量级。因此，在如连续式热浸镀设备的均热部那样被保持为高温且γ相成为主体的带域中，氢从周围的气氛气体向钢中的侵入变慢，并且暂时侵入到钢中的氢难以向周围释放。另一方面，在如保温带18那样形成含有一定程度的铁素体相(α相)的内部组织的带域中，氢从周围的气氛气体向钢中的侵入被促进，然而即使氢暂时侵入至钢中，也易向周围释放。

在连续式热浸镀设备中，通过利用钢带的相变的组织控制来控制钢的机械特性，在钢带通过退火部(加热带6、均热带7、冷却带8)、镀敷部(炉鼻19、镀锌槽16、擦拭装置21)、再加热部(合金化带17、保温带18、最终冷却带11)各带域的中途阶段，钢带的内部组织发生变化，因此利用相变率计20来获取关于钢带的奥氏体相(γ相)的信息，从而钢带的钢中氢量的预测精度提高。

另外，钢带的相变行为根据成为产品的钢带的强度等级及成分组成而改变，其内部组织变化的历程也发生变化。因此，在欲对不同的钢种预测钢中的氢量的情况下，在钢中氢量的预测模型中使用反映出钢带的内部组织的信息的相变率计20的相变率信息的意义变大。

另一方面，在本实施方式中，除使用连续式热浸镀设备的运行参数以外、还使用由相变率计20测定出的相变率信息的理由如下。连续式热浸镀设备的运行参数贯穿钢带的内部组织中的恢复、再结晶、晶粒生长、析出、相变等过程来对钢带的钢中氢量产生影响。但是，这样的内部组织的变化不是仅由连续式热浸镀设备的运行参数决定的，还受到其前工序亦即热轧工序及冷轧工序中的加工历程的影响。例如，热轧工序中的卷取温度对作为热轧钢板的内部组织的析出物的大小(分布)及量产生影响，并对热处理工序中的晶粒生长及相变行为产生影响。另外，冷轧工序中的压下率通过蓄积在冷轧钢板的内部组织的应变状态来对退火工序的再结晶、晶粒生长及相变行为产生影响。因此，作为钢中氢量预测模型的学习用数据，仅是连续式热浸镀设备的运行参数，无法考虑比这样的退火工序更前工序的运行参数对钢带热处理后的钢中氢量产生的影响，因此难以实现钢中氢量的预测。

相对于此，通过在学习用数据中使用在加热工序或再加热工序中由相变率计20测定出的相变率信息，能够将退火工序的前工序亦即热轧工序及冷轧工序中的运行参数对钢带热处理后的钢中氢量产生的影响作为间接信息在连续式热浸镀设备中的工序中考虑。由此，能够作为钢中氢量预测模型来实现钢中氢量的预测。

综上，在本实施方式中，将测定奥氏体相比率的相变率计20设置于连续式热浸镀设备的退火工序或再加热工序的至少任一个，将相变率计20的测定结果形成为相变率信息，来作为上述钢中氢量预测模型的学习用数据之一。

＜与钢带的成分组成相关的属性参数＞

在本实施方式中，作为上述钢中氢量预测模型的输入数据，优选还具有从与钢带的成分组成相关的钢带的属性参数中选择出的一个以上的参数。这是因为：热处理工序中的相变行为及内部组织受钢带的成分组成影响。另外，还因为：能够生成对作为通过连续式热浸镀设备制造的热浸镀锌钢板的具有各种成分组成的钢带的钢中氢量的钢中氢量进行预测的预测模型，钢中氢量预测模型的应用范围扩大。

作为与钢带的成分组成相关的属性参数，能够使用作为钢带所含有的化学成分的C、Si、Mn的含量。另外，与钢带的成分组成相关的属性参数可以包括Cu、Ni、Cr、Mo、Nb、Ti、V、B、Zr的含量。不过，不需要将这些成分组成全部用作与钢带的成分组成相关的属性参数。只要根据在连续式热浸镀设备中作为制造对象的钢带的种类来适当选择一部分即可。

C是对钢板的高强度化有效的元素，通过形成作为钢组织的硬质相之一的马氏体来对高强度化作出贡献。

Si是主要通过固溶强化来对高强度化作出贡献的元素，相对于强度上升，延展性的下降比较少，不仅对强度作出贡献，还对强度与延展性的平衡提高作出贡献。另一方面，Si易在钢板表面形成Si系氧化物，有时成为不镀敷的原因，并且在退火时使奥氏体稳定化，易在最终产品形成残留奥氏体。

Mn作为通过固溶强化及马氏体形成来对高强度化作出贡献的元素是有效的。

Nb、Ti、V、Zr通过形成为与C或N形成碳化物或氮化物(也存在碳氮化物的情况)的微小析出物来对钢板的高强度化作出贡献。

Cu、Ni、Cr、Mo、B是因提高淬透性而使马氏体易生成而对高强度化作出贡献的元素。

这里，这些成分组成在钢带的长度方向上的分布大致恒定，能够针对一个钢带获取一个属性参数作为实绩数据。

并且，作为本实施方式的钢中氢量预测模型的学习用数据，除使用与钢带的成分组成相关的钢带的属性参数以外，作为钢带的属性参数还可以使用钢带的板厚、板宽、钢带的长度等钢带的尺寸所涉及的属性参数。这是因为：它们对连续式热浸镀设备内的导热产生影响，因此即使是相同的炉内气氛温度，也因钢板的温度变化不同而对钢带的钢中氢量产生影响。

＜钢带的钢中氢量控制方法＞

图4表示使用上述的钢中氢量预测方法的钢带的钢中氢量控制方法。

本实施方式中的钢中氢量控制方法的实施方式根据设置于连续式热浸镀设备的退火工序或再加热工序的至少任一个的相变率计20的设置位置而不同。具体而言，作为在如上述那样生成的钢中氢量预测模型的输入中使用的相变率信息，在设置有多个相变率计20的情况下，划分出比该设置在最下游侧的相变率计20靠上游侧的带域和其下游侧的带域。从连续式热浸镀设备的送入侧至上述相变率计20的带域被称为钢中氢量鉴定带。另外，比上述相变率计20靠下游侧的带域被称为钢中氢量控制带。并且，在作为钢中氢量预测的对象的钢带的前端部到达上述相变率计20的位置并获取到钢带的相变率信息的时刻，开始图4所示的控制流程。

在该时刻，对于作为钢中氢量的控制对象的钢带，在连续式热浸镀设备的钢中氢量鉴定带得到的连续式热浸镀设备的运行实绩数据和由相变率计20测定出的相变率信息成为钢中氢量预测模型的输入数据。有时将获取这些输入数据的步骤记载为输入数据获取步骤。在输入数据获取步骤中，还可以获取在该时刻的钢中氢量控制带中的连续式热浸镀设备的运行实绩数据或连续式热浸镀设备的运行条件的设定值，作为钢中氢量预测模型的输入数据。将像这样获取到的数据作为输入，使用钢中氢量预测模型来预测再加热工序的下游侧的钢带的钢中氢量。

另一方面，在本实施方式中，还在上位计算机设定了钢带的钢中氢量的上限值，将预测的钢中氢量与该上限值进行比较。这里，对于在氢脆裂纹实用上可能成为问题的环境下使用的钢材，优选钢中氢量的上限值设定为对将钢带的钢中氢量降低到不产生使用上的问题的程度的目标值考虑了一定的余量的值。例如，能够将钢中氢量的上限值设定为0.40ppm那样。

此时，在连续式热浸镀设备的运行条件设定部中，将如以上那样来预先设定的钢中氢量的上限值与钢中氢量的预测结果进行比较，若预测的钢中氢量为上限值以下，则保持初始设定不变地决定连续式热浸镀设备的运行条件，并发送至连续式热浸镀设备的控制部。另一方面，在预测的钢中氢量超过上限值的情况下，重新设定上述钢中氢量控制带中的运行条件。

具体而言，在连续式热浸镀设备之中，在设置在最下游侧的相变率计20(其中，是指在给出在钢中氢量预测模型的输入中使用的相变率信息的相变率计20之中最下游侧的意思)设置于退火工序的均热带7的出口的情况下，从连续式热浸镀设备的送入侧至均热带7的出口成为钢中氢量鉴定带，比均热带7的出口靠下游侧成为钢中氢量控制带。此时，若钢带的前端部到达均热带7的出口并由相变率计20获取到相变率信息，则开始图4所示的钢中氢量控制的流程。此时，在钢中氢量控制带，作为能够为了控制钢中氢量而使用的运行条件，能够重新设定从冷却带8(第一冷却带8A及第二冷却带8B)中的冷却条件、镀敷部中的炉鼻19内部的气氛温度、擦拭装置21的喷射压力等运行条件、合金化带17中的再加热条件、保温带18中的保温温度及保温时间、最终冷却带11中的冷却速度等中选择出的运行条件。另外，重新设定的运行条件并不一定限定为用作钢中氢量预测模型的输入的运行条件。

另一方面，在最下游侧的相变率计20设置于合金化带17的入口或出口的情况下，由于钢中氢量控制带被限定为保温带18或最终冷却带11之后的带域，所以作为在连续式热浸镀设备中重新设定的运行条件，被限定为保温带18中的保温时间、保温带18的气氛气体成分的混合比、最终冷却带11的冷却速度等。

因此，作为用作钢中氢量预测模型的输入的最下游侧的相变率计20的位置，通过用于进行重新设定的运行条件的自由度与基于钢中氢量预测模型的预测精度的兼顾来适当决定即可。即，通过加长钢中氢量鉴定带，从而钢中氢量的预测精度提高，但钢中氢量控制带中的能够重新设定的运行条件的自由度变低。相对于此，若缩短钢中氢量鉴定带，则钢中氢量的预测精度下降，但在钢中氢量控制带中能够重新设定的运行条件的自由度变高。

这里，具有γ相为主体的内部组织的钢带的钢中氢不易被释放，若α相的比率变大，则氢易被释放。因此，优选用于使钢中氢量有效降低的钢中氢量控制带设定在比退火部的冷却带8靠下游侧。如上述那样，当在连续式热浸镀设备之中设置多个相变率计20的情况下，优选以最下游侧的相变率计20为基准来划分出钢中氢量鉴定带和钢中氢量控制带。但是，用于划分钢中氢量鉴定带和钢中氢量控制带的相变率计20不需要一定是最下游侧的相变率计20。也可以以从多个相变率计20之中选择出的任意的相变率计为基准来划分出钢中氢量鉴定带和钢中氢量控制带。

＜钢中氢量预测装置＞

图5是表示钢中氢量预测装置的结构的图。钢中氢量预测装置具有获取部、输出部、存储部及预测部。

获取部例如包括能够从钢中氢量预测模型生成装置获取由机器学习部生成的钢中氢量预测模型的任意的接口。例如，获取部可以包括用于从钢中氢量预测模型生成装置获取钢中氢量预测模型的通信接口。在该情况下，获取部可以按照规定的通信协议从机器学习部接收钢中氢量预测模型。

另外，获取部例如从过程控制计算机或上位计算机获取连续式热浸镀设备的运行条件。例如，获取部可以包括用于获取运行条件的通信接口。

获取部也可以获取基于用户的操作的输入信息。在该情况下，钢中氢量预测装置还具有输入部，该输入部包括检测用户输入并获取基于用户的操作的输入信息的一个以上的输入接口。例如，输入部是物理键、静电电容键、与输出部的显示器一体设置的触摸屏或者接受声音输入的麦克风等，但并不限定于它们。例如，输入部接受对于由获取部从钢中氢量预测模型生成装置获取到的钢中氢量预测模型的运行条件的输入。

存储部包括至少一个半导体储存器、至少一个磁储存器、至少一个光储存器或它们中的至少两种的组合。存储部例如作为主存储装置、辅助存储装置、或者高速缓冲储存器发挥功能。存储部存储钢中氢量预测装置的动作所使用的任意的信息。存储部例如存储由获取部从钢中氢量预测模型生成装置获取到的钢中氢量预测模型、由获取部从上位计算机获取到的运行条件、以及由预测部预测出的钢中氢量信息。例如，存储部可以存储***程序及应用程序等。

预测部包括一个以上的处理器。在一个实施方式中，“处理器”是通用处理器或为特定处理定制的专用处理器，但并不限定于它们。预测部与构成钢中氢量预测装置的各结构部以可通信的方式连接，控制钢中氢量预测装置整体的动作。

预测部例如能够是PC(Personal Computer)或智能手机等任意的通用电子设备。预测部并不限定于它们，也可以是一个或相互可通信的多个服务器装置，也可以是专用于钢中氢量预测***的其他电子设备。

预测部基于经由获取部获取到的运行条件并基于从钢中氢量预测模型生成装置获取到的钢中氢量预测模型来计算钢中氢量的预测值。

输出部将从预测部供给的钢中氢量的预测值供给至后述的运行条件设定装置。

输出部可以包括输出信息来通知给用户的一个以上的输出接口。输出用接口例如为显示器。显示器例如是LCD或有机EL显示器。输出部输出通过钢中氢量预测装置的动作而得到的数据。输出部也可以作为外部的输出设备与钢中氢量预测装置连接来代替被装备于钢中氢量预测装置。作为连接方式，例如，能够使用USB、HDMI(注册商标)或Bluetooth(注册商标)等任意的方式。例如，输出部是通过影像输出信息的显示器或者通过声音输出信息的扬声器等，但并不限定于它们。例如，输出部对用户提示由预测部预测出的钢中氢量的预测值。用户能够基于由输出部提示的钢中氢量信息的预测值来适当设定连续式热浸镀锌设备的运行条件。

关于以上那样的钢带的钢中氢量预测装置，更优选的方式为一种包括如下终端装置作为平板终端的钢中氢量预测装置，该终端装置具有获取基于用户的操作的输入信息的输入部和显示基于预测部的钢中氢量的显示部。其从输入部获取基于用户的操作的输入信息，通过获取到的输入信息来更新已经被输入至钢中氢量预测装置的连续式热浸镀设备的运行参数的一部分或全部。即，当对于在连续式热浸镀设备正进行处理的钢带由钢中氢量预测装置的预测部预测出钢带的钢中氢量的情况下，受理运行负责人使用平板终端来对已经被输入至获取部的连续式热浸镀设备的运行参数的一部分进行修正输入的操作。此时，获取部针对连续式热浸镀设备的运行参数之中的未被从平板终端进行修正输入的运行参数保持最初的输入数据，而仅变更进行了修正输入的运行参数。由此，在获取部中生成钢中氢量预测模型的新的输入数据，由预测部计算基于该输入数据的钢中氢量的预测值。并且，计算出的钢中氢量的预测值通过输出部来显示于终端的显示部。

由此，连续式热浸镀设备的运行负责人或工厂责任人等能够立即确认变更了连续式热浸镀设备的运行参数的情况下的钢中氢量的预测值，能够迅速地进行向适当的运行条件的变更。

(第一实施方式的实施例)

以下，使用实施例来对本实施方式具体地进行说明。

在图1所示那样的热浸镀锌设备中，制造了200卷热浸镀锌钢板(钢中氢量的上限值为0.40ppm)。此时，将被装入热浸镀锌设备的钢板的属性信息的实绩数据和热浸镀锌设备中的运行参数的运行实绩数据作为输入实绩数据，将使用该输入实绩数据的热浸镀锌设备的送出侧的钢板的钢中氢量作为输出实绩数据，而获取到多个学习用数据。通过使用获取到的多个学习用数据的机器学习，利用图3所示的方法，生成了将与再加热工序的下游侧的钢带的钢中氢量相关的信息作为输出数据的钢中氢量预测模型。

在钢中氢量预测模型的生成时，成为输入的与钢带的成分组成相关的钢带的属性参数使用了C、Si、Mn的含量。另外，将作为连续式热浸镀设备的运行实绩数据的均热带7中的钢板温度、钢带的前端部通过均热带7时的输送速度作为输入。并且，在本实施例中，在图1所示的连续式热浸镀设备的均热带7的出口和保温带18的入口这两处设置在线的相变率计20，将根据它们的相变率测定出的相变率信息的实绩数据用作输入实绩数据。并且，在本实施例中，使用钢带的板厚及板宽的设定值作为其他输入来生成氢量预测模型。

这里，作为学习用数据获取到的钢带的钢中氢量是在热浸镀锌设备通板后采集试验片并根据基于气相色谱的升温氢分析法得到的钢中氢量。

将像这样生成的钢中氢量预测模型应用于图4所示的钢中氢量控制中的钢中氢量预测部，制造了100卷热浸镀锌钢板。即，使用钢中氢量预测模型的钢带的钢中氢量预测方法被应用于钢带的钢中氢量控制方法及制造方法。

此时，使用上述的钢中氢量预测模型来预测热浸镀锌设备的送出侧的钢板的钢中氢量，以预测出的钢中氢量进入到预先设定的上限值(在该情况下设定为0.40ppm)的方式重新设定了热浸镀锌设备中的运行参数。此时，最下游侧的相变率计20被设置于保温带18的入口，因此从连续式热浸镀设备的送入侧至保温带18的入口成为钢中氢量鉴定带，比保温带18的入口靠下游侧成为钢中氢量控制带。图4所示的流程在钢带的前端部到达保温带18的入口之后开始。在钢中氢量控制带，作为为了控制钢中氢量而使用过的运行条件，重新设定了保温带18中的保温温度和保温时间、冷却带8中的冷却速度。然后，收集了通过这些钢带的钢中氢量测定试验得到的钢中氢量。其结果是95％的钢带为钢中氢量的上限值(0.40ppm)以下。

另一方面，作为比较例，通过专利文献1记载的方法进行了同样的实验。其结果是成为钢中氢量的上限值以下的钢带为65％。

(第二实施方式)

本公开的第二实施方式的钢带的钢中氢量预测方法对冷轧钢板在连续退火设备送出侧的钢中氢量进行预测，冷轧钢板通过利用连续退火设备对经由热轧工序、酸洗工序、冷轧工序而被减厚至规定的板厚的钢板进行热处理来制造。至少在热轧工序之后，薄钢板被卷绕成卷状后进行热处理等，因此，在本实施方式中，有时将该薄钢板记载为“钢带”。

＜连续退火设备＞

在本实施方式中，连续退火设备将执行包括退火工序及再加热工序的制造工序的连续退火设备(CAL)作为对象。以下，参照附图来具体说明连续退火设备。

图6是表示制造冷轧钢板的连续退火设备的设备例的示意图。图6的箭头表示钢带的行进方向。连续退火设备大致分为送入侧设备、炉体部及送出侧设备。送入侧设备具有开卷机1、焊接机2、电解清洁装置3及送入侧活套辊4。炉体部由退火部及再加热部构成。送出侧设备具有送出侧活套辊12、平整轧制设备13、检查设备14及张力卷取机15。检查设备14具有从钢带采集用于离线测定钢中氢量的样本材料的样本采集设备。

退火部具有加热带6、均热带7及冷却带8，在加热带6的上游侧有时具有预热带5。本实施方式中的退火工序是指由退火部实施的热处理工序。更具体而言，退火工序是使钢带从室温附近升温并在保持为规定的温度后使钢带的温度下降至室温附近的工序。再加热部具有再加热带9、过时效带10、最终冷却带11，在再加热带9配置感应加热装置。本实施方式中的再加热工序是指由再加热部实施的热处理工序。更具体而言，再加热工序是进行经过了冷却带8的钢带的过时效处理的工序。

加热带6是用于使钢带升温的设备，根据钢种加热至在600～900℃左右的范围内预先设定的温度。在加热带6中，使用直火或辐射式燃烧器。这些加热装置的加热容量大，响应也比较快，因此易使加热周期(heat cycle)变更时的升温历程变更。均热带7是将钢带保持为规定温度的设备，是补偿炉体散热等的程度的加热容量的设备。

冷却带8是将钢带冷却至规定的温度的设备，作为冷却方法使用气体射流冷却、辊冷却、水冷却(水淬)等。气体射流冷却是从喷嘴向钢带的表面吹出气体的冷却方法。辊冷却是使钢带与水冷辊接触来进行冷却的冷却方法。水冷却是使钢带浸渍在设置于均热带7的下游侧的水冷槽中来进行冷却的冷却方法。这些冷却装置对钢带的冷却速度分别不同，因此可以将冷却带8划分为第一冷却带8A和第二冷却带8B等多个，通过组合不同的冷却方法、或者变更同种冷却方法的冷却条件来控制钢带冷却时的热历程。

另外，向加热带6、均热带7、冷却带8的各内部供给含有氢气、氮气、水蒸气的混合气体，调整退火工序中的气氛。此时，由于供给气体中含有水蒸气，因此在退火工序的气氛中，不仅气体组成被调整，露点也被调整。

再加热带9配置在冷却带8的下游侧，在冷却带8中将钢带冷却至规定的温度后，使用感应加热装置来再加热为300～400℃左右的温度。过时效带10是进行将再加热了的钢带保持规定时间的过时效处理的设备。最终冷却带11是将进行了过时效处理的钢带最终冷却至室温附近的设备。最终冷却带11也与冷却带8同样，可以划分为第一最终冷却带11A和第二最终冷却带11B等多个冷却带来控制钢带冷却时的热历程。

在连续退火设备中，在构成退火部的加热带6、均热带7、冷却带8、构成再加热工序的再加热带9、过时效带10、最终冷却带11中，在多个位置设置测定钢带的表面温度的温度计。特别是在钢带的温度变化大的冷却带8中，在冷却带8的送入侧和送出侧设置温度计，通过测定这些位置处的钢带的表面温度来计算冷却带8的冷却速度的实绩值。作为温度计，例如使用连续测定钢带的板宽中央部的表面温度的辐射温度计。温度计并不限定于辐射温度计，作为其他的例子，也可以是测定板宽方向的温度分布的轮廓(profile)辐射温度计。另外，设置不仅测量钢带的表面温度、还测定退火工序及再加热工序的各带域中的炉内的气氛温度的炉内温度计。测定出的钢带的表面温度及气氛温度被输出至控制连续退火设备并总控运行的过程控制计算机。

图7是表示包括制造冷轧钢板的连续退火设备的退火工序及再加热工序的钢带的热历程的曲线图。横轴表示时间，纵轴表示钢带温度。钢带温度例如是钢带的表面温度。示出了利用加热带6、均热带7、冷却带8来实施退火工序、然后通过再加热带9、过时效带10及最终冷却带11来实施再加热工序的钢带的热历程。为了防止因钢带的长度方向位置引起的材质的偏差，将退火工序中的钢带的输送速度保持为恒定。不过，在对板厚、板宽、钢种等不同的钢带进行了焊接的情况下，也存在生产线速度在焊接部的前后发生变化的情况。因此，也存在热历程的曲线图的形状根据钢带的测定位置而变动的情况。此外，根据运行条件，存在不执行基于再加热带9、过时效带10及最终冷却带11的再加热工序的情况。在这种情况下，通过了冷却带8的钢带的钢带温度在室温程度下大致成为恒定的热历程。

＜气氛气体的控制＞

向实施退火工序的加热带6、均热带7、冷却带8的各内部供给含有氢气、氮气、水蒸气的混合气体，由此控制退火工序的气氛。退火工序的气氛所含有的氢气对在退火工序中侵入至钢带的氢量产生影响，因此测定投入的气体的组成及流量，根据需要进行调整及控制。

在加热带6，能够使用辐射管(RT)或电加热器等加热装置来间接加热钢带。能够与来自均热带7及冷却带8的气体流入至加热带6同时地另外向加热带6供给还原性气体或非氧化性气体。作为还原性气体，通常使用H₂-N₂混合气体。作为这样的H₂-N₂混合气体，例如可举出具有1～20体积％为H₂、剩余部分由N₂及不可避免的杂质构成的组成的气体(露点：-60℃左右)。另外，作为非氧化性气体，使用具有由N₂及不可避免的杂质构成的组成的气体(露点：-60℃左右)。向加热带6的气体供给的方法不特别限定，但优选从高度方向上为两处以上、长度方向上为一处以上的投入口供给气体，以便向加热带6内均匀地投入气体。

在均热带7，能够使用辐射管作为加热机构来间接加热钢带。均热带7内部的平均温度优选为700～900℃。向均热带7供给还原性气体或非氧化性气体。作为还原性气体，通常使用H₂-N₂混合气体，例如可以举出具有1～20体积％为H₂、剩余部分由N₂及不可避免的杂质构成的组成的气体(露点：-60℃左右)。另外，作为非氧化性气体，可以举出具有由N₂及不可避免的杂质构成的组成的气体(露点：-60℃左右)。

冷却带8具备冷却装置，钢带在冷却带8中的通板过程中被冷却。能够与均热带7同样，向冷却带8也供给上述气体。优选从冷却带8的高度方向上为两处以上、长度方向上为两处以上的投入口供给气体，以便向冷却带8内均匀地投入气体。

在执行退火工序的加热带6、均热带7、冷却带8设置用于测定炉内的气体气氛的氢浓度计、露点计。氢浓度计使用对气体在催化剂表面的接触燃烧引起的铂丝线圈的温度上升进行测定的接触燃烧式传感器。例如，能够使用新cosmos电机株式会社制的可燃性气体探测器XP-3110。不过，也可以使用利用基于气体浓度引起的热传导率的变化来检测氢浓度的方式等其他测定方式的氢浓度计。露点计使用静电电容式或镜面冷却式的露点计即可。例如，能够使用VAISALA公司制的DMT345露点转换器。

优选氢浓度计设置在加热带6、均热带7、冷却带8中的任一个。氢浓度计的设置位置只要是加热带6、均热带7、冷却带8，则可以是任意位置。不过，钢带的温度越高则钢中的氢越易扩散，因此优选氢浓度计被设置在加热带6的送出侧附近或均热带7。另外，氢浓度计的设置位置可以是任一处，但优选将多个氢浓度计设置于不同的位置。这是因为：通过得到多个氢浓度信息，从而钢中氢量的预测精度提高。测定出的值被输出至过程控制计算机。

露点计也同样，优选设置在加热带6、均热带7、冷却带8中的任一个。露点计的设置位置只要是加热带6、均热带7、冷却带8，则可以是任意位置。设置位置可以为任一处，但优选将多个露点计设置在不同的位置。这是因为：通过得到多个露点信息，从而钢中氢量的预测精度提高。测定出的值被输出至过程控制计算机。

向再加热工序的各带域内部供给含有氢气、氮气、水蒸气的混合气体，由此控制气氛。气氛中所含有的氢气对在再加热工序中侵入钢带的氢量产生影响，因此测定投入的气体的组成及流量，根据需要来进行调整及控制。

在再加热工序也设置用于测定气体气氛的氢浓度计、露点计。氢浓度计、露点计的设置位置可以是任意位置。设置个数可以为分别各一处，但优选将多个氢浓度计、露点计设置在不同的位置。这是因为：通过得到多个氢浓度计信息、露点信息，从而钢中氢量的预测精度提高。测定出的值被输出至过程控制计算机。

＜相变率计＞

相变率计20是作为热处理工序中的钢带的内部组织而测定奥氏体相(γ相)相对于整体的比率的测量器。在连续退火设备中，多根据特定的奥氏体相(γ相)和铁素体相(α相)这两相状态利用相变来对钢板的组织进行组织控制。因此，作为相变率计20，能够使用利用了X射线衍射的相变率计20。由于γ相和α相的结晶构造不同，因此若照射X射线，则从各自以固有的角度产生衍射峰。这是根据该衍射峰强度来将相变率(γ率)定量化的方法。例如，能够使用SMS公司制的被称为X-CAP的产品。另外，可以使用如下方法：使用由产生磁场的驱动卷材和测定通过了钢带的磁场的检测卷材构成的磁相变率测定装置作为磁检测器、即测定钢带的磁相变率的装置来测定奥氏体相率。具体而言，能够使用日本特开2019-7907号公报所记载的装置。

在本实施方式中，将这种测定奥氏体相比率的相变率计20设置在上述连续退火设备的退火工序或再加热工序的至少任一个。例如图6的相变率计20示出设置部位的候补位置。作为设置场所，例如是退火工序的均热带7的入口、均热带7的出口、冷却带8的入口，优选设置在再加热工序中的再加热带9的入口或出口。另外，相变率计20的设置部位可以是任一处，但优选设置在多个不同的位置。这是因为：通过得到多个相变率信息，从而钢中氢量预测精度提高。

＜与钢带的钢中氢量相关的信息＞

关于与钢中氢量相关的信息使用从在上述连续退火设备的样本采集设备中采集到的钢带的样本材料采集试验片并由离线的钢中氢量测定装置测定出的扩散性氢量的值。作为钢中氢量测定装置，能够使用作为钢中所含有的氢量能够在0.01～10ppm的范围内进行测定的任意的测定装置。具体而言，能够使用利用基于气相色谱的升温氢分析法的测定装置。

氢量测定方法存在气相色谱质量分析法(GC/MS)、升温脱除气体分析法(TDS)等。作为装置，存在GL Sciences株式会社的GC-4000Plus、株式会社UBE科学分析中心的TDS1200等。

钢中氢量能够通过以下的升温分析法进行测定。首先，从冷轧钢板切出5×30mm左右的试验片。试验片使用沟槽铣床(精密研磨机)来被去除试验片表面，并被放入至石英管中。接下来，在石英管中用Ar置换之后，以200℃/hr进行升温，通过气相色谱测定至400℃为止产生的氢。此时，钢中的扩散性氢量为在室温(25℃)～400℃的温度区检测出的氢量的累积值。

像这样获取到的与钢带的钢中氢量相关的信息与采集了试验片的钢带的识别编号(卷材编号)一同发送到上位计算机(对过程控制计算机给出制造指示的计算机)，并根据需要将与其采集位置相关的信息一同发送到上位计算机(对过程控制计算机给出制造指示的计算机)。

＜钢中氢量预测模型的生成方法＞

图8表示本实施方式所涉及的钢带的钢中氢量预测模型的生成方法。

连续退火设备的运行实绩数据、由相变率计20测定出的钢带的相变率信息的实绩数据以及与钢带的钢中氢量相关的信息的实绩数据被蓄积在数据库中。关于连续退火设备的运行实绩数据的详细内容将后述，但从总控连续退火设备的运行的过程控制计算机具有的运行实绩数据中选择出的实绩数据被发送至钢中氢量预测模型生成部的数据库。另外，钢带的相变率信息的实绩数据是从上述的相变率计20得到的相变率信息，在相变率信息被蓄积在过程控制计算机的情况下，从过程控制计算机被发送至数据库。不过，在相变率信息未被蓄积在过程控制计算机的情况下，被直接发送至钢中氢量预测模型生成部的数据库。

钢中氢量的信息例如与钢带的卷材编号等能够与连续退火设备的运行实绩数据建立关联的附带信息一同被发送至数据库。并且，与钢带的钢中氢量相关的信息的实绩数据是通过离线试验得到的信息，被蓄积在上位计算机。该信息也与钢带的卷材编号等能够与连续退火设备的运行实绩数据建立关联的附带信息一同被发送至数据库。并且，连续退火设备的运行实绩数据、由相变率计20测定出的钢带的相变率信息的实绩数据以及与钢带的钢中氢量相关的信息的实绩数据通过卷材编号等建立关联，作为一组数据集蓄积在数据库中。此时，蓄积在数据库中的数据集按每1条钢带获取一个数据集。不过，在如钢带的前端部及尾端部那样在多处得到与钢带的钢中氢量相关的信息的实绩数据的情况下，也可以使用在该钢带的前端部及尾端部等多处获取到的连续退火设备的运行实绩数据和钢带的相变率信息的实绩数据来按每1条钢带获取多个数据集。

另外，优选数据库具有从与钢带的成分组成相关的钢带的属性参数中选择出的一个以上的参数。与钢带的成分组成相关的钢带的属性参数的实绩数据作为制钢工序中的实绩值与卷材编号一同被蓄积在过程控制计算机或上位计算机，通过适当发送至数据库，能够构成数据集。通过在输入中加入与钢带的成分组成相关的钢带的属性参数，能够将本实施方式的钢中氢量预测模型广泛应用于成分组成不同的钢带。

作为在本实施方式的钢中氢量预测模型的生成中使用的数据库的数据集数，优选为200个以上，更加优选为1000个以上。

在本实施方式中，使用像这样创建出的数据库，将至少从连续退火设备的运行实绩数据中选择出的一个以上的运行实绩数据和由设置在退火工序及再加热工序的任一处以上的相变率计20测定出的相变率信息的实绩数据作为输入实绩数据，生成使用该输入实绩数据的通过机器学习而被学习过的钢带的钢中氢量预测模型。

机器学习的方法只要应用公知的学习方法即可，只要可得到实用上充分的钢板的钢中氢量的预测精度，则可以是任何机器学习模型。例如，可以使用基于包括深度学习、卷积神经网络(CNN)、循环神经网络(RNN)等的神经网络的公知的机器学习算法。作为其他算法，能够例示决策树学习、随机森林、支持向量回归、高斯过程等。另外，还可以使用组合有多个模型的集成模型。另外，钢中氢量预测模型只要使用最新的学习数据来适当更新即可。这是因为：能够应对连续退火设备的长期的运行条件的变化。

＜连续退火设备的运行参数＞

作为连续退火设备中的运行参数，能够使用除由相变率计20测定的相变率信息以外的参数中的、对钢带的钢中氢量产生影响的任意的运行参数。作为连续退火设备中的运行参数，主要大致分为与钢带的热历程相关的运行参数、与供钢带通过的连续退火设备的气氛气体相关的运行参数。

＜与热历程相关的运行参数＞

若使用图7所示的退火工序及再加热工序中的钢带的热历程的例子，则能够使用如下连续退火设备中的运行参数。

例如，作为加热带6的运行参数，可以使用钢带通过加热带6的时间和温度上升量，或者也可以使用根据这些值计算出的平均升温速度。

作为均热带7的运行参数，可以使用钢带在均热带7的平均温度亦即均热温度和通过均热带7的时间亦即均热时间。作为冷却带8的运行参数，可以使用钢带通过第一冷却带8A的时间和温度下降量，或者也可以使用根据这些值计算出的平均冷却速度。另外，作为冷却带8的运行参数，可以使用钢带通过第二冷却带8B的时间和温度下降量，或者也可以使用根据这些值计算出的平均冷却速度。

另外，也可以将加热带6中的加热装置的控制输出值及冷却带8中的冷却装置的控制输出值用作运行参数。这是因为：这些运行参数是为了控制退火工序中的钢带的温度历程而使用的运行参数。并且，可以还使用均热带7中的钢带的生产线速度、冷却带8中的平均冷却速度、气体喷射等冷却装置的喷射压力等。这是因为：这些也是对钢带的热历程产生影响的因素。

作为再加热带9的运行参数，可以使用由配置在设置于再加热带9的感应加热装置的送入侧与送出侧的辐射温度计测定出的温度上升量和其通过时间，或者也可以使用根据这些值计算出的平均升温速度。作为过时效带10的运行参数，可以使用钢带在过时效带10的平均温度和通过过时效带10的时间。作为最终冷却带11的运行参数，可以使用钢带通过最终冷却带11的时间和温度下降量，或者也可以使用根据这些值计算出的平均冷却速度。并且，也可以将再加热带9中的加热装置的控制输出值及最终冷却带11中的冷却装置的控制输出值用作运行参数。这是因为：这些运行参数是为了控制再加热工序中的钢带的温度历程而使用的运行参数。

＜与气氛气体相关的运行参数＞

作为本实施方式所涉及的连续退火设备中的运行参数，除上述那样的与钢带的热历程相关的运行参数以外，还可以选择与供钢带通过的连续退火设备的气氛气体相关的运行参数。

作为退火部中的运行参数，能够使用加热带6、均热带7、冷却带8各带域中的气氛气体的气体组成。特别优选使用氢浓度。这是因为：对在退火工序中侵入至钢带的氢量产生影响。

作为再加热部中的运行参数，能够使用再加热带9、过时效带10、最终冷却带11各带域中的气氛气体的气体组成。特别优选使用氢浓度。这是因为：对在再加热工序中钢中氢向外部的脱离容易度产生影响。

另外，各内部的气体成分的浓度因被供给至退火部及再加热部的H₂、N₂、H₂O而发生变化，因此内部的露点发生变化，即H₂O浓度发生变化。由此，对气氛中的H₂的浓度产生影响，因而也可以将退火部及再加热部的露点作为连续退火设备中的运行参数来使用。

＜连续退火设备的运行参数的选择＞

在本实施方式中，将从以上的连续退火设备的运行参数中选择出的一个以上的运行参数作为钢带的钢中氢量预测模型的输入。

此时，使用与退火部、再加热部中的钢带的热历程相关的运行参数是因为钢中的氢的扩散速度受钢带的温度影响。另外，还因为：在氢的扩散速度大的情况下，氢易从钢带的表面侵入。

另外，将钢带通过退火部、再加热部时的、通过各带域的时间(停留时间)作为二运行参数来使用是因为对氢向钢中侵入或者排出的量产生影响。还因为：它们的量贯穿在钢中的扩散时间发生变化。

此时，钢中的氢量在钢带被保持为高温的退火部中增加，在被保持为较低温度的再加热部中减少。因此，作为与热历程相关的运行参数，优选组合从退火部的运行参数中选择出的一个以上的参数和从再加热部的运行参数中选择出的一个以上的参数来使用。这是因为：在连续退火设备的送出侧检测的钢带的钢中氢量受氢向钢中的侵入与排出的平衡影响大。

另一方面，如上述那样，使用与退火部、再加热部各带域中的气氛相关的运行参数是因为氢向钢中的侵入与排出受气氛气体的组成影响。因此，在本实施方式中，优选组合从与热历程相关的运行参数中选择出的一个以上的参数和从与气氛气体相关的运行参数中选择出的参数来使用。这是因为：它们均对氢向钢中的侵入与排出行为产生影响。

对于本实施方式中的连续退火设备中的运行参数而言，作为上述运行数据，按每1条钢带获取1组运行参数作为学***均化而得的数据。

＜相变率信息＞

在本实施方式中，将测定奥氏体相比率的相变率计20设置于连续退火设备的退火工序或再加热工序的至少任一个，将相变率计20的测定结果形成为相变率信息，来作为上述钢中氢量预测模型的学习用数据之一。

通过相变率计20得到的数据是作为钢带的奥氏体相比率数据而相对于钢带的长度方向按照每个采样周期得到的连续数据，但针对1条钢带计算出代表值，并将其作为相变率信息的实绩数据。此时，优选将成为钢中氢量预测模型的输出的、在与获取与钢带的钢中氢量相关的信息的实绩数据的位置大致对应的位置测定出的相变率的测定结果作为相变率信息的实绩数据。在连续退火设备中，也存在钢带的相变率在长度方向上变动的情况，由于相变率与钢带的钢中氢量的相关关系比较强，所以通过使相变率的测定值与钢中氢量的实绩数据采集位置对应，从而能够以更高的精度进行钢中氢量预测。

这里，对于钢中氢量的预测，钢带的奥氏体相(γ相)的比率成为重要的参数。通常，与铁素体相(α相)相比，奥氏体相的氢的扩散系数约小一个数量级。因此，在如连续退火设备的均热部那样被保持为高温且γ相成为主体的带域中，氢从周围的气氛气体向钢中的侵入变慢，并且暂时侵入到钢中的氢难以向周围释放。另一方面，在如过时效带10那样形成含有一定程度的铁素体相(α相)的内部组织的带域中，氢从周围的气氛气体向钢中的侵入被促进，然而即使氢暂时侵入至钢中，也易向周围释放。

在连续退火设备中，通过利用钢带的相变的组织控制来控制钢的机械特性，在钢带通过退火部(加热带6、均热带7、冷却带8)、再加热部(再加热带9、过时效带10、最终冷却带11)各带域的中途阶段，钢带的内部组织发生变化，因此利用相变率计20来获取关于钢带的奥氏体相(γ相)的信息，从而钢带的钢中氢量的预测精度提高。

另外，钢带的相变行为根据成为产品的钢带的强度等级及成分组成而改变，其内部组织变化的历程也发生变化。因此，在欲对不同的钢种预测钢中的氢量的情况下，在钢中氢量的预测模型中使用反映出钢带的内部组织的信息的相变率计20的相变率信息的意义变大。

另一方面，在本实施方式中，除连续退火设备的运行参数以外、还使用由相变率计20测定出的相变率信息的理由如下。连续退火设备的运行参数贯穿钢带的内部组织中的恢复、再结晶、晶粒生长、析出、相变等过程来对钢带的钢中氢量产生影响。但是，这样的内部组织的变化不是仅由连续退火设备的运行参数决定的，还受到其前工序亦即热轧工序及冷轧工序中的加工历程的影响。例如，热轧工序中的卷取温度对作为热轧钢板的内部组织的析出物的大小(分布)及量产生影响，并对热处理工序中的晶粒生长及相变行为产生影响。另外，冷轧工序中的压下率通过蓄积在冷轧钢板的内部组织的应变状态来对退火工序的再结晶、晶粒生长及相变行为产生影响。因此，作为钢中氢量预测模型的学习用数据，仅是连续退火设备的运行参数，无法考虑比这样的退火工序更前的工序的运行参数对钢带热处理后的钢中氢量产生的影响，因此难以实现预测钢中氢量的预测。

相对于此，通过在学习用数据中使用在加热工序或再加热工序中由相变率计20测定出的相变率信息，能够将退火工序的前工序亦即热轧工序及冷轧工序中的运行参数对钢带热处理后的钢中氢量产生的影响作为间接信息在连续退火设备中的工序中考虑。由此，能够作为钢中氢量预测模型来实现钢中氢量的预测。

综上，在本实施方式中，将测定奥氏体相比率的相变率计20设置于连续退火设备的退火工序或再加热工序的至少任一个，将相变率计20的测定结果形成为相变率信息，来作为上述钢中氢量预测模型的学习用数据之一。

＜与钢带的成分组成相关的属性参数＞

在本实施方式中，作为上述钢中氢量预测模型的输入数据，优选还具有从与钢带的成分组成相关的钢带的属性参数中选择出的一个以上的参数。这是因为：热处理工序中的相变行为及内部组织受钢带的成分组成影响。另外，还因为：能够生成对作为通过连续退火设备制造的冷轧钢板的具有各种成分组成的钢带的钢中氢量进行预测的钢中氢量预测模型，钢中氢量预测模型的应用范围扩大。

作为与钢带的成分组成相关的属性参数，能够使用作为钢带所含有的化学成分的C、Si、Mn的含量。另外，与钢带的成分组成相关的属性参数可以包括Cu、Ni、Cr、Mo、Nb、Ti、V、B、Zr的含量。不过，不需要将这些成分组成全部用作与钢带的成分组成相关的属性参数。只要根据在连续退火设备中作为制造对象的钢带的种类来适当选择一部分即可。

C是对钢板的高强度化有效的元素，通过形成作为钢组织的硬质相之一的马氏体来对高强度化作出贡献。

Si是主要通过固溶强化来对高强度化作出贡献的元素，相对于强度上升，延展性的下降比较少，不仅对强度作出贡献，还对强度与延展性的平衡提高作出贡献。另一方面，Si易在钢板表面形成Si系氧化物，在退火时使奥氏体稳定化，易在最终产品形成残留奥氏体。

Mn作为通过固溶强化及马氏体形成来对高强度化作出贡献的元素是有效的。

Nb、Ti、V、Zr通过形成为与C或N形成碳化物或氮化物(也存在碳氮化物的情况)的微小析出物来对钢板的高强度化作出贡献。

Cu、Ni、Cr、Mo、B是因提高淬透性而使马氏体易生成而对高强度化作出贡献的元素。

这里，这些成分组成在钢带的长度方向上的分布大致恒定，能够针对一个钢带获取一个属性参数作为实绩数据。

并且，作为本实施方式的钢中氢量预测模型的学习用数据，除使用与钢带的成分组成相关的钢带的属性参数以外，作为钢带的属性参数还可以使用钢带的板厚、板宽、钢带的长度等钢带的尺寸所涉及的属性参数。这是因为：它们对连续退火设备内的导热行为产生影响，因此即使是相同的炉内气氛温度，也因钢板的温度变化不同而对钢带的钢中氢量产生影响。

＜钢带的钢中氢量控制方法＞

图9表示使用上述的钢中氢量预测方法的钢带的钢中氢量控制方法。

本实施方式中的钢中氢量控制方法的实施方式根据设置于连续退火设备的退火工序或再加热工序的至少任一个的相变率计20的设置位置而不同。具体而言，作为在如上述那样生成的钢中氢量预测模型的输入中使用的相变率信息，在设置有多个相变率计20的情况下，划分出比该设置在最下游侧的相变率计20靠上游侧的带域和其下游侧的带域。从连续退火设备的送入侧至上述相变率计20的带域被称为钢中氢量鉴定带。另外，比上述相变率计20靠下游侧的带域被称为钢中氢量控制带。并且，在作为钢中氢量预测的对象的钢带的前端部到达上述相变率计20的位置并获取到钢带的相变率信息的时刻，开始图9所示的控制流程。

在该时刻，对于作为钢中氢量的控制对象的钢带，在连续退火设备的钢中氢量鉴定带得到的连续退火设备的运行实绩数据和由相变率计20测定出的相变率信息成为钢中氢量预测模型的输入数据。有时将获取这些输入数据的步骤记载为输入数据获取步骤。在输入数据获取步骤中，还可以获取在该时刻的钢中氢量控制带中的连续退火设备的运行实绩数据或连续退火设备的运行条件的设定值，作为钢中氢量预测模型的输入数据。将像这样获取到的数据作为输入，使用钢中氢量预测模型来预测再加热工序的下游侧的钢带的钢中氢量。

另一方面，在本实施方式中，还在上位计算机设定了钢带的钢中氢量的上限值，将预测的钢中氢量与该上限值进行比较。这里，对于在氢脆裂纹实用上可能成为问题的环境下使用的钢材，优选钢中氢量的上限值设定为对将钢带的钢中氢量降低到不产生使用上的问题的程度的目标值考虑了一定的余量的值。例如，能够将钢中氢量的上限值设定为0.30ppm那样。

此时，在连续退火设备的运行条件设定部中，将如以上那样来预先设定的钢中氢量的上限值与钢中氢量的预测结果进行比较，若预测的钢中氢量为上限值以下，则保持初始设定不变地决定连续退火设备的运行条件，并发送至连续退火设备的控制部。另一方面，在预测的钢中氢量超过上限值的情况下，重新设定上述钢中氢量控制带中的运行条件。

具体而言，在连续退火设备之中，在设置在最下游侧的相变率计20(其中，是指在给出在钢中氢量预测模型的输入中使用的相变率信息的相变率计20之中最下游侧的意思)设置于退火工序的均热带7的出口的情况下，从连续退火设备的送入侧至均热带7的出口成为钢中氢量鉴定带，比均热带7的出口靠下游侧成为钢中氢量控制带。此时，若钢带的前端部到达均热带7的出口并由相变率计20获取到相变率信息，则开始图9所示的钢中氢量控制的流程。此时，在钢中氢量控制带，作为能够为了控制钢中氢量而使用的运行条件，能够重新设定从冷却带8(第一冷却带8A及第二冷却带8B)中的冷却条件、再加热带9中的再加热条件、过时效带10中的保温温度及保温时间、最终冷却带11中的冷却速度等中选择出的运行条件。另外，重新设定的运行条件并不一定限定为用作钢中氢量预测模型的输入的运行条件。

另一方面，在最下游侧的相变率计20设置于再加热带9的入口或出口的情况下，由于钢中氢量控制带被限定为过时效带10或最终冷却带11之后的带域，所以作为在连续退火设备中重新设定的运行条件，被限定为过时效带10中的保温时间、过时效带10的气氛气体成分的混合比、最终冷却带11的冷却速度等。

因此，作为用作钢中氢量预测模型的输入的最下游侧的相变率计20的位置，通过用于进行重新设定的运行条件的自由度与基于钢中氢量预测模型的预测精度的兼顾来适当决定即可。即，通过加长钢中氢量鉴定带，从而钢中氢量的预测精度提高，但钢中氢量控制带中的能够重新设定的运行条件的自由度变低。相对于此，若缩短钢中氢量鉴定带，则钢中氢量的预测精度下降，但在钢中氢量控制带中能够重新设定的运行条件的自由度变高。

这里，具有γ相为主体的内部组织的钢带的钢中氢不易被释放，若α相的比率变大，则氢易被释放。因此，优选用于使钢中氢量有效降低的钢中氢量控制带设定在比退火部的冷却带8靠下游侧。如上述那样，当在连续退火设备之中设置多个相变率计20的情况下，优选以最下游侧的相变率计20为基准来划分出钢中氢量鉴定带和钢中氢量控制带。但是，用于划分钢中氢量鉴定带和钢中氢量控制带的相变率计20不需要一定是最下游侧的相变率计20。也可以以从多个相变率计20之中选择出的任意的相变率计为基准来划分出钢中氢量鉴定带和钢中氢量控制带。

＜钢中氢量预测装置＞

钢中氢量预测装置的结构与第一实施方式相同(参照图5)。不过，第一实施方式的钢中氢量预测装置的说明中的“连续式热浸镀设备”被替换为“连续退火设备”。

(第二实施方式的实施例)

以下，使用实施例来对本实施方式具体地进行说明。

在图6所示那样的连续退火设备中，制造了200卷冷轧钢板(钢中氢量的上限值为0.30ppm)。此时，将被装入连续退火设备的钢板的属性信息的实绩数据和连续退火设备中的运行参数的运行实绩数据作为输入实绩数据，将使用该输入实绩数据的连续退火设备的送出侧的钢板的钢中氢量作为输出实绩数据，而获取到多个学习用数据。通过使用获取到的多个学习用数据的机器学习，利用图8所示的方法，生成了将与再加热工序的下游侧的钢带的钢中氢量相关的信息作为输出数据的钢中氢量预测模型。

在钢中氢量预测模型的生成时，成为输入的与钢带的成分组成相关的钢带的属性参数使用了C、Si、Mn的含量。另外，将作为连续退火设备的运行实绩数据的均热带7中的钢板温度、钢带的前端部通过均热带7时的输送速度作为输入。并且，在本实施例中，在图6所示的连续退火设备的均热带7的出口和过时效带10的入口这两处设置在线的相变率计20，将根据它们的相变率测定出的相变率信息的实绩数据用作输入实绩数据。并且，在本实施例中，使用钢带的板厚及板宽的设定值作为其他输入来生成氢量预测模型。

这里，作为学习用数据获取到的钢带的钢中氢量是在连续退火设备的通板后采集试验片并根据基于气相色谱的升温氢分析法得到的钢中氢量。

将像这样生成的钢中氢量预测模型应用于图9所示的钢中氢量控制中的钢中氢量预测部，制造了100卷冷轧钢板。即，使用钢中氢量预测模型的钢带的钢中氢量预测方法被应用于钢带的钢中氢量控制方法及制造方法。

此时，使用上述的钢中氢量预测模型来预测连续退火设备的送出侧的钢板的钢中氢量，以预测出的钢中氢量进入到预先设定的上限值(在该情况下设定为0.30ppm)的方式重新设定了连续退火设备中的运行参数。此时，最下游侧的相变率计20被设置于过时效带10的入口，因此从连续退火设备的送入侧至过时效带10的入口成为钢中氢量鉴定带，比过时效带10的入口靠下游侧成为钢中氢量控制带。图9所示的流程在钢带的前端部到达过时效带10的入口之后开始。在钢中氢量控制带，作为为了控制钢中氢量而使用过的运行条件，重新设定了过时效带10中的保温温度和保温时间、冷却带8中的冷却速度。然后，收集了通过这些钢带的钢中氢量测定试验得到的钢中氢量。其结果是98％的钢带为钢中氢量的上限值(0.30ppm)以下。

另一方面，作为比较例，在不具备上述那样的钢中氢量预测部的连续退火设备中，没有重新设定连续退火设备的运行条件地进行了运行。其结果是成为钢中氢量的上限值以下的钢带为75％。

如以上那样，通过本公开涉及的钢中氢量预测方法的应用，使用上述的机器学习模型来进行直接的预测，因此能够高精度地预测钢带的钢中氢量，另外，还能够使钢中氢量有效地降低。

附图标记说明

1…开卷机；2…焊接机；3…电解清洁装置；4…送入侧活套辊；5…预热带；6…加热带；7…均热带；8…冷却带；8A…第一冷却带；8B…第二冷却带；9…再加热带；10…过时效带；11…最终冷却带；11A…第一最终冷却带；11B…第二最终冷却带；12…送出侧活套辊；13…平整轧制设备；14…检查设备；15…张力卷取机；16…镀锌槽；17…合金化带；18…保温带；19…炉鼻；20…相变率计；21…擦拭装置；22…导辊。

Claims (16)

1.一种钢带的钢中氢量预测方法，该钢带为执行包括钢带的退火工序、镀敷工序及再加热工序的制造工序的连续式热浸镀设备中的、所述再加热工序的下游侧的钢带，

所述钢带的钢中氢量预测方法的特征在于，包括：

输入数据获取步骤，获取从所述连续式热浸镀设备的运行参数中选择出的一个以上的参数和在所述退火工序及所述再加热工序的至少一个中测定出的相变率信息作为输入数据；和

使用通过机器学习而被学习过的钢中氢量预测模型来预测所述再加热工序的下游侧的钢带的钢中氢量，所述钢中氢量预测模型将与所述再加热工序的下游侧的钢带的钢中氢量相关的信息作为输出数据。

2.根据权利要求1所述的钢带的钢中氢量预测方法，其特征在于，

所述输入数据获取步骤还获取从与钢带的成分组成相关的钢带的属性参数中选择出的一个以上的参数作为所述输入数据。

3.一种钢带的钢中氢量控制方法，其特征在于，

使用权利要求1或2所述的钢带的钢中氢量预测方法来预测所述再加热工序的下游侧的钢带的钢中氢量，在预测出的钢中氢量超过预先设定的上限值的情况下，重新设定从所述连续式热浸镀设备的运行参数中选择出的一个以上的运行参数，以使钢中氢量成为所述上限值以下。

4.一种钢带的制造方法，该钢带为执行包括钢带的退火工序、镀敷工序及再加热工序的制造工序的连续式热浸镀设备中的钢带，

所述钢带的制造方法的特征在于，包括：

获取从所述连续式热浸镀设备的运行参数中选择出的一个以上的参数和在所述退火工序及所述再加热工序的至少一个中测定出的相变率信息作为输入数据；

使用通过机器学习而被学习过的钢中氢量预测模型来预测所述再加热工序的下游侧的钢带的钢中氢量，所述钢中氢量预测模型将与所述再加热工序的下游侧的钢带的钢中氢量相关的信息作为输出数据；以及

在预测出的钢中氢量超过预先设定的上限值的情况下，重新设定从所述连续式热浸镀设备的运行参数中选择出的一个以上的运行参数，以使钢中氢量成为所述上限值以下。

5.一种钢带的钢中氢量预测模型的生成方法，该钢带的钢中氢量预测模型用于预测钢带的钢中氢量，该钢带是执行包括钢带的退火工序、镀敷工序及再加热工序的制造工序的连续式热浸镀设备中的、所述再加热工序的下游侧的钢带，

所述钢带的钢中氢量预测模型的生成方法的特征在于，包括：

获取至少从所述连续式热浸镀设备的运行实绩数据中选择出的一个以上的运行实绩数据和在所述退火工序及所述再加热工序的至少一个中测定出的相变率信息的实绩数据作为输入实绩数据；

获取将基于所述输入实绩数据的与所述再加热工序的下游侧的钢带的钢中氢量相关的信息作为输出实绩数据的多个学习用数据；以及

通过使用获取到的多个学习用数据的机器学习来生成钢带的钢中氢量预测模型。

6.根据权利要求5所述的钢带的钢中氢量预测模型的生成方法，其特征在于，

作为所述机器学习，使用从神经网络、决策树学习、随机森林以及支持向量回归中选择的算法。

7.一种钢带的钢中氢量预测装置，预测钢带的钢中氢量，该钢带是执行包括钢带的退火工序、镀敷工序及再加热工序的制造工序的连续式热浸镀设备中的、所述再加热工序的下游侧的钢带，

所述钢带的钢中氢量预测装的特征在于，包括：

获取部，获取从所述连续式热浸镀设备的运行参数中选择出的一个以上的参数和在所述退火工序及所述再加热工序的至少一个中测定出的相变率信息；和

预测部，使用通过机器学习而被学习过的钢中氢量预测模型来预测所述再加热工序的下游侧的钢带的钢中氢量，所述钢中氢量预测模型将与所述再加热工序的下游侧的钢带的钢中氢量相关的信息作为输出数据。

8.根据权利要求7所述的钢带的钢中氢量预测装置，其特征在于，

还包括终端装置，该终端装置具有：获取基于用户的操作的输入信息的输入部；和显示由所述预测部预测出的钢中氢量的显示部，

所述获取部根据从所述输入部获取到的输入信息来更新所述连续式热浸镀设备的运行参数的一部分或全部，

所述显示部显示所述预测部使用所述更新过的运行参数而预测出的所述钢中氢量。

9.一种钢带的钢中氢量预测方法，该钢带为执行包括钢带的退火工序及再加热工序的制造工序的连续退火设备中的、所述再加热工序的下游侧的钢带，

所述钢带的钢中氢量预测方法的特征在于，包括：

输入数据获取步骤，获取从所述连续退火设备的运行参数中选择出的一个以上的参数和在所述退火工序及所述再加热工序的至少一个中测定出的相变率信息作为输入数据；和

使用通过机器学习而被学习过的钢中氢量预测模型来预测所述再加热工序的下游侧的钢带的钢中氢量，所述钢中氢量预测模型将与所述再加热工序的下游侧的钢带的钢中氢量相关的信息作为输出数据。

10.根据权利要求9所述的钢带的钢中氢量预测方法，其特征在于，

所述输入数据获取步骤还获取从与钢带的成分组成相关的钢带的属性参数中选择出的一个以上的参数作为所述输入数据。

11.一种钢带的钢中氢量控制方法，其特征在于，

使用权利要求9或10所述的钢带的钢中氢量预测方法来预测所述再加热工序的下游侧的钢带的钢中氢量，在预测出的钢中氢量超过预先设定的上限值的情况下，重新设定从所述连续退火设备的运行参数中选择出的一个以上的运行参数，以使钢中氢量成为所述上限值以下。

12.一种钢带的制造方法，该钢带为执行包括钢带的退火工序及再加热工序的制造工序的连续退火设备中的钢带，

所述钢带的制造方法的特征在于，包括：

获取从所述连续退火设备的运行参数中选择出的一个以上的参数和在所述退火工序及所述再加热工序的至少一个中测定出的相变率信息作为输入数据；

使用通过机器学习而被学习过的钢中氢量预测模型来预测所述再加热工序的下游侧的钢带的钢中氢量，所述钢中氢量预测模型将与所述再加热工序的下游侧的钢带的钢中氢量相关的信息作为输出数据；以及

在预测出的钢中氢量超过预先设定的上限值的情况下，重新设定从所述连续退火设备的运行参数中选择出的一个以上的运行参数，以使钢中氢量成为所述上限值以下。

13.一种钢带的钢中氢量预测模型的生成方法，该钢带的钢中氢量预测模型用于预测钢带的钢中氢量，该钢带是执行包括钢带的退火工序及再加热工序的制造工序的连续退火设备中的、所述再加热工序的下游侧的钢带，

所述钢带的钢中氢量预测模型的生成方法的特征在于，包括：

获取至少从所述连续退火设备的运行实绩数据中选择出的一个以上的运行实绩数据和在所述退火工序及所述再加热工序的至少一个中测定出的相变率信息的实绩数据作为输入实绩数据；

获取将基于所述输入实绩数据的与所述再加热工序的下游侧的钢带的钢中氢量相关的信息作为输出实绩数据的多个学习用数据；以及

通过使用获取到的多个学习用数据的机器学习来生成钢带的钢中氢量预测模型。

14.根据权利要求13所述的钢带的钢中氢量预测模型的生成方法，其特征在于，

作为所述机器学习，使用从神经网络、决策树学习、随机森林以及支持向量回归中选择的算法。

15.一种钢带的钢中氢量预测装置，预测钢带的钢中氢量，该钢带为执行包括钢带的退火工序及再加热工序的制造工序的连续退火设备中的、所述再加热工序的下游侧的钢带，

所述钢带的钢中氢量预测装置的特征在于，包括：

获取部，获取从所述连续退火设备的运行参数中选择出的一个以上的参数和在所述退火工序及所述再加热工序的至少一个中测定出的相变率信息；和

预测部，使用通过机器学习而被学习过的钢中氢量预测模型来预测所述再加热工序的下游侧的钢带的钢中氢量，所述钢中氢量预测模型将与所述再加热工序的下游侧的钢带的钢中氢量相关的信息作为输出数据。

16.根据权利要求15所述的钢带的钢中氢量预测装置，其特征在于，

还包括终端装置，该终端装置具有：获取基于用户的操作的输入信息的输入部；和显示由所述预测部预测出的钢中氢量的显示部，

所述获取部根据从所述输入部获取到的输入信息来更新所述连续退火设备的运行参数的一部分或全部，

所述显示部显示所述预测部使用所述更新过的运行参数而预测出的所述钢中氢量。

Images