JP2012081518A - 厚鋼板の冷却制御方法、冷却制御装置及び厚鋼板の製造方法 - Google Patents
厚鋼板の冷却制御方法、冷却制御装置及び厚鋼板の製造方法 Download PDFInfo
- Publication number
- JP2012081518A JP2012081518A JP2011149832A JP2011149832A JP2012081518A JP 2012081518 A JP2012081518 A JP 2012081518A JP 2011149832 A JP2011149832 A JP 2011149832A JP 2011149832 A JP2011149832 A JP 2011149832A JP 2012081518 A JP2012081518 A JP 2012081518A
- Authority
- JP
- Japan
- Prior art keywords
- steel plate
- cooling
- thick steel
- value
- error
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Control Of Metal Rolling (AREA)
Abstract
【解決手段】厚鋼板の温度予測モデルを用いて冷却工程における当該厚鋼板の冷却停止温度の予測値を算出する予測値算出工程、スラブ毎に過去の実績データを蓄積したデータベースから当該厚鋼板と製造条件が類似する厚鋼板の過去の実績データを抽出する抽出工程、抽出した過去の実績データから当該厚鋼板の冷却停止温度の予測値の誤差を推定する推定工程、予測値算出工程において算出した予測値と推定工程において推定した予測値の誤差とから冷却停止温度の修正値を算出する修正値算出工程、及び冷却停止温度の修正値が目標値となるように冷却水量及び/又は鋼板搬送速度を決定する決定工程を備える、厚鋼板の冷却制御方法とする。
【選択図】図3
Description
特に、事例データベースモデリング手法においては、製造条件の類似度の計算や、局所回帰モデルのパラメータ決定において、予め適切な説明変数やそれぞれの重みを選択しておく必要があり、選択した説明変数が不適当な場合には、予測精度の向上効果が小さくなってしまう。このため、複数の説明変数のグループ(製造条件)に対して、それぞれ対応する局所回帰モデルを決定し、これらを組み合わせることで、さらなる予測精度向上を図ることができると考えた。
そして、このように、高精度に冷却停止温度を推定し、誤差をも考慮した冷却停止温度となるように冷却装置の水量、鋼板搬送速度の調整を行うことにより、品質の高い厚鋼板が製造できると考えた。
そこで、本発明者らは、事例ベースモデリング手法を用いて鋼板の冷却制御を行う方法について鋭意研究を進め、以下の知見を得た。
(2)修正は過去のデータを用いて、事例ベースモデリング手法を応用することにより行うことができる。修正にあたり、過去に行った厚鋼板の製造条件(厚鋼板のスペック、圧延実績、冷却条件など)、冷却停止温度の実測値、予測値の誤差(実測値と予測値との差分)、熱伝達係数補正量などをパラメータとして、予めデータベースを作成しておく。このとき、その後新たに厚鋼板を製造する際も同様のパラメータをデータベースに追加することにより、データの信頼性を向上させることができる。
(3)厚鋼板を冷却制御する際、当該厚鋼板の製造条件が類似するデータをデータベースから抽出する。製造条件が類似するデータのみを使用することで誤差修正の精度を向上させることができる。
(4−1)抽出したデータを用い、鋼板温度予測モデルで予測した冷却停止温度の計算値を修正することにより、予測誤差を適切に補償することができる。具体的には、厚鋼板の鋼板温度予測モデルの誤差を推定し、冷却停止温度の予測値を修正する(冷却停止温度の修正値とする)。このとき、予測対象の厚鋼板の製造条件と過去のデータとの類似度が高いデータに重み付けを高くし、誤差を推定すれば、より精度の高い誤差推定が可能となる。
(4−2)また、抽出したデータを用いて、熱伝達係数補正量を求め、この補正量を用いて、鋼板温度予測モデルで使用する熱伝達係数値を修正し、修正した熱伝達係数を用いて、冷却停止温度の修正値を求めることによっても、予測誤差を適切に補償することができる。このとき、予測対象の厚鋼板の製造条件と過去のデータとの類似度が高いデータに重み付けを高くし、熱伝達係数の誤差を推定すれば、より精度の高い鋼板温度予測が可能となる。
(5−1)製造条件が類似するデータをデータベースから抽出する際、類似度を決める説明変数を一つのグループに限定せず、複数のグループを選択し、それぞれの説明変数に対して予測誤差を推定する。さらにそれぞれの説明変数を用いて局所回帰したときの決定係数(重相関係数の2乗)を用いて、それぞれの誤差推定値の重み付き平均を計算し、得られた計算値を予測モデルの誤差推定値とすれば、一層高い精度にて誤差推定が可能となる。
(5−2)製造条件が類似するデータをデータベースから抽出する際、類似度を決める説明変数を一つのグループに限定せず、複数のグループを選択し、それぞれの説明変数に対して予測誤差を推定する。さらに過去の厚鋼板冷却において、どの説明変数を用いた場合に予測精度が良好であったかについて予め指標を求めておき、当該指標に基づいてそれぞれの誤差推定値の重み付き平均を計算し、得られた計算値を予測モデルの誤差推定値とすることで、一層高い精度にて誤差推定が可能となる。
(6−1)冷却停止温度の修正値が冷却停止温度の目標値となるように、冷却水量及び/又は鋼板搬送速度を計算することで、鋼板の冷却制御を適切に行うことが可能となる。このとき、仮の冷却水量、仮の鋼板速度を初期値として仮定し、例えば、鋼板温度予測モデルを用いて冷却停止温度の修正値を計算し、修正値が冷却停止温度の目標値と一定以上乖離している場合には、再度仮の冷却水量、仮の鋼板速度を仮定し、繰り返し計算を行うことで、冷却停止温度の修正値が目標値と一致するような冷却水量、鋼板速度を決定することができる。
(6−2)また、修正した熱伝達係数を用いて求めた冷却停止温度の修正値が冷却停止温度の目標値となるように、冷却水量及び/又は鋼板搬送速度を計算することで、鋼板の冷却制御を適切に行うことが可能となる。このとき、仮の冷却水量、仮の鋼板速度を初期値として仮定し、例えば、修正した熱伝達係数を用いて、鋼板温度予測モデルにて冷却停止温度を計算し、修正値とする。修正値が冷却停止温度の目標値と一定以上乖離している場合には、再度仮の冷却水量、仮の鋼板速度を仮定し、繰り返し計算を行うことで、冷却停止温度の修正値が目標値と一致するような冷却水量、鋼板速度を決定することができる。
本発明の第1の態様は、厚鋼板の冷却工程における該厚鋼板の冷却制御方法であって、冷却工程に供する当該厚鋼板について、厚鋼板の温度予測モデルを用いて、冷却工程における当該厚鋼板の冷却停止温度の予測値を算出する、予測値算出工程、スラブ毎に過去の実績データを蓄積したデータベースから、当該厚鋼板と製造条件が類似する厚鋼板の過去の実績データを抽出する、抽出工程、抽出工程において抽出した過去の実績データから、当該厚鋼板の冷却停止温度の予測値の誤差を推定する、推定工程、予測値算出工程において算出した当該厚鋼板の冷却停止温度の予測値と、推定工程において推定した当該厚鋼板の冷却停止温度の予測値の誤差とから、冷却停止温度の修正値を算出する、修正値算出工程、及び冷却停止温度の修正値が目標値となるように、冷却水量及び/又は鋼板搬送速度を決定する、決定工程を備え、決定工程において決定した冷却水量及び/又は鋼板搬送速度にて、厚鋼板の冷却工程を行う、厚鋼板の冷却制御方法である。
図1に示すように、事例ベースモデリングでは、過去の蓄積データの中から、予測対象の製造条件に近いデータを検索し、その場で製造条件を決定するものであり、その手順は以下の通りである。
(1)予測対象の特性を良く表す情報ベクトル(予測誤差因子(=説明変数))を決定する。
(2)要求点(例えば、予測対象の製造条件など)に対応する近傍を選択する。
(3)選択した近傍の中にある各サンプルと要求点との類似の度合いを求める。
(4)選んだ各サンプルの出力を補間して要求点の出力を計算する。
物理モデルの予測誤差を推定するモデリングを行う場合、予測誤差の要因となる因子(予測誤差因子:例えば、製造条件など)を情報ベクトルとして与える。より具体的には、統計解析等を実施して、予測誤差への影響因子を抽出する。また、いわゆるブラックボックスモデリングの場合にも、推定した出力値がどのような製造条件の影響を受けるのかを統計的に解析することにより、予測誤差因子を特定・決定することができる。
要求点の近傍を選択することの目的は、推定したい出力値の予測精度を高めるために、事前に蓄積したデータ集合からできるだけ要求点に類似したデータを選択することであり、ここで選択したデータ(データの部分集合)と、要求点との類似度によって、最終的な予測精度が決まる。要求点の近傍を選ぶにあたっては、例えば以下の処理が考えられる。
一般に、事例ベースモデリングでは、要求点と選ばれたデータとの間の類似度は、両者の間の距離によって決められる重みとして表現される。重みの大きさは、両者の距離が遠ければ0に近づき、逆に近ければ1に近づくものとすればよい。重み関数としては、例えば、下記式(2)のようなGaussian関数や、下記式(3)のようなTricube関数を用いることができる。
事例ベースモデリングの一つの特徴は、局所での簡単なモデル(例えば線形モデル)を用いて、大域的に複雑なモデル(例えば非線形モデル)を適切に近似できることにある。代表的な局所モデル同定方法は、例えば、「重み付き局所回帰法(LWR)」や「重み付き線形平均法(LWA)」であり、それぞれ下記式(4)、(5)のように表される。
本発明の第1の態様は、上記事例ベースモデリング手法を応用してなる、厚鋼板の冷却制御方法である。具体的には、例えば、図3に示すような方法S10を挙げることができる。すなわち、厚鋼板の冷却制御方法S10は、冷却工程に供する当該厚鋼板について、厚鋼板の温度予測モデルを用いて、冷却工程における当該厚鋼板の冷却停止温度の予測値を算出する、予測値算出工程S1、スラブ毎に過去の実績データを蓄積したデータベースから、当該厚鋼板と製造条件が類似する厚鋼板の過去の実績データを抽出する、抽出工程S2、前記抽出工程S2において抽出した前記過去の実績データから、当該厚鋼板の冷却停止温度の予測値の誤差を推定する、推定工程S3、前記予測値算出工程S1において算出した当該厚鋼板の冷却停止温度の予測値と、前記推定工程S3において推定した当該厚鋼板の冷却停止温度の予測値の誤差とから、前記冷却停止温度の修正値を算出する、修正値算出工程S4、及び冷却停止温度の修正値が目標値となるように、冷却水量及び/又は鋼板搬送速度を決定する、決定工程S5を備えている。また、任意に、予測値の誤差の推定に必要となる予測誤差因子をデータベースに蓄積する、予測誤差因子蓄積工程S6を備えていてもよい。
工程S1は、冷却工程に供する当該厚鋼板について、厚鋼板の温度予測モデルを用いて、冷却工程における当該厚鋼板の冷却停止温度の予測値を算出する工程である。工程S1においては、冷却工程における従来の鋼板温度予測モデルを適用することができる。工程S1では、冷却水量や鋼板搬送速度の初期値を設定し、当該鋼板温度予測モデルを用いて、冷却停止温度を計算し、予測値を算出すればよい。
工程S2は、スラブ毎に過去の実績データを蓄積したデータベースから、当該厚鋼板と製造条件が類似する厚鋼板の過去の実績データを抽出する工程である。実績データの抽出に際しては、上述したように、例えば製造条件に係る予測誤差因子(説明変数)を用いて重み付きEuclid距離やマハラノビス距離等の距離関数を設定し、当該距離が小さいもの(近傍にあるもの)を所定数選択し、当該厚鋼板と製造条件が類似する実績データとして抽出する等、当該厚鋼板と製造条件が類似する厚鋼板の過去の実績データを抽出することができるものであればいずれであってもよい。抽出工程S2で用いる実績データに係るデータベースは、例えば、下記表2のようなものとなる。表2に示すように、予測誤差因子(説明変数)としては、冷却停止温度の予測値の誤差に影響の大きいものが挙げられ、例えば、板厚や板幅、板長、カーボン当量、鋼板摩耗量、デスケ回数、冷却停止温度の実測値等の各種製造条件とすればよい。
d1(X1)=√{1/50*(20-25)^2+…(中略)…+1/3*(15-10)^2+…(中略)…+1/3*(3-3)^2}
のようにEuclid距離を計算することができる。工程S2では、当該計算値の小さい、所定数のデータを抽出すればよい。
工程S3は、工程S2において抽出した過去の実績データから、当該厚鋼板の冷却停止温度の予測値の誤差を推定する工程である。すなわち、重み付き線形平均法(上記式(5)等)を採用して、工程S2において抽出した当該厚鋼板と製造条件の近い過去の実績データを用い、出力推定値y(q)を求めれば、厚鋼板の冷却停止温度の予測値の誤差を得ることができる。なお、式(5)における重みwiは、Gaussian関数やTricube関数(上記式(2)、(3))とすればよい。また、重み付き局所回帰法(上記式(4))を採用した場合には、データの不適合さを最小にする最適化問題に係る式(8)に帰着させて、式(7)で示されるモデルパラメータθを同定する。そして、得られた局所的な回帰モデルに係る式(9)を用いて、出力推定値を計算して、厚鋼板の冷却停止温度の予測値の誤差を得ることができる。特に、工程S3では、工程S2により抽出した過去の実績データに基づいて線形回帰モデル式をたて、当該厚鋼板の冷却停止温度の予測値の誤差を推定するとよい。線形回帰モデルのような簡便なモデルを取り扱うことで、計算速度の短縮が可能となり、事例ベースモデリング手法を用いる本発明の効果がより適切に奏される。
工程S4は、工程S1において算出した当該厚鋼板の冷却停止温度の予測値と、工程S3において推定した当該厚鋼板の冷却停止温度の予測値の誤差とから、冷却停止温度の修正値を算出する工程である。工程S4においては、例えば、工程S1において算出した冷却停止温度の予測値から工程S3において推定した予測値の誤差分を足し合わせることにより、冷却停止温度の修正値を算出することができる。あるいは 誤差を予測温度と実測温度の比として求め、予測温度に誤差を乗じることにより、冷却停止温度の修正値を算出してもよい。
工程S5は、工程S4で算出した修正値が冷却停止温度の目標値となるように、冷却水量及び/又は鋼板搬送速度を決定する工程である。冷却水量及び/又は鋼板搬送速度を決定に際しては、例えば、鋼板温度予測モデルを用いて、冷却水量や鋼板搬送速度の初期値を設定し、冷却停止温度を計算する。そして得られた修正値が上記冷却停止温度の目標値と一定以上乖離している場合には、さらに、仮の冷却水量、仮の鋼板搬送速度を仮定して、繰り返し計算を行い、冷却停止温度の修正値が目標値とほぼ同等となるように、冷却水量や鋼板搬送速度を収束させるように計算し、決定すればよい。そして、工程S5において決定した冷却水量及び/又は鋼板搬送速度にて、厚鋼板の冷却工程を行うことで、厚鋼板の冷却が適切に制御された状態にて厚鋼板の冷却を行うことができる。
工程S6は、予測値の誤差の推定に必要となる予測誤差因子をデータベースに蓄積する工程である。例えば、上記工程S1〜S5を経て、厚鋼板の冷却制御を行い、当該厚鋼板の実績データを得る。そして、得られたデータのうち、特に、予測誤差因子に係るデータをデータベースに蓄積し、後の冷却制御時に用いることにより、当該厚鋼板よりも後に冷却工程に供される厚鋼板について、冷却制御精度を一層向上させることができる。
本発明の第2の態様は、本発明の第1の態様と同様、上記事例ベースモデリング手法を応用してなる厚鋼板の冷却制御方法であるが、上記本発明の第1の態様が、温度予測モデルを用いて得られる冷却停止温度の予測値の誤差を修正するものであるのに対し、本発明の第2の態様は、温度予測モデルにおける熱伝達係数の誤差を修正しようとするものである。すなわち、過去の実績データから熱伝達係数補正量(ZH)を推定することにより、冷却停止温度の修正値を得ている。
工程S13は、工程S12において抽出した過去の実績データから温度予測モデルの熱伝達係数補正量(ZH)を推定する工程である。温度予測モデルの熱伝達係数補正量(ZH)の意味するところは、温度予測モデルに用いられる熱伝達係数そのものを補正することにより、温度予測モデルそのものの誤差を補償するところにある。工程S13では、上記工程S3と同様、事例ベースモデリング手法において用いられる種々の数式モデルを応用することにより、熱伝達係数補正量(ZH)を推定する。すなわち、重み付き線形平均法(上記式(4))を採用して、工程S12において抽出した当該厚鋼板と製造条件の近い過去の実績データを用い、出力推定値y(q)を求めれば、温度予測モデルの熱伝達係数補正量(ZH)を得ることができる。ここで、式(5)における重みwiは、Gaussian関数やTricube関数(上記式(2)、(3))とすればよい。また、重み付き局所回帰法(上記式(4))を採用した場合には、データの不適合さを最小にする最適化問題に係る式(8)に帰着させて、式(7)で示されるモデルパラメータθを同定する。そして、得られた局所的な回帰モデルに係る式(9)を用いて、出力推定値を計算して、温度予測モデルの熱伝達係数補正量(ZH)を得ることができる。工程S13においても、工程S3と同様、工程S12により抽出した過去の実績データに基づいて線形回帰モデル式をたて、熱伝達係数補正量(ZH)を推定するとよい。
工程S14は、工程S13において推定した熱伝達係数補正量(ZH)を用いて温度予測計算を行い、冷却停止温度の修正値を算出する工程である。工程S14においては、例えば、温度予測計算に用いられる熱伝達係数に、工程S13において推定した熱伝達係数補正量(ZH)を乗じることで、温度予測モデルを修正し、当該修正した温度予測モデルを用いて冷却停止温度を計算することで、当該計算値を冷却停止温度の修正値として算出することができる。あるいは温度予測計算に用いられる熱伝達係数に、熱伝達係数補正量(ZH)を足し合わせることで、温度予測モデルを修正してもよい。
本発明の第3の態様は、温度予測モデルを用いて得られる冷却停止温度の予測値の誤差を修正するものである点で上記本発明の第1の態様と共通する。
予測値算出工程S21は、上記予測値算出工程S1と同様の工程である。ここでは説明を省略する。
抽出工程S22は、スラブ毎に過去の実績データを蓄積したデータベースから、当該厚鋼板と製造条件が類似する厚鋼板の過去の実績データを抽出するにあたり、類似度を求める製造条件を複数グループ設定しておき、該グループ毎に製造条件が類似する実績データ群を抽出する工程である。
推定工程S23は、抽出工程S22にて抽出した実績データ群毎に当該厚鋼板の冷却停止温度の予測値の誤差を推定する第1の推定工程S23aと、第1の推定工程S23aにおいて推定した実績データ群毎の予測値の誤差について、重み付き平均することにより、一の冷却停止温度の予測値の誤差を推定する第2の推定工程S23bとからなる。
修正値算出工程S24は、冷却停止温度の修正値を算出する工程であり、修正値算出の際、上記第2の推定工程S23bにて推定した冷却停止温度の予測値の誤差の推定値を用いる以外は、上記修正値算出工程S4と同様の工程といえる。決定工程S25は、冷却停止温度の修正値が目標値となるように、冷却水量及び/又は鋼板搬送速度を決定する工程であり、修正値として修正値算出工程S24で算出した修正値を用いる以外は、上記決定工程S5と同様の工程といえる。
本発明の第4の態様は、温度予測モデルにおける熱伝達係数の誤差を修正するものである点で上記本発明の第2の態様と共通する。
抽出工程S32は、スラブ毎に過去の実績データを蓄積したデータベースから、当該厚鋼板と製造条件が類似する厚鋼板の過去の実績データを抽出するにあたり、類似度を求める製造条件を複数グループ設定しておき、該グループ毎に製造条件が類似する実績データ群を複数抽出する工程である。当該抽出工程S32は、上記の抽出工程S22と同様であるため、ここでは説明を省略する。
推定工程S33は、抽出工程S32にて抽出した実績データ群毎に温度予測モデルの熱伝達係数補正量(ZH’)を推定する第1の推定工程S33aと、第1の推定工程S33aにおいて推定した実績データ群毎の熱伝達係数補正量(ZH’)について、重み付き平均することにより、一の熱伝達係数補正量(ZH)を推定する、第2の推定工程S33bとからなる。
修正値算出工程S34は、冷却停止温度の修正値を算出する工程であり、修正値算出の際、上記第2の推定工程S33bにて推定した熱伝達係数補正量(ZH)を用いる以外は、上記修正値算出工程S14と同様の工程といえる。決定工程S35は、冷却停止温度の修正値が目標値となるように、冷却水量及び/又は鋼板搬送速度を決定する工程であり、修正値として修正値算出工程S34で算出した修正値を用いる以外は、上記決定工程S15と同様の工程といえる。
本発明の第5の態様は、第1〜第4の態様に係る本発明の厚鋼板の冷却制御方法のいずれかを用いて、厚鋼板の冷却工程の冷却停止時における温度制御を精度よく行いながら、厚鋼板を製造する、厚鋼板の製造方法である。すなわち、本発明の第5の態様においては、製造工程の一つとして備えられた冷却工程において、上記厚鋼板の冷却制御方法を用いることに特徴を有し、それ以外の構成(圧延工程や搬送工程等)については、従来と同様の構成を採用すればよい。
本発明の第6の態様は、厚鋼板の冷却工程における該厚鋼板の冷却制御装置であって、本発明の第1〜第4の態様の厚鋼板の冷却制御方法のいずれかにおける、予測値算出工程(S1、S21)、抽出工程(S2、S12、S22、S32)、推定工程(S3、S13、S23、S33)、修正値算出工程(S4、S14、S24、S34)、及び決定工程(S5、S15、S25、S35)を実行する、演算手段と、演算手段により得られた冷却水量及び/又は鋼板搬送速度にて、厚鋼板の冷却を行うように、厚鋼板の冷却装置及び/又は厚鋼板の搬送装置に信号を発する、制御手段と、を備える、厚鋼板の冷却制御装置である。
冷却停止温度誤差ΔTを事例ベースモデリング手法にて推定する学習シミュレーションを実施した。局所モデリングに用いる説明変数(予測誤差因子)は、表3に示す4条件で試算した。
前述のように、層別テーブル学習方式では製造機会の少ない厚鋼板のデータの蓄積がされにくいことから、誤差予測が困難になり厚鋼板の品質確保には一定の限界がある。そこで、過去事例データとして7202枚のデータを用いて層別テーブル学習方式の予測精度と事例ベースモデリング学習方式の予測精度を比較した。なお、層別テーブル学習方式では、製造条件毎に層別区分する必要があるが、層別数が100区分程度となり、かつ層別テーブル学習の結果、冷却停止温度の予測精度が最も良好となる、板厚3区分(境界26、40mm)、板幅2区分(境界3000mm)、板長2区分(境界16m)、冷却停止指示温度2区分(境界520℃)、カーボン当量2区分(境界0.36%)、成分1含有量2区分(境界0.18%)に区分した計96層別テーブルを作成し、比較検討に用いた。ここでは、製造機会の少ない製造条件での厚鋼板の冷却停止温度予測精度を評価するため、層別テーブル区分のN数が20枚以下の計77枚のデータを用いて予測精度を比較した。また、事例ベースモデリング学習方式では前出の表3のCase(3)の説明変数(予測誤差因子)を採用した。
本実施例では、冷却停止温度誤差ΔTを推定するに当たり、2種類の説明変数群を用いて、2つの局所回帰モデルを作成し、直近の予測精度が良い方の局所回帰モデルの重みを大きくして、重み付き平均を求めた。
モデルパラメータの誤差推定に事例ベースモデリング手法を応用する例として、水冷時の熱伝達係数の誤差を推定した場合の冷却停止温度の予測精度向上効果を評価した。冷却停止温度の予測では、予め冷却ヘッダ毎の熱伝達係数モデルを用いて、伝熱計算を実施した。ここでは、冷却停止温度の予測誤差が水冷熱伝達係数モデルの誤差のみに起因すると仮定して、温度予測モデルの冷却停止温度の計算値と実測値が一致するように、熱伝達係数補正量ZHを逆算した。なお、鋼板表面の温度は、冷却開始前と冷却終了後の2ヶ所しか測定できないため、ヘッダ個別の熱伝達係数逆算が困難である。このため、カウンタースプレーとサイドスプレーを含む各ヘッダの熱伝達係数モデル計算値に対して、下記式(12)に示すように、各ヘッダに共通の補正値としてZHを導出した。
Claims (14)
- 厚鋼板の冷却工程における該厚鋼板の冷却制御方法であって、
冷却工程に供する当該厚鋼板について、厚鋼板の温度予測モデルを用いて、冷却工程における当該厚鋼板の冷却停止温度の予測値を算出する、予測値算出工程、
スラブ毎に過去の実績データを蓄積したデータベースから、当該厚鋼板と製造条件が類似する厚鋼板の過去の実績データを抽出する、抽出工程、
前記抽出工程において抽出した前記過去の実績データから、当該厚鋼板の冷却停止温度の予測値の誤差を推定する、推定工程、
前記予測値算出工程において算出した当該厚鋼板の冷却停止温度の予測値と、前記推定工程において推定した当該厚鋼板の冷却停止温度の予測値の誤差とから、前記冷却停止温度の修正値を算出する、修正値算出工程、並びに、
冷却停止温度の修正値が目標値となるように、冷却水量及び/又は鋼板搬送速度を決定する、決定工程、
を備え、
前記決定工程において決定した冷却水量及び/又は鋼板搬送速度にて、厚鋼板の冷却工程を行う、厚鋼板の冷却制御方法。 - 厚鋼板の冷却工程における該厚鋼板の冷却制御方法であって、
冷却工程に供する当該厚鋼板について、
スラブ毎に過去の実績データを蓄積したデータベースから、当該厚鋼板と製造条件が類似する厚鋼板の過去の実績データを抽出する、抽出工程、
前記抽出工程において抽出した前記過去の実績データから前記温度予測モデルの熱伝達係数補正量(ZH)を推定する、推定工程、
前記推定工程において推定した前記熱伝達係数補正量(ZH)を用いて厚鋼板の温度予測計算を行い、前記冷却停止温度の修正値を算出する、修正値算出工程、並びに、
冷却停止温度の修正値が目標値となるように、冷却水量及び/又は鋼板搬送速度を決定する、決定工程、
を備え、
前記決定工程において決定した冷却水量及び/又は鋼板搬送速度にて、厚鋼板の冷却工程を行う、厚鋼板の冷却制御方法。 - さらに、前記予測値の誤差又は前記熱伝達係数補正量(ZH)の推定に必要となる予測誤差因子を前記データベースに蓄積する、予測誤差因子蓄積工程を備える、請求項1又は2に記載の厚鋼板の冷却制御方法。
- 前記推定工程において、前記抽出工程により抽出した前記過去の実績データに基づいて線形回帰モデル式をたて、当該厚鋼板の冷却停止温度の予測値の誤差又は前記温度予測モデルの熱伝達係数補正量(ZH)を推定する、請求項1〜3いずれかに記載の厚鋼板の冷却制御方法。
- 前記抽出工程により抽出した前記過去の実績データにおける過去の予測値の誤差又は過去の熱伝達係数補正量(ZH)と、前記推定工程において推定した当該予測値の誤差又は当該熱伝達係数補正量(ZH)と、を比較し、
比較の結果に基づいて、抽出した前記過去の実績データにおける前記過去の予測値の誤差又は前記過去の熱伝達係数補正量(ZH)の平均値、あるいは重み付き平均値を、前記推定工程における、当該予測値の誤差又は当該熱伝達係数補正量(ZH)とする、請求項4に記載の厚鋼板の冷却制御方法。 - 前記抽出工程において抽出した前記過去の実績データが、該過去の実績データにおける製造条件と当該厚鋼板の製造条件との類似度が所定値以上のもののみからなる場合において、
前記過去の実績データにおける過去の予測値の誤差又は過去の熱伝達係数補正量(ZH)の平均値、あるいは重み付き平均値を、前記推定工程における、当該予測値の誤差又は当該熱伝達係数補正量(ZH)とする、請求項1〜5のいずれかに記載の厚鋼板の冷却制御方法。 - 前記類似度が、前記過去の実績データの予測誤差因子と、当該厚鋼板の製造条件における予測誤差因子とに基づく、距離関数を用いた距離として表され、該距離が所定値以下である場合に、前記類似度が所定値以上と判断される、請求項6に記載の厚鋼板の冷却制御方法。
- 厚鋼板の冷却工程における該厚鋼板の冷却制御方法であって、
冷却工程に供する当該厚鋼板について、厚鋼板の温度予測モデルを用いて、冷却工程における当該厚鋼板の冷却停止温度の予測値を算出する、予測値算出工程、
スラブ毎に過去の実績データを蓄積したデータベースから、当該厚鋼板と製造条件が類似する厚鋼板の過去の実績データを抽出するにあたり、類似度を求める製造条件を複数グループ設定しておき、該グループ毎に製造条件が類似する実績データ群を抽出する、抽出工程、
前記抽出工程にて抽出した前記実績データ群毎に当該厚鋼板の冷却停止温度の予測値の誤差を推定する第1の推定工程と、前記第1の推定工程において推定した実績データ群毎の前記予測値の誤差について、重み付き平均することにより、一の冷却停止温度の予測値の誤差を推定する第2の推定工程とからなる、推定工程、
前記予測値算出工程において算出した当該厚鋼板の冷却停止温度の予測値と、前記第2の推定工程において推定した前記一の冷却停止温度の予測値の誤差とから、前記冷却停止温度の修正値を算出する、修正値算出工程、並びに、
冷却停止温度の修正値が目標値となるように、冷却水量及び/又は鋼板搬送速度を決定する、決定工程、
を備え、
前記決定工程において決定した冷却水量及び/又は鋼板搬送速度にて、厚鋼板の冷却工程を行う、厚鋼板の冷却制御方法。 - 厚鋼板の冷却工程における該厚鋼板の冷却制御方法であって、
冷却工程に供する当該厚鋼板について、
スラブ毎に過去の実績データを蓄積したデータベースから、当該厚鋼板と製造条件が類似する厚鋼板の過去の実績データを抽出するにあたり、類似度を求める製造条件を複数グループ設定しておき、該グループ毎に製造条件が類似する実績データ群を抽出する、抽出工程、
前記抽出工程にて抽出した前記実績データ群毎に前記温度予測モデルの熱伝達係数補正量(ZH’)を推定する第1の推定工程と、前記第1の推定工程において推定した実績データ群毎の前記熱伝達係数補正量(ZH’)について、重み付き平均することにより、一の熱伝達係数補正量(ZH)を推定する、第2の推定工程とからなる、推定工程、
前記第2の推定工程において推定した前記一の熱伝達係数補正量(ZH)を用いて厚鋼板の温度予測計算を行い、前記冷却停止温度の修正値を算出する、修正値算出工程、並びに、
冷却停止温度の修正値が目標値となるように、冷却水量及び/又は鋼板搬送速度を決定する、決定工程、
を備え、
前記決定工程において決定した冷却水量及び/又は鋼板搬送速度にて、厚鋼板の冷却工程を行う、厚鋼板の冷却制御方法。 - さらに、前記予測値の誤差又は前記熱伝達係数補正量(ZH)の推定に必要となる予測誤差因子を前記データベースに蓄積する、予測誤差因子蓄積工程を備える、請求項8又は9に記載の厚鋼板の冷却制御方法。
- 前記第1の推定工程において、前記抽出工程により抽出した複数の前記実績データ群に基づいて、該実績データ群毎に複数の線形回帰モデル式をたて、当該厚鋼板の冷却停止温度の予測値の誤差又は前記温度予測モデルの熱伝達係数補正量(ZH’)を推定する、請求項8〜10のいずれかに記載の厚鋼板の冷却制御方法。
- 前記抽出工程により抽出した複数の前記実績データ群における過去の予測値の誤差又は過去の熱伝達係数補正量(ZH)と、前記第1の推定工程において推定した当該予測値の誤差又は当該熱伝達係数補正量(ZH’)と、を比較し、
比較の結果に基づいて、抽出した前記実績データ群における前記過去の予測値の誤差又は前記過去の熱伝達係数補正量(ZH)の平均値、あるいは重み付き平均値を、前記第1の推定工程における、当該予測値の誤差又は当該熱伝達補正量(ZH’)とする、請求項11に記載の厚鋼板の冷却制御方法。 - 請求項1〜12のいずれかに記載の厚鋼板の冷却制御方法を用いた冷却工程を備える、厚鋼板の製造方法。
- 厚鋼板の冷却工程における該厚鋼板の冷却制御装置であって、
請求項1〜12のいずれかに記載の厚鋼板の冷却制御方法における、前記予測値算出工程、前記抽出工程、前記推定工程、前記修正値算出工程、及び前記決定工程を実行する、演算手段と、
前記演算手段により得られた前記冷却水量及び/又は鋼板搬送速度にて、厚鋼板の冷却を行うように、厚鋼板の冷却装置及び/又は厚鋼板の搬送装置に信号を発する、制御手段と、
を備える、厚鋼板の冷却制御装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011149832A JP5682484B2 (ja) | 2010-09-16 | 2011-07-06 | 厚鋼板の冷却制御方法、冷却制御装置及び厚鋼板の製造方法 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010207776 | 2010-09-16 | ||
JP2010207776 | 2010-09-16 | ||
JP2011149832A JP5682484B2 (ja) | 2010-09-16 | 2011-07-06 | 厚鋼板の冷却制御方法、冷却制御装置及び厚鋼板の製造方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2012081518A true JP2012081518A (ja) | 2012-04-26 |
JP5682484B2 JP5682484B2 (ja) | 2015-03-11 |
Family
ID=46240945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2011149832A Active JP5682484B2 (ja) | 2010-09-16 | 2011-07-06 | 厚鋼板の冷却制御方法、冷却制御装置及び厚鋼板の製造方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5682484B2 (ja) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014018844A (ja) * | 2012-07-20 | 2014-02-03 | Jfe Steel Corp | 鋼材の熱伝達係数予測装置及び冷却制御方法 |
JP2014063432A (ja) * | 2012-09-24 | 2014-04-10 | Nippon Telegr & Teleph Corp <Ntt> | 欠損値予測装置、欠損値予測方法、欠損値予測プログラム |
JP2014108446A (ja) * | 2012-12-03 | 2014-06-12 | Jfe Steel Corp | 冷却設定方法、冷却設定装置、および厚鋼板の製造方法 |
CN105522004A (zh) * | 2014-09-30 | 2016-04-27 | 上海梅山钢铁股份有限公司 | 一种热轧带钢船形卷取温度精度控制及统计方法 |
JP2017121638A (ja) * | 2016-01-05 | 2017-07-13 | Jfeスチール株式会社 | 圧延時間予測方法及び加熱炉の抽出時刻決定方法 |
JP2017202514A (ja) * | 2016-05-13 | 2017-11-16 | 新日鐵住金株式会社 | 厚鋼板の冷却制御方法および製造方法 |
JP2017225989A (ja) * | 2016-06-21 | 2017-12-28 | Jfeスチール株式会社 | 圧下レベリング制御装置および圧下レベリング制御方法 |
JP2018010521A (ja) * | 2016-07-14 | 2018-01-18 | 新日鐵住金株式会社 | 製品の状態予測装置、製品の状態制御装置、製品の状態予測方法及びプログラム |
JP2018170000A (ja) * | 2017-03-29 | 2018-11-01 | 株式会社東芝 | モデル構築システムおよびモデル構築方法 |
CN109425439A (zh) * | 2017-08-25 | 2019-03-05 | 宝山钢铁股份有限公司 | 一种钢铸界面钢液温降在线预测***及其预测方法 |
JP2020526756A (ja) * | 2017-07-07 | 2020-08-31 | ヘンケル・アクチェンゲゼルシャフト・ウント・コムパニー・コマンディットゲゼルシャフト・アウフ・アクチェンHenkel AG & Co. KGaA | 髪の状態の情報を管理するシステムと、美容コンサルテーションを最適化する方法 |
US10853538B2 (en) | 2017-03-29 | 2020-12-01 | Kabushiki Kaisha Toshiba | Model generation system and model generation method |
JP2021039612A (ja) * | 2019-09-04 | 2021-03-11 | 株式会社Uacj | 情報処理装置、情報処理方法、および情報処理プログラム |
JP2021178349A (ja) * | 2020-05-14 | 2021-11-18 | Jfeスチール株式会社 | 圧延材の冷却制御方法及び冷却制御装置 |
WO2022091639A1 (ja) * | 2020-10-27 | 2022-05-05 | Jfeスチール株式会社 | 異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置 |
CN118003530A (zh) * | 2024-04-08 | 2024-05-10 | 山东义沃包装科技有限公司 | 一种可降解薄膜生产线中冷却控制***及方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6662109B2 (ja) * | 2016-03-03 | 2020-03-11 | 日本製鉄株式会社 | 製品の状態予測装置、製品の状態制御装置、製品の状態予測方法及びプログラム |
JP7287416B2 (ja) * | 2020-07-07 | 2023-06-06 | Jfeスチール株式会社 | 厚鋼板の製造仕様決定支援装置および製造仕様探索方法、コンピュータプログラム、コンピュータ読み取り可能な記録媒体ならびに厚鋼板の製造方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08252622A (ja) * | 1995-03-16 | 1996-10-01 | Kawasaki Steel Corp | 熱間圧延機出側の材料温度計算の補正学習方法 |
JPH1133616A (ja) * | 1997-05-23 | 1999-02-09 | Nippon Steel Corp | 鋼帯の捲取温度制御装置 |
JP2002137013A (ja) * | 2000-10-30 | 2002-05-14 | Kawasaki Steel Corp | 鋼板の冷却条件設定方法 |
JP2007210009A (ja) * | 2006-02-09 | 2007-08-23 | Jfe Steel Kk | 熱間仕上圧延装置および熱間仕上圧延温度制御方法 |
-
2011
- 2011-07-06 JP JP2011149832A patent/JP5682484B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08252622A (ja) * | 1995-03-16 | 1996-10-01 | Kawasaki Steel Corp | 熱間圧延機出側の材料温度計算の補正学習方法 |
JPH1133616A (ja) * | 1997-05-23 | 1999-02-09 | Nippon Steel Corp | 鋼帯の捲取温度制御装置 |
JP2002137013A (ja) * | 2000-10-30 | 2002-05-14 | Kawasaki Steel Corp | 鋼板の冷却条件設定方法 |
JP2007210009A (ja) * | 2006-02-09 | 2007-08-23 | Jfe Steel Kk | 熱間仕上圧延装置および熱間仕上圧延温度制御方法 |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014018844A (ja) * | 2012-07-20 | 2014-02-03 | Jfe Steel Corp | 鋼材の熱伝達係数予測装置及び冷却制御方法 |
JP2014063432A (ja) * | 2012-09-24 | 2014-04-10 | Nippon Telegr & Teleph Corp <Ntt> | 欠損値予測装置、欠損値予測方法、欠損値予測プログラム |
JP2014108446A (ja) * | 2012-12-03 | 2014-06-12 | Jfe Steel Corp | 冷却設定方法、冷却設定装置、および厚鋼板の製造方法 |
CN105522004A (zh) * | 2014-09-30 | 2016-04-27 | 上海梅山钢铁股份有限公司 | 一种热轧带钢船形卷取温度精度控制及统计方法 |
JP2017121638A (ja) * | 2016-01-05 | 2017-07-13 | Jfeスチール株式会社 | 圧延時間予測方法及び加熱炉の抽出時刻決定方法 |
JP2017202514A (ja) * | 2016-05-13 | 2017-11-16 | 新日鐵住金株式会社 | 厚鋼板の冷却制御方法および製造方法 |
JP2017225989A (ja) * | 2016-06-21 | 2017-12-28 | Jfeスチール株式会社 | 圧下レベリング制御装置および圧下レベリング制御方法 |
JP2018010521A (ja) * | 2016-07-14 | 2018-01-18 | 新日鐵住金株式会社 | 製品の状態予測装置、製品の状態制御装置、製品の状態予測方法及びプログラム |
JP2018170000A (ja) * | 2017-03-29 | 2018-11-01 | 株式会社東芝 | モデル構築システムおよびモデル構築方法 |
US10853538B2 (en) | 2017-03-29 | 2020-12-01 | Kabushiki Kaisha Toshiba | Model generation system and model generation method |
JP2020526756A (ja) * | 2017-07-07 | 2020-08-31 | ヘンケル・アクチェンゲゼルシャフト・ウント・コムパニー・コマンディットゲゼルシャフト・アウフ・アクチェンHenkel AG & Co. KGaA | 髪の状態の情報を管理するシステムと、美容コンサルテーションを最適化する方法 |
US11896114B2 (en) | 2017-07-07 | 2024-02-13 | Henkel Ag & Co. Kgaa | System for managing hair condition information and method for optimizing a cosmetic consultation system |
CN109425439B (zh) * | 2017-08-25 | 2020-11-17 | 宝山钢铁股份有限公司 | 一种钢铸界面钢液温降在线预测***及其预测方法 |
CN109425439A (zh) * | 2017-08-25 | 2019-03-05 | 宝山钢铁股份有限公司 | 一种钢铸界面钢液温降在线预测***及其预测方法 |
JP2021039612A (ja) * | 2019-09-04 | 2021-03-11 | 株式会社Uacj | 情報処理装置、情報処理方法、および情報処理プログラム |
JP7390138B2 (ja) | 2019-09-04 | 2023-12-01 | 株式会社Uacj | 情報処理装置、情報処理方法、および情報処理プログラム |
JP2021178349A (ja) * | 2020-05-14 | 2021-11-18 | Jfeスチール株式会社 | 圧延材の冷却制御方法及び冷却制御装置 |
JP7205517B2 (ja) | 2020-05-14 | 2023-01-17 | Jfeスチール株式会社 | 圧延材の冷却制御方法及び冷却制御装置 |
WO2022091639A1 (ja) * | 2020-10-27 | 2022-05-05 | Jfeスチール株式会社 | 異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置 |
CN118003530A (zh) * | 2024-04-08 | 2024-05-10 | 山东义沃包装科技有限公司 | 一种可降解薄膜生产线中冷却控制***及方法 |
CN118003530B (zh) * | 2024-04-08 | 2024-06-11 | 山东义沃包装科技有限公司 | 一种可降解薄膜生产线中冷却控制***及方法 |
Also Published As
Publication number | Publication date |
---|---|
JP5682484B2 (ja) | 2015-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5682484B2 (ja) | 厚鋼板の冷却制御方法、冷却制御装置及び厚鋼板の製造方法 | |
JP5516390B2 (ja) | 品質予測装置、品質予測方法、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 | |
JP5434837B2 (ja) | 品質予測装置、品質予測方法、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 | |
JP6922675B2 (ja) | 製造プロセスの状態予測装置、方法及びプログラム、並びに製造プロセスの制御システム | |
JP6899273B2 (ja) | プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム | |
JP5604945B2 (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 | |
JP4821284B2 (ja) | 操業結果予測方法及びそのシステム | |
JP6439780B2 (ja) | 電磁鋼板の磁気特性予測装置及び磁気特性制御装置 | |
JP5704040B2 (ja) | 製品品質の管理方法、及び製品品質の管理装置 | |
JP5962290B2 (ja) | 鋼材の熱伝達係数予測装置及び冷却制御方法 | |
JP6834209B2 (ja) | 製品の状態予測装置、製品の状態制御装置、製品の状態予測方法及びプログラム | |
JP5003362B2 (ja) | 製品品質の制御方法及び制御装置 | |
JP4365600B2 (ja) | 鋼材の製品品質設計装置及び鋼材製品の製造方法 | |
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 | |
JP5375507B2 (ja) | 品質予測装置、品質予測方法、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 | |
JP6508185B2 (ja) | 結果予測装置及び結果予測方法 | |
JP6699340B2 (ja) | 厚鋼板の冷却制御方法および製造方法 | |
JP2009072807A (ja) | 圧延材の平面形状制御方法および平面形状制御装置ならびに厚鋼板の製造方法 | |
JP5682131B2 (ja) | 鋼材の材質予測装置 | |
JP2006309709A (ja) | 結果予測装置、制御装置及び品質設計装置 | |
JP3738738B2 (ja) | 鋼材の製品品質制御装置 | |
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 | |
JP2020071493A (ja) | 結果予測装置、結果予測方法、及びプログラム | |
CN105069214A (zh) | 一种基于非线性相关分析的工艺可靠性评估方法 | |
JP5375506B2 (ja) | 品質予測装置、品質予測方法、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 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20120625 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20121011 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20121011 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20131028 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20131119 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20131213 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20140520 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20140701 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20141216 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20141229 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 5682484 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |