JP2023130912A - Conveyance abnormality detecting device and conveyance abnormality detecting method as well as method for constructing maximum current prediction model for detecting conveyance abnormality - Google Patents
Conveyance abnormality detecting device and conveyance abnormality detecting method as well as method for constructing maximum current prediction model for detecting conveyance abnormality Download PDFInfo
- Publication number
- JP2023130912A JP2023130912A JP2022035502A JP2022035502A JP2023130912A JP 2023130912 A JP2023130912 A JP 2023130912A JP 2022035502 A JP2022035502 A JP 2022035502A JP 2022035502 A JP2022035502 A JP 2022035502A JP 2023130912 A JP2023130912 A JP 2023130912A
- Authority
- JP
- Japan
- Prior art keywords
- steel plate
- drive current
- conveyance
- plate material
- conveyance abnormality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 127
- 238000000034 method Methods 0.000 title claims description 22
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 199
- 239000010959 steel Substances 0.000 claims abstract description 199
- 239000000463 material Substances 0.000 claims abstract description 176
- 239000007924 injection Substances 0.000 claims abstract description 54
- 238000002347 injection Methods 0.000 claims abstract description 54
- 239000000498 cooling water Substances 0.000 claims abstract description 36
- 238000010801 machine learning Methods 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 230000001133 acceleration Effects 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims description 64
- 238000004519 manufacturing process Methods 0.000 claims description 55
- 238000001816 cooling Methods 0.000 claims description 45
- 238000005096 rolling process Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 7
- 239000002436 steel type Substances 0.000 claims description 4
- 238000005098 hot rolling Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims 1
- 239000000243 solution Substances 0.000 abstract 1
- 230000008859 change Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000010438 heat treatment Methods 0.000 description 7
- 238000004804 winding Methods 0.000 description 7
- 239000002184 metal Substances 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Abstract
Description
本発明は、搬送異常検出装置及び搬送異常検出方法並びに搬送異常検出のための最大電流予測モデルの構築方法に関する。 The present invention relates to a transportation abnormality detection device, a transportation abnormality detection method, and a method of constructing a maximum current prediction model for transportation abnormality detection.
鋼板製造ラインでは、加熱設備において高温に加熱されて軟化された鋼板材料は、圧延設備において圧延ローラを用いて所望の板厚になるまで熱間圧延処理が施されるが、熱間圧延処理の結果、鋼板材料の先端部に曲がりや反りといった形状不良が発生することがある。このような先端部に形状不良が発生した鋼板材料は、搬送テーブルの例えば連接部分などに引っ掛かったり、詰まったりして、搬送できなくなるトラブル（搬送異常）が確認されている。 In a steel plate production line, steel plate material is heated to a high temperature and softened in heating equipment, and then hot-rolled in rolling equipment using rolling rollers until the desired plate thickness is achieved. As a result, shape defects such as bending or warping may occur at the tip of the steel sheet material. It has been confirmed that a steel plate material having such a shape defect at its leading end gets caught or jammed in, for example, a connecting portion of a conveyance table, resulting in trouble (conveyance abnormality) in which the steel plate material cannot be conveyed.
とりわけ、冷却設備は、圧延設備における仕上圧延機の出側に近接していることから、搬送テーブル上の鋼板材料にそのような搬送異常が発生し易く、また、搬送状況の目視による確認が困難であるため、そのような搬送異常の発見が遅れてしまうことがある。搬送異常がひとたび発生すると、長時間、鋼板製造ラインを停止させなければならず、生産効率が著しく低下してしまう。 In particular, since the cooling equipment is close to the exit side of the finishing mill in the rolling equipment, such transport abnormalities are likely to occur in the steel plate material on the transport table, and it is difficult to visually check the transport status. Therefore, the discovery of such transport abnormalities may be delayed. Once a conveyance abnormality occurs, the steel plate production line must be stopped for a long time, resulting in a significant drop in production efficiency.
このような状況に鑑み、鋼板材料の先端部をセンサで検出して、検出された先端部の位置と推定位置との整合性をチェックすることにより、鋼板材料の詰まりを検出するといった対策がとられている。また、特許文献１は、複数のコンベアが直列に配置されて金属板を搬送する金属板搬送コンベア設備において、コンベア接続部での金属板の詰まりを迅速に検出する金属板搬送コンベア設備の金属板詰まり検出装置を開示している。すなわち、この特許文献１の検出装置は、上流側ベルトコンベアと下流側ベルトコンベアとの間（コンベア接続部）に、当該コンベア接続部の隙間に金属板が入り込んだことを感知するセンサを備えている。
In view of this situation, countermeasures are being taken to detect clogging of the steel plate material by detecting the tip of the steel plate material with a sensor and checking the consistency between the detected position of the tip and the estimated position. It is being In addition,
しかしながら、鋼板材料の搬送異常を検出するためのセンサの設置にはコストがかかり、製品コストの上昇の要因になるという問題がある。また、冷却設備では冷却水を大量に使用するため、このような環境要因から、冷却設備内又はその近傍にそもそも、鋼板材料の搬送異常を検出するためのセンサを設置することは難しく、その対策を講じるためのコストが更にかかってしまうという問題があった。 However, there is a problem in that installing a sensor for detecting an abnormality in the conveyance of steel plate material is costly, which causes an increase in product cost. In addition, since cooling equipment uses a large amount of cooling water, it is difficult to install sensors in or near the cooling equipment to detect conveyance abnormalities of steel sheet materials due to such environmental factors. There was a problem in that the cost for taking measures was further increased.
更に、特許文献１の検出装置では、センサが設置される位置によっては、詰まりが検出されるまでのタイムラグが発生してしまうという問題があった。とりわけ、このような検出までのタイムラグの問題は、環境要因によってセンサの設置位置が制限的になることから解決が困難であった。
Furthermore, the detection device of
そこで、本発明は、鋼板材料の搬送異常の検出を確実かつ低コストで実現することができる技術を提案することを目的とする。 SUMMARY OF THE INVENTION Therefore, an object of the present invention is to propose a technique that can realize detection of conveyance abnormalities in steel sheet materials reliably and at low cost.
具体的には、本発明の目的の一つは、搬送テーブルの近傍へのセンサの設置をすることなく、鋼板材料の先端部での搬送異常を検出することができる搬送異常検出装置を提案することである。 Specifically, one of the objects of the present invention is to propose a transport abnormality detection device that can detect transport abnormalities at the tip of a steel plate material without installing a sensor near the transport table. That's true.
上記課題を解決するための本発明は、以下に示す発明特定事項乃至は技術的特徴を含んで構成される。 The present invention for solving the above-mentioned problems includes the following invention specific matters and technical features.
ある観点に従う本発明は、鋼板製造ラインにおける鋼板材料の搬送異常を検出するための搬送異常検出装置である。前記搬送異常検出装置は、前記鋼板材料を搬送する複数の搬送ローラを駆動する複数の駆動モータの各々に対する駆動電流の実績値を取得する取得部と、少なくとも、前記鋼板材料に関する材料諸元パラメータと、前記鋼板材料の搬送速度及び加速度並びに冷却水の噴射量に関する操業パラメータとを入力とし、前記複数の駆動モータの各々に対する前記駆動電流の実績値を出力として、所定の機械学習アルゴリズムに従って、前記駆動電流の最大値を予測するように機械学習が行われた学習済み最大駆動電流予測モデルと、前記学習済み最大駆動電流予測モデルにより予測される前記駆動電流の前記最大値と前記取得部により取得された前記駆動電流の前記実績値とに基づいて、前記鋼板材料に搬送異常が発生したか否かを判定する判定部と、を備える。 The present invention according to a certain aspect is a conveyance abnormality detection device for detecting conveyance abnormality of steel plate material in a steel plate production line. The conveyance abnormality detection device includes an acquisition unit that acquires actual values of drive current for each of a plurality of drive motors that drive a plurality of conveyance rollers that convey the steel plate material, and at least material specification parameters regarding the steel plate material. , inputting the conveying speed and acceleration of the steel plate material and operating parameters related to the amount of cooling water injection, and outputting the actual value of the driving current for each of the plurality of driving motors, according to a predetermined machine learning algorithm. a learned maximum drive current prediction model in which machine learning has been performed to predict the maximum value of the current, the maximum value of the drive current predicted by the learned maximum drive current prediction model, and the maximum value of the drive current that is acquired by the acquisition unit. and a determination unit that determines whether or not a conveyance abnormality has occurred in the steel plate material based on the actual value of the drive current.
ここで、前記材料諸元パラメータは、前記鋼板材料の材料厚、材料幅、鋼種、及び成分の少なくとも１つを含む。 Here, the material specification parameters include at least one of a material thickness, a material width, a steel type, and a component of the steel sheet material.
また、前記判定部は、前記最大値と前記実績値との乖離率が所定のしきい値を超える場合、又は前記最大値と前記実績値との差分値が所定のしきい値を超える場合、前記鋼板材料に搬送異常が発生したと判定する。 Further, the determination unit determines that when the deviation rate between the maximum value and the actual value exceeds a predetermined threshold, or when the difference between the maximum value and the actual value exceeds a predetermined threshold, It is determined that a conveyance abnormality has occurred in the steel plate material.
また、前記複数の搬送ローラは、圧延設備の仕上圧延機の出側と巻取設備におけるコイラーの入側との間に設けられた冷却設備におけるランアウトテーブルを形成する。 Further, the plurality of conveyance rollers form a runout table in a cooling facility provided between the exit side of the finishing mill of the rolling equipment and the inlet side of the coiler in the winding equipment.
また、前記冷却水の噴射量に関する前記操業パラメータは、前記冷却水を噴射する噴射ノズルと前記鋼板材料との間の距離、及び前記複数の駆動モータにより駆動される前記複数の搬送ローラに対応する前記噴射ノズルの噴射の有無のうちの少なくとも１つを含む。 Further, the operational parameter regarding the amount of cooling water to be jetted corresponds to a distance between the jetting nozzle that jets the cooling water and the steel sheet material, and the plurality of transport rollers driven by the plurality of drive motors. This includes at least one of whether or not the injection nozzle ejects.
また、前記判定部は、前記鋼板材料に搬送異常が発生したと判定する場合に、前記鋼板製造ラインの操業を停止させるために、異常発生通知を出力する。 Further, when determining that a conveyance abnormality has occurred in the steel plate material, the determination unit outputs an abnormality occurrence notification in order to stop the operation of the steel plate production line.
また、別の観点に従う本発明は、鋼板製造ラインにおける鋼板材料の搬送異常を検出するための搬送異常検出方法である。前記検出方法は、前記鋼板材料を搬送する複数の搬送ローラを駆動する複数の駆動モータの各々に対して駆動電流を供給することと、前記複数の駆動モータの各々に対する前記駆動電流の実績値を取得することと、少なくとも、前記鋼板材料に関する材料諸元パラメータと、前記鋼板材料の搬送速度及び加速度並びに冷却水の噴射量に関する操業パラメータとを入力とし、前記複数の駆動モータの各々に対する前記駆動電流を出力として、所定の機械学習アルゴリズムに従って、前記駆動電流の最大値を予測するように機械学習が行われた学習済み最大駆動電流予測モデルを用いて、前記駆動電流の最大値を予測することと、予測された前記駆動電流の前記最大値と測定された前記駆動電流の前記実績値とに基づいて、前記鋼板材料に搬送異常が発生したか否かを判定することと、を含む。 Moreover, the present invention according to another aspect is a conveyance abnormality detection method for detecting conveyance abnormality of steel plate material in a steel plate production line. The detection method includes supplying a drive current to each of a plurality of drive motors that drive a plurality of conveyance rollers that convey the steel sheet material, and determining the actual value of the drive current to each of the plurality of drive motors. the drive current for each of the plurality of drive motors by inputting at least material specification parameters related to the steel plate material, operation parameters related to the conveyance speed and acceleration of the steel plate material, and the injection amount of cooling water; predicting the maximum value of the drive current using a learned maximum drive current prediction model in which machine learning has been performed to predict the maximum value of the drive current according to a predetermined machine learning algorithm. , determining whether a conveyance abnormality has occurred in the steel plate material based on the predicted maximum value of the drive current and the measured actual value of the drive current.
更に別の観点に従う本発明は、最大駆動電流予測モデルの構築方法である。前記構築方法は、少なくとも、鋼板材料に関する材料諸元パラメータと、前記鋼板材料の搬送速度及び加速度並びに冷却水の噴射量に関する操業パラメータとを入力とし、複数の搬送ローラを駆動する複数の駆動モータの各々における駆動電流を出力として、所定の機械学習アルゴリズムに従って、前記駆動電流の最大値を予測するように機械学習を行うことにより、学習済みの最大駆動電流予測モデルを構築する。 The present invention according to yet another aspect is a method of constructing a maximum drive current prediction model. The construction method inputs at least material specification parameters related to the steel plate material, operational parameters related to the conveyance speed and acceleration of the steel plate material, and the injection amount of cooling water, and operates a plurality of drive motors that drive a plurality of conveyance rollers. A learned maximum drive current prediction model is constructed by using the drive current in each as an output and performing machine learning to predict the maximum value of the drive current according to a predetermined machine learning algorithm.
更にまた別の観点に従う本発明は、加熱された鋼板材料を所定の厚さになるまで圧延する圧延工程と、圧延された前記鋼板材料を所定の冷却速度に従って冷却する冷却工程とを含む鋼板製造方法である。前記方法は、前記鋼板材料を搬送する複数の搬送ローラを駆動する複数の駆動モータの各々に対する駆動電流の実績値を取得することと、前記した最大駆動電流予測モデルより予測される前記駆動電流の最大値と取得された前記駆動電流の前記実績値とに基づいて、前記鋼板材料に搬送異常が発生したか否かを判定することと、前記鋼板材料に搬送異常が発生したと判定される場合に、前記鋼板製造ラインの操業を停止させるために、異常発生通知を出力することとを含む。 The present invention according to yet another aspect provides a method for producing a steel sheet, which includes a rolling step of rolling a heated steel sheet material to a predetermined thickness, and a cooling step of cooling the rolled steel sheet material according to a predetermined cooling rate. It's a method. The method includes obtaining actual values of drive current for each of a plurality of drive motors that drive a plurality of transport rollers that transport the steel sheet material, and calculating the drive current predicted by the maximum drive current prediction model. Determining whether or not a conveyance abnormality has occurred in the steel plate material based on the maximum value and the obtained actual value of the drive current, and when it is determined that the conveyance abnormality has occurred in the steel plate material. The method further includes outputting an abnormality occurrence notification in order to stop the operation of the steel sheet manufacturing line.
なお、本明細書等において、手段とは、単に物理的手段を意味するものではなく、その手段が有する機能をソフトウェアによって実現する場合も含む。また、１つの手段が有する機能が２つ以上の物理的手段により実現されても、２つ以上の手段の機能が１つの物理的手段により実現されても良い。また、「システム」とは、複数の装置（又は特定の機能を実現する機能モジュール）が論理的に集合した物のことを言い、各装置や機能モジュールが単一の筐体内にあるか否かは特に問わない。 Note that in this specification and the like, the term "means" does not simply mean physical means, but also includes cases in which the functions of the means are realized by software. Further, the function of one means may be realized by two or more physical means, or the functions of two or more means may be realized by one physical means. In addition, a "system" refers to a logical collection of multiple devices (or functional modules that realize a specific function), and whether each device or functional module is in a single housing or not. There is no particular question.
本発明によれば、鋼板材料の搬送異常の検出を確実かつ低コストで実現することができるようになる。とりわけ、本発明によれば、搬送テーブルの近傍へのセンサの設置をすることなく、従前より取得され得る情報により鋼板材料の搬送異常の検出を低コストで実現することができるようになる。 According to the present invention, detection of conveyance abnormality of steel plate material can be realized reliably and at low cost. In particular, according to the present invention, it is possible to detect abnormalities in the conveyance of steel plate materials at low cost using information that can be obtained from the past without installing a sensor near the conveyance table.
本発明の他の技術的特徴、目的、及び作用効果乃至は利点は、添付した図面を参照して説明される以下の実施形態により明らかにされる。本明細書に記載された効果はあくまで例示であって限定されるものではなく、また他の効果があっても良い。 Other technical features, objects, effects, and advantages of the present invention will be made clear by the following embodiments described with reference to the accompanying drawings. The effects described in this specification are merely examples and are not limiting, and other effects may also be present.
以下、図面を参照して本発明の実施の形態を説明する。ただし、以下に説明する実施形態は、あくまでも例示であり、以下に明示しない種々の変形や技術の適用を排除する意図はない。本発明は、その趣旨を逸脱しない範囲で種々変形（例えば各実施形態を組み合わせる等）して実施することができる。また、以下の図面の記載において、同一又は類似の部分には同一又は類似の符号を付して表している。図面は模式的なものであり、必ずしも実際の寸法や比率等とは一致しない。図面相互間においても互いの寸法の関係や比率が異なる部分が含まれていることがある。 Embodiments of the present invention will be described below with reference to the drawings. However, the embodiments described below are merely examples, and there is no intention to exclude the application of various modifications and techniques not specified below. The present invention can be implemented in various ways (for example, by combining the embodiments) without departing from the spirit thereof. In addition, in the description of the drawings below, the same or similar parts are denoted by the same or similar symbols. The drawings are schematic and do not necessarily correspond to actual dimensions or proportions. The drawings may also include portions that differ in dimensional relationships and ratios.
本開示では、鋼板材料の搬送異常を検出するために、鋼板材料を搬送する搬送ローラを駆動する駆動モータに対する駆動電流の最大値を予測するためのモデルを鋼板製造ラインに適用した例が説明される。鋼板製造ラインで製造される製品としての鋼板は、例えば、薄鋼板であり得る。 In the present disclosure, an example is described in which a model for predicting the maximum value of drive current for a drive motor that drives a conveyance roller that conveys a steel plate material is applied to a steel plate production line in order to detect abnormality in the conveyance of the steel plate material. Ru. A steel plate as a product manufactured on a steel plate production line may be, for example, a thin steel plate.
図１は、本発明の一実施形態に係る鋼板製造ラインの概略的構成の一例を示す図である。同図に示すように、鋼板製造ライン１は、例えば、制御指令装置１０と、加熱設備２０と、圧延設備３０と、冷却設備４０と、巻取設備５０とを備える。鋼板製造ライン１における鋼板材料は、加熱設備２０から巻取設備５０へと搬送される。
FIG. 1 is a diagram showing an example of a schematic configuration of a steel plate production line according to an embodiment of the present invention. As shown in the figure, the steel
制御指令装置１０は、鋼板製造ライン１による操業を統括的に制御するために各種の指令を発する装置である。制御指令装置１０は、例えば、所定の制御シーケンスプログラムに従って、鋼板製造ライン１内の各処理設備２０～５０及び／又は機器を制御する。制御指令装置１０は、例えば、搬送異常検出装置１１０と、各種の実績パラメータや操業パラメータ等を格納するデータベース１２０とを含み構成される。また、制御指令装置１０は、処理設備２０～５０の各々を制御するプロセスコンピュータ（図示せず）を含み得る。なお、プロセスコンピュータは、制御指令装置１０内に物理的に構成される必要はなく、制御指令装置１０を例えば上位コンピュータとして相互に通信可能に接続される構成であっても良い。
The control command device 10 is a device that issues various commands to comprehensively control the operation of the steel
後述するように、搬送異常検出装置１１０は、最大駆動電流予測モデル１１２を含み構成される（図２等参照）。最大駆動電流予測モデル１１２は、鋼板製造ライン１の冷却設備４０において鋼板材料を搬送する複数の搬送ローラ４１を駆動する複数の駆動モータ４２の各々に対する駆動電流の最大値を予測するように、所定の機械学習アルゴリズムにより機械学習が行われることにより構築された機械学習モデルである。最大駆動電流予測モデル１１２に対する機械学習は、制御指令装置１０の搬送異常検出装置１１０により行われても良いし、オフサイトの他のコンピュータ（図示せず）によって行われても良い。本開示では、このような機械学習が行われた最大駆動電流予測モデル１１２を明示的に学習済み最大駆動電流予測モデル１１２と呼ぶことがある。制御指令装置１０は、鋼板製造ライン１の操業中、学習済み最大駆動電流予測モデル１１２により、各種のパラメータに基づいて、駆動モータ４２に対する駆動電流の最大値を予測し、予測された値（以下「予測値」という。）に基づいて、鋼板材料の搬送異常の発生を早期に検出する。
As will be described later, the conveyance
加熱設備２０は、例えばスラブ形状の鋼板材料に対して熱処理を施すための炉を含む設備である。加熱設備２０は、操業中、例えば図示しない加熱装置により炉内が加熱されて高温に保たれ、搬入口から搬入された鋼板材料を所定の温度まで加熱し、搬出口から搬出する。高温に加熱された鋼板材料は、搬送路に従って圧延設備３０に搬送される。
The
圧延設備３０は、所定の温度に加熱された鋼板材料に圧延処理を施すための設備である。本開示では、圧延処理は、熱間圧延処理であるものとするが、これに限られず、例えば、温間圧延処理等であっても良い。圧延設備３０は、例えば、図示しないが、複数の圧延機、すなわち、粗圧延機と仕上圧延機とを含み構成される。粗圧延機及び仕上圧延機の各々は、典型的には、鋼板材料を圧延するためのワークロールと圧延荷重を受けてワークロールのたわみを抑制するバックアップロールとからなるが、これに限られない。鋼板材料は、粗圧延機及び仕上圧延機を通過することで所望の厚さとする圧延処理が行われる。仕上圧延機を通過した鋼板材料は、搬送路に従って冷却設備４０に搬送される。
The rolling
なお、圧延設備３０は、図示されていないが、デスケーリング設備を含み得る。デスケーリング設備は、デスケーリング情報に従って、加熱された鋼板の表面に形成されるスケールを除去（デスケーリング）するための設備である。デスケーリング設備は、例えば鋼板材料の上面及び下面の各々に対向するように、圧延機の入側及び出側に設けられた噴射ノズル（図示せず）を含み、噴射ノズルから高圧の水流を、圧延設備による圧延処理中の鋼板の表面に噴射し、これにより、発生するスケールを除去する。
Note that the rolling
冷却設備４０は、高温状態にある圧延され、搬送ローラ４１によって搬送される鋼板材料に対して、所定の冷却条件に従って、冷却水を供給し、冷却処理を施すための設備である。冷却設備４０は、典型的には、後述するように、幾つかの冷却ユニットＵに区切られ、鋼板材料の上下面に冷却水を噴射ないしは噴流することにより、鋼板材料を急速に冷却する。このような冷却処理により、鋼板材料の材質特性（例えば強度や靱性等）が改善される。冷却設備４０における複数の搬送ローラ４１によって形成される搬送テーブルは、ランアウトテーブルと呼ばれる。言い換えれば、冷却設備４０におけるランアウトテーブルは、圧延設備３０の出側と巻取設備５０の入側との間に設けられる複数の搬送ローラ４１によって形成される。本開示では、操業中、冷却設備４０に設けられた駆動モータ４２に供給される駆動電流の値（実績値）が、制御指令装置１０の制御の下、搬送異常検出装置１１０に出力される。
The cooling
巻取設備５０は、冷却された帯状の鋼板材料をコイル状に巻き取る設備である。コイル状に巻き取られた鋼板材料は、最終製品としての鋼板となる。冷却設備４０のランアウトテーブルから送り出される鋼板材料の先端部は、連接する搬送ローラ４１に受け渡さながら、巻取設備５０におけるコイラーに誘導され、巻き取られていく。このとき、冷却設備４０のランアウトテーブルから送り出される鋼板材料の先端部が、曲がりや反りといった形状不良により、繋ぎ目の搬送ローラ４１に引っ掛かったり、詰まったりして、搬送できなくなる搬送異常が発生することがある。搬送異常検出装置１１０は、このような鋼板材料の搬送異常の発生を、搬送ローラ４１を駆動する駆動モータ４２に対する駆動電流の最大値を予測する最大駆動電流予測モデル１１２を用いて、検出する。
The winding
図２は、本発明の一実施形態に係る鋼板製造ラインにおける冷却設備の概略的構成の一例を示す図である。同図では、冷却設備に関連して、制御指令装置１０の搬送異常検出装置も示されている。 FIG. 2 is a diagram showing an example of a schematic configuration of cooling equipment in a steel plate manufacturing line according to an embodiment of the present invention. In the figure, a conveyance abnormality detection device of the control command device 10 is also shown in relation to the cooling equipment.
同図を参照し、冷却設備４０は、複数の冷却ユニットＵから構成される。各冷却ユニットＵは、制御指令装置１０の制御の下、異なる冷却条件で動作し得る。本例では、図中、３つの冷却ユニットＵ（１）～Ｕ（３）が示されている。
Referring to the figure,
冷却ユニットＵは、鋼板材料を搬送する複数の搬送ローラ４１と、複数の搬送ローラ４１を各々駆動する複数の駆動モータ４２と、鋼板材料に対して冷却水を噴射する噴射ノズル４３とを備える。鋼板材料は、制御指令装置１０の制御の下、所定の搬送速度及び加速度で、冷却ユニットＵ（１）～Ｕ（３）を順番に通って所望の温度まで冷却される。
The cooling unit U includes a plurality of conveyance rollers 41 that convey the steel plate material, a plurality of
複数の搬送ローラ４１は、典型的には、下側に設けられた複数の搬送ローラ（以下「下側搬送ローラ」という。）４１ａと上側に設けられた搬送ローラ（以下「上側搬送ローラ」という。）４１ｂとから構成される。本例では、下側搬送ローラ４１ａは、駆動モータ４２に駆動されるように構成される。
The plurality of conveyance rollers 41 typically include a plurality of
複数の駆動モータ４２は、各々、制御指令装置１０の制御の下、複数の下側搬送ローラ４１ａを駆動する。すなわち、制御指令装置１０は、各駆動モータ４２に対して駆動電流が供給されるように制御し、これを受けて、各駆動モータ４２は、下側搬送ローラ４１ａを回転駆動する。制御指令装置１０は、操業中、各駆動モータ４２に対する駆動電流の実績値を例えば周期的に測定ないしは取得し、これを搬送異常検出装置１１０に出力する。
The plurality of
各冷却ユニットＵにおける搬送方向に隣接する搬送ローラ４１の間には、流量調整弁（図示せず）に接続された噴射ノズル４３が設けられている。噴射ノズル４３は、制御指令装置１０の制御の下、流量調整弁により噴射流量が調整された冷却水を鋼板材料の表面に向けて噴射する。
An
各冷却ゾーンＵの入側及び出側には、放射温度計４４が設けられる。放射温度計４４により計測された温度は、制御指令装置１０に通知される。制御指令装置１０は、通知された温度に基づいて、各種の操業パラメータ（例えば冷却水の量）を調整し、鋼板製造ライン１を制御し得る。
A
図３は、本発明の一実施形態に係る制御指令装置における搬送異常検出装置の機能的構成の一例を示す図である。 FIG. 3 is a diagram illustrating an example of a functional configuration of a conveyance abnormality detection device in a control command device according to an embodiment of the present invention.
同図に示すように、搬送異常検出装置１１０は、機能的構成要素として、例えば、パラメータ取得部１１１と、最大駆動電流予測モデル１１２と、駆動電流実績値取得部１１３と、判定部１１４と、出力部１１５とを含み得る。
As shown in the figure, the conveyance
パラメータ取得部１１１は、最大駆動電流予測モデル１１２に入力すべき各種のパラメータを取得する。各種のパラメータは、例えば、鋼板材料に関する材料諸元パラメータと、鋼板材料の搬送並びに冷却水の噴射に関する操業パラメータとを含む。鋼板材料に関する材料諸元パラメータは、例えば、鋼板材料の厚さ（材料厚）、幅（材料幅）、種類（鋼種）、及び成分等であるが、これらに限られない。また、鋼板材料の搬送に関する操業パラメータは、例えば、鋼板材料の搬送速度及び加速度等であるが、これらに限られない。また、冷却水の噴射に関する操業パラメータは、例えば、各噴射ノズル４３からの冷却水の噴射量、噴射時間、及び噴射ノズル４３と鋼板材料との間の距離等であるが、これらに限られない。本例では、冷却水の噴射に関する操業パラメータは、冷却水の噴射量の有無を示すものとする。
The
最大駆動電流予測モデル１１２は、各駆動モータ４２に対する駆動電流の最大値を予測する。すなわち、最大駆動電流予測モデル１１２は、材料諸元パラメータと、鋼板材料の搬送及びに冷却水の噴射に関する操業パラメータとを入力として、複数の駆動モータ４２の各々に対する駆動電流の最大値を予測するように、所定の機械学習アルゴリズムにより機械学習が行われることにより構築された機械学習モデルである。機械学習にあたっては、鋼板製造ライン１における過去のある操業期間での上記のパラメータと実際の駆動電流の最大値が用いられる。所定の機械学習アルゴリズムとして、例えば、ニューラルネットワーク、線形回帰、局所回帰、決定木学習、ランダムフォレスト、及びサポートベクター回帰等が適用され得るが、これらに限られない。
The maximum drive
学習済み最大駆動電流予測モデル１１２は、鋼板製造ライン１の操業中、パラメータ取得部１１１により取得される操業パラメータに基づいて、駆動電流の最大値を予測する。予測された駆動電流の最大値は、判定部１１４に入力される。
The learned maximum drive
なお、学習済み最大駆動電流予測モデル１１２が出力する予測値の精度は、鋼板製造ライン１の各設備の経年劣化や鋼板材料の諸元により変化し得る。このため、学習済み最大駆動電流予測モデル１１２は、その予測精度が定期的に監視され、必要に応じてモデルの再学習又は更新が行われる。例えば、オペレータは、手動により、新たなパラメータを用いて最大駆動電流予測モデル１１２に対して機械学習を行い、モデルを最構築し得る。或いは、搬送異常検出装置１１０は、予測精度の劣化が認められた場合に、自動で最大駆動電流予測モデル１１２に対して機械学習を行い、モデルを最構築し得る。
Note that the accuracy of the predicted value output by the learned maximum drive
駆動電流実績値取得部１１３は、操業中、制御指令装置１０の制御により各駆動モータ４２に供給される駆動電流の値（実績値）を受信し取得する。駆動電流の実績値は、例えば、駆動モータ４２の電源ケーブルに接続された電流計により周期的にサンプリングされ測定される電流値であり得る。或いは、駆動電流の実績値は、制御指令装置１０が出力する駆動電流制御信号が示す値であっても良い。駆動電流実績値取得部１１３は、駆動電流の実績値を例えば１００μｓから２０ｍｓ程度の周期で取得する。
The drive current actual
判定部１１４は、学習済み最大駆動電流予測モデル１１２にから出力される駆動電流の予測値と駆動電流実績値取得部１１３により取得された駆動電流の実績値とに基づいて、鋼板材料に搬送異常が発生したか否かを判定する。例えば、判定部１１４は、駆動電流の実績値に対する駆動電流の予測値の乖離率を算出し、算出された乖離率が所定のしきい値を超えていると判断する場合に、鋼板材料の搬送異常が発生したと判断する。乖離率は、例えば、以下の式によって算出される。
乖離率＝（予測値－実績値）／実績値×１００（％）
The
Deviation rate = (predicted value - actual value) / actual value x 100 (%)
或いは、判定部１１４は、駆動電流の最大値と駆動電流の実績値の差分値を算出し、算出された差分値が所定のしきい値を超えたと判断する場合に、搬送異常が発生したと判断しても良い。判定部１１４は、搬送異常が発生したと判断する場合に、搬送異常信号を出力部１１５に出力する。
Alternatively, the
出力部１１５は、判定部１１４から搬送異常信号を受け付けると、鋼板製造ライン１のオペレータ等に搬送異常の発生を知らせるために、例えばディスプレイに警告表示を出力したり、鋼板製造ライン１に設置された警報器が点滅及び／又は鳴動したりするように制御を行う。また、追加的に又は代替的に、出力部１１５は、制御指令装置１０に鋼板製造ライン１の操業を非常停止させるために非常停止信号を出力する。
When the
図４は、本発明の一実施形態に係る鋼板製造ラインにおける鋼板材料搬送時の駆動モータに対する駆動電流の変化を示すグラフである。同図中、横軸は、経過時間を示し、縦軸は駆動モータ４２に対する駆動電流の実績値の変化率を示している。具体的には、図４（ａ）は、鋼板製造ライン１において、鋼板材料の搬送異常が発生しなかった場合（通常時）の駆動電流の変化を示すグラフであり、図４（ｂ）は、鋼板製造ライン１において、鋼板材料の搬送異常が発生した場合（搬送異常発生時）の駆動電流の変化を示すグラフである。
FIG. 4 is a graph showing changes in the drive current for the drive motor during conveyance of steel plate material in the steel plate production line according to an embodiment of the present invention. In the figure, the horizontal axis indicates elapsed time, and the vertical axis indicates the rate of change in the actual value of the drive current for the
すなわち、同図（ａ）では、鋼板材料の先端部がある搬送ローラ４１を通過する際の当該搬送ローラ４１を駆動する駆動モータ４２に供給される駆動電流の変化が示されている。同図（ａ）に示すように、鋼板材料の先端部がある搬送ローラ４１に到達すると、これに応じて駆動モータ４２にわずかな負荷がかかり、制御指令装置１０は、搬送速度を一定に保とうと負荷に応じて駆動電流の値を大きくなるように制御し、これにより、駆動モータ４２のトルクは上がり、その後、駆動電流の値は概ね一定となる。このように、鋼板材料の詰まりが発生していない場合の駆動電流の値の変化は、約１０～２０％の上昇率である。
That is, FIG. 2A shows changes in the drive current supplied to the
一方、同図（ｂ）では、鋼板材料の先端部がある搬送ローラ４１に到達した直後に鋼板材料の詰まりが発生した際の当該搬送ローラ４１を駆動する駆動モータ４２に供給される駆動電流の変化を示している。同図（ｂ）に示すように、鋼板材料がある搬送ローラ４１に到達した直後に詰まりが発生すると、これに応じて駆動モータ４２に非常に大きな負荷がかかり、制御指令装置１０は、搬送速度を一定に保とうと負荷に応じて駆動電流の値を大きくなるように制御する。このように、鋼板材料の詰まりが発生した場合の駆動電流の値の変化は、リミッタの上限値である約２５０％の上昇率である。
On the other hand, in the same figure (b), the drive current supplied to the
したがって、本開示では、鋼板製造ライン１の操業中の駆動モータ４２に対する駆動電流の最大値を予測し得るように、最大駆動電流予測モデル１１２が所定の機械学習アルゴリズムに従って構築される。そして、搬送異常検出装置１１０は、予測された駆動電流の値（予測値）と操業中に取得される実績値とに基づいて、鋼板材料の搬送異常の発生を検出する。
Therefore, in the present disclosure, the maximum drive
図５は、本発明の一実施形態に係る鋼板製造ラインにおける鋼板材料搬送時の駆動モータに対する駆動電流の変化を諸条件ごとに示すグラフである。各グラフ中の各折れ線は、各駆動モータ４２に対する駆動電流の変化を示している。ここで、諸条件とは、２種類の鋼板材料の板厚（材料厚）と冷却水の噴射の有無とである。具体的には、同図（ａ）は、冷却水の噴射が有り、かつ、材料厚が厚い場合の駆動電流の変化を示し、同図（ｂ）は、冷却水の噴射が有り、かつ、材料厚が薄い場合の駆動電流の変化を示している。また、同図（ｃ）は、冷却水の噴射が無く、かつ、材料厚が厚い場合の駆動電流の変化を示し、同図（ｄ）は、冷却水の噴射が無く、かつ、材料厚が薄い場合の駆動電流の変化を示している。
FIG. 5 is a graph showing, for each condition, changes in the drive current for the drive motor during conveyance of a steel plate material in the steel plate production line according to an embodiment of the present invention. Each line in each graph indicates a change in drive current for each
これらの図からわかるように、材料厚が厚くなるとその分だけ重量が重くなるため、下側搬送ローラ４１ａを駆動するための駆動モータ４２に負荷がかかり、更に、冷却水の噴射により、冷却水の重量もまた駆動モータ４２に負荷をかけるため、これに応じて駆動電流の値が大きくなる。このように、材料厚及び冷却水の噴射の有無は、駆動モータ４２に対する駆動電流に影響を与える因子であるといえる。また、搬送ローラ４１にかかる重量という点で、鋼板材料の幅（材料幅）も同様に駆動電流に影響を与える因子であるといえる。
As can be seen from these figures, as the thickness of the material increases, the weight increases accordingly, which places a load on the
以上より、本開示では、鋼板材料の材料厚、材料幅、搬送速度及び加速度、鋼板材料と噴射ノズル４３との間の距離、並びに噴射ノズル４３からの冷却水の量（噴射の有無）は、最大駆動電流予測モデル１１２に対する有意な説明変数として用いられる。また、後述するように、噴射ノズル４３の噴射の有無は、駆動電流が予測される駆動モータ４２が駆動する搬送ローラ４１の近傍の噴射ノズル４３が予測への寄与度が高いと考えられる。最大駆動電流予測モデル１１２は、このような説明変数を用いて、複数の駆動モータ４２の各々に対する駆動電流の最大値を目的変数として予測するように、所定の機械学習アルゴリズムにより機械学習が行われることにより構築される。
As described above, in the present disclosure, the material thickness of the steel plate material, the material width, the conveyance speed and acceleration, the distance between the steel plate material and the
図６は、本発明の一実施形態に係る制御指令装置における搬送異常検出装置の処理の一例を説明するためのフローチャートである。かかる処理は、例えば、搬送異常検出装置１１０のプロセッサによる所定の搬送異常検出プログラムの実行に伴って各種のハードウェア資源と協働することにより、実現される。
FIG. 6 is a flowchart for explaining an example of processing of the conveyance abnormality detection device in the control command device according to an embodiment of the present invention. Such processing is realized, for example, by the processor of the transport
同図に示すように、搬送異常検出装置１１０は、鋼板製造ライン１の操業開始に際して、例えばデータベース１２０から学習済み最大駆動電流予測モデル１１２を実行可能なようにメモリに読み込む（Ｓ６０１）。学習済み最大駆動電流予測モデル１１２は、上述したように、材料諸元パラメータと、鋼板材料の搬送及びに冷却水の噴射に関する操業パラメータとを入力として、複数の駆動モータ４２の各々に対する駆動電流の最大値を予測するように機械学習が行われた機械学習モデルである。
As shown in the figure, the conveyance
次に、搬送異常検出装置１１０は、鋼板製造ライン１において、鋼板材料に変更があったか否かを判断する（Ｓ６０２）。例えば、オペレータは、鋼板材料に変更があった場合は、手元のコンソール等を介して、鋼板製造ライン１に対する各種の操業パラメータの設定を修正・更新する。搬送異常検出装置１１０は、このような設定に基づいて、鋼板材料に変更があったか否かを判断する。
Next, the conveyance
搬送異常検出装置１１０は、鋼板材料に変更があったと判断する場合（Ｓ６０２のＹｅｓ）、データベース１２０から各種のパラメータを読み込み、更新する（Ｓ６０３）。各種のパラメータは、材料諸元パラメータ及び各種の操業パラメータ等である。続いて、搬送異常検出装置１１０は、駆動モータ４２に対する駆動電流の実績値を周期的に取得する（Ｓ６０４）。一方、搬送異常検出装置１１０は、鋼板材料に変更がないと判断する場合（Ｓ６０２のＮｏ）、各駆動モータ４２に対する駆動電流の実績値を周期的に取得する（Ｓ６０４）。
When the conveyance
次に、搬送異常検出装置１１０は、複数の駆動モータ４２（ｉ）の各々（ｉは１～ｎの正数）に対する駆動電流の最大値を順番に予測する。すなわち、学習済み最大駆動電流予測モデル１１２は、複数の駆動モータ４２の数をｎ個として、駆動電流の最大値が予測される駆動モータ４２（ｉ）に対する駆動電流の値を順番に予測する（Ｓ６０５）。
Next, the transport
次に、搬送異常検出装置１１０は、駆動電流の実績値に対する予測値の乖離率を計算し（Ｓ６０６）、続いて、乖離率が所定のしきい値を超えているか否かを判断する（Ｓ６０７）。搬送異常検出装置１１０は、乖離率が所定のしきい値を超えていないと判断する場合（Ｓ６０７のＮｏ）、該駆動モータ４２には異常な負荷がかかっておらず詰まり等の異常がないとみなせることから、次の駆動モータ４２（ｉ）を選択し、同様に、上記処理を行う。
Next, the transport
一方、搬送異常検出装置１１０は、乖離率が所定のしきい値を超えていると判断する場合（Ｓ６０７のＹｅｓ）、該駆動モータ４２には異常な負荷がかかっているため、詰まり等の異常が発生しているとして、搬送異常処理を行う（Ｓ６０８）。例えば、搬送異常検出装置１１０は、鋼板製造ライン１のオペレータ等に搬送異常の発生を知らせるために、例えばディスプレイに警告表示を出力したり、鋼板製造ライン１に設置された警報器が点滅及び／又は鳴動したりするように制御を行う。或いは、搬送異常検出装置１１０は、鋼板製造ライン１の操業を非常停止させるために非常停止信号を制御指令装置１０に出力する。
On the other hand, if the conveyance
搬送異常検出装置１１０は、複数の駆動モータ４２（ｉ）の全てに対する駆動電流の予測を終えると、搬送異常の検出処理の終了条件が満たされているか否かを判断する（Ｓ６０９）。搬送異常検出装置１１０は、終了条件が満たされていないと判断する場合には（Ｓ６０９のＮｏ）、Ｓ９０２の処理に戻り、終了条件が満たされるまで上記処理を繰り返す。
When the transport
（評価例）
次に、学習済み最大駆動電流予測モデル１１２において、駆動モータ４２によって駆動される搬送ローラ４１の近傍の噴射ノズル４３の影響について評価する。
(Evaluation example)
Next, in the learned maximum drive
図７は、本発明の一実施形態に係る鋼板製造ラインにおける鋼板材料搬送時の駆動モータに対する駆動電流と噴射ノズルとの関係を示すグラフである。具体的には、同図（ａ）は、冷却設備４０のユニットＵ（１）におけるある搬送ローラ４１を駆動するための駆動モータ４２に対する駆動電流の最大値の予測と該予測に対する各ユニットＵの噴射ノズル４３の寄与度との関係を示している。また、同図（ｂ）は、冷却設備４０のユニットＵ（３）におけるある搬送ローラ４１を駆動するための駆動モータ４２に対する駆動電流の最大値の予測と該変化に対する各ユニットＵの噴射ノズル４３の寄与度との関係を示している。ここで、寄与度とは、最大駆動電流予測モデル１１２への入力に対して特定の説明変数がどれだけ予測に寄与しているかを示す指標である。本例では、説明変数（特徴量）の値をランダムに並び替えて特徴量の重要度を測定するPermutation Importanceという手法を用いた。なお、ユニットＵ（１）は、６つの噴射ノズル４３の群を備え、ユニットＵ（２）は、４つの噴射ノズル４３の群を備え、ユニットＵ（３）は、４つの噴射ノズル４３の群を備えるものとする。
FIG. 7 is a graph showing the relationship between the drive current for the drive motor and the injection nozzle during conveyance of a steel plate material in the steel plate production line according to an embodiment of the present invention. Specifically, FIG. 4(a) shows a prediction of the maximum value of the drive current for the
同図（ａ）に示すように、学習済み最大駆動電流予測モデル１１２によるユニットＵ（１）における駆動モータ４２に対する駆動電流の最大値の予測には、ユニットＵ（１）における噴射ノズル４３の寄与度が相対的に高いことがわかる。また、同図（ｂ）に示すように、学習済み最大駆動電流予測モデル１１２によるユニットＵ（３）における駆動モータ４２に対する駆動電流の最大値の予測には、ユニットＵ（３）における噴射ノズル４３の寄与度が高いことがわかる。とりわけ、最大駆動電流を予測する駆動モータ４２に対応する搬送ローラ４１の近傍（例えば約±３ｍ以内）に設けられた噴射ノズル４３での冷却水の噴射量（噴射の有無）が予測に大きく寄与することがわかる。
As shown in FIG. 5A, the contribution of the
したがって、鋼板材料の材料厚、材料幅、鋼板材料の搬送速度及び加速度、鋼板材料と噴射ノズル４３との間の距離に加えて、駆動電流が予測される駆動モータ４２が駆動する搬送ローラ４１の近傍の噴射ノズル４３による冷却水の噴射の有無もまた、駆動電流の予測への寄与度が高く、最大駆動電流予測モデル１１２の重要な説明変数であるといえる。
Therefore, in addition to the material thickness of the steel plate material, the material width, the conveyance speed and acceleration of the steel plate material, and the distance between the steel plate material and the
図８は、本発明の一実施形態に係る搬送異常検出装置の学習済み最大駆動電流予測モデルの予測精度を表すヒストグラムである。具体的には、同図（ａ）は、冷却設備４０のユニットＵ（１）におけるある搬送ローラ４１を駆動するための駆動モータ４２に対する駆動電流の予測値の誤差率を示すグラフである。また、同図（ｂ）は、冷却設備４０のユニットＵ（３）におけるある搬送ローラ４１を駆動するための駆動モータ４２に対する駆動電流の予測値の誤差率を示すグラフである。図中、横軸は、誤差率を示し、縦軸は、予測回数を示す。ここで、予測精度を示す誤差率は、以下のように定義される。
誤差率＝（予測値－実績値）／実績値×１００（％）
FIG. 8 is a histogram showing the prediction accuracy of the learned maximum drive current prediction model of the conveyance abnormality detection device according to an embodiment of the present invention. Specifically, FIG. 4A is a graph showing the error rate of the predicted value of the drive current for the
Error rate = (predicted value - actual value) / actual value x 100 (%)
同図（ａ）及び（ｂ）に示すように、誤差率の二乗平均平方根誤差（ＲＭＳＥ）は、いずれも１０％前後であった。以上のことから、実用性を考慮して、駆動電流の予測値と実測値との乖離率のしきい値を約１０％に設定し得る。 As shown in (a) and (b) of the figure, the root mean square error (RMSE) of the error rate was around 10% in both cases. From the above, in consideration of practicality, the threshold value of the deviation rate between the predicted value and the measured value of the drive current can be set to about 10%.
図９は、本発明の一実施形態に係る鋼板製造ラインにおける駆動モータに対する駆動電流の実績値と予測値との関係を示す散布図である。具体的には、同図（ａ）は、冷却設備４０のユニットＵ（１）におけるある搬送ローラ４１を駆動するための駆動モータ４２に対する駆動電流の実績値と予測値との関係を示す散布図である。また、同図（ｂ）は、冷却設備４０のユニットＵ（３）におけるある搬送ローラ４１を駆動するための駆動モータ４２に対する駆動電流の実績値と予測値との関係を示す散布図である。図中、横軸は、予測値を示し、縦軸は、実績値を示している。
FIG. 9 is a scatter diagram showing the relationship between the actual value and predicted value of the drive current for the drive motor in the steel plate production line according to an embodiment of the present invention. Specifically, FIG. 4A is a scatter diagram showing the relationship between the actual value and predicted value of the drive current for the
同図（ａ）及び（ｂ）では、２つの搬送異常Ｅ１及びＥ２が示されている。同図（ａ）では、搬送異常Ｅ１及びＥ２は、実績値と予測値との間に大きな乖離がない状態（すなわち、鋼板材料の搬送異常がない状態）のプロットの群から大きく乖離していることがわかる。また。同図（ｂ）では、搬送異常Ｅ１は、鋼板材料の搬送異常がない状態のプロットの群から大きく乖離していないが、搬送異常Ｅ２は、鋼板材料の搬送異常がない状態のプロットの群から大きく乖離している。 Two conveyance abnormalities E1 and E2 are shown in (a) and (b) of the same figure. In the same figure (a), transport abnormalities E1 and E2 deviate greatly from the group of plots where there is no large discrepancy between the actual value and the predicted value (that is, the state where there is no transport abnormality of the steel sheet material). I understand that. Also. In the same figure (b), the conveyance abnormality E1 does not deviate greatly from the group of plots in which there is no conveyance abnormality of the steel sheet material, but the conveyance abnormality E2 does not deviate greatly from the group of plots in the state where there is no conveyance abnormality of the steel sheet material. There is a big difference.
以上より、搬送異常Ｅ１については、オペレータによる鋼板製造ライン１の非常停止が、鋼板材料の先端部がユニットＵ（３）へ到達前に間に合ったため、ユニットＵ（１）での検出のみでユニットＵ（３）での検出はなされないものの、搬送異常Ｅ２については、ユニットＵ（１）及びＵ（３）の双方での検出がなされ得る。したがって、搬送異常検出装置１１０による最大駆動電流予測モデル１１２を用いた駆動モータ４２に対する駆動電流の変化を監視することは有効であることがわかる。
From the above, regarding the conveyance abnormality E1, the operator stopped the steel
以上のように、本実施形態によれば、搬送異常検出装置１１０は、最大駆動電流予測モデル１１２により搬送ローラ４１を駆動する駆動モータ４２に対する駆動電流の最大値を予測し、駆動電流の予測値と実績値とに基づいて鋼板材料の搬送異常の発生を検出することができるようになる。したがって、鋼板製造ライン１において、新たなセンサ等を設けることなく、鋼板材料の搬送異常の検出を低コストで実現することができるようになる。
As described above, according to the present embodiment, the conveyance
上記各実施形態は、本発明を説明するための例示であり、本発明をこれらの実施形態にのみ限定する趣旨ではない。本発明は、その要旨を逸脱しない限り、さまざまな形態で実施することができる。 Each of the embodiments described above is an illustration for explaining the present invention, and the present invention is not intended to be limited only to these embodiments. The present invention can be implemented in various forms without departing from the gist thereof.
例えば、本明細書に開示される方法においては、その結果に矛盾が生じない限り、ステップ、動作又は機能を並行して又は異なる順に実施しても良い。説明されたステップ、動作及び機能は、単なる例として提供されており、ステップ、動作及び機能のうちのいくつかは、発明の要旨を逸脱しない範囲で、省略でき、また、互いに結合させることで一つのものとしてもよく、また、他のステップ、動作又は機能を追加してもよい。 For example, steps, acts, or functions in the methods disclosed herein may be performed in parallel or in a different order unless the results are inconsistent. The steps, acts, and functions described are provided by way of example only, and some of the steps, acts, and functions may be omitted or combined with each other without departing from the spirit of the invention. It is also possible to add other steps, actions, or functions.
また、本明細書では、さまざまな実施形態が開示されているが、一の実施形態における特定のフィーチャ（技術的事項）を、適宜改良しながら、他の実施形態に追加し、又は該他の実施形態における特定のフィーチャと置換することができ、そのような形態も本発明の要旨に含まれる。 Further, although various embodiments are disclosed in this specification, specific features (technical matters) in one embodiment may be added to other embodiments while improving them as appropriate, or Certain features in the embodiments may be replaced and such forms are within the scope of the invention.
１…鋼板製造ライン
１０…制御指令装置
１１０…搬送異常検出装置
１１１…パラメータ取得部
１１２…最大駆動電流予測モデル
１１３…駆動電流実績値取得部
１１４…判定部
１１５…出力部
１２０…データベース
２０…加熱設備
３０…圧延設備
４０…冷却設備
４１…搬送ローラ
４１ａ…下側搬送ローラ
４１ｂ…上側搬送ローラ
４２…駆動モータ
４３…噴射ノズル
４４…放射温度計
Ｕ…冷却ユニット
５０…巻取設備
1... Steel plate production line 10...
Claims (14)
前記鋼板材料を搬送する複数の搬送ローラを駆動する複数の駆動モータの各々に対する駆動電流の実績値を取得する取得部と、
少なくとも、前記鋼板材料に関する材料諸元パラメータと、前記鋼板材料の搬送速度及び加速度並びに冷却水の噴射量に関する操業パラメータとを入力とし、前記複数の駆動モータの各々に対する前記駆動電流の実績値を出力として、所定の機械学習アルゴリズムに従って、前記駆動電流の最大値を予測するように機械学習が行われた学習済み最大駆動電流予測モデルと、
前記学習済み最大駆動電流予測モデルにより予測される前記駆動電流の前記最大値と前記取得部により取得された前記駆動電流の前記実績値とに基づいて、前記鋼板材料に搬送異常が発生したか否かを判定する判定部と、を備える、
搬送異常検出装置。 A conveyance abnormality detection device for detecting conveyance abnormality of steel plate material in a steel plate manufacturing line,
an acquisition unit that acquires actual values of drive current for each of a plurality of drive motors that drive a plurality of conveyance rollers that convey the steel plate material;
At least, material specification parameters regarding the steel plate material, operational parameters regarding the transport speed and acceleration of the steel plate material, and the amount of cooling water injection are input, and the actual value of the drive current for each of the plurality of drive motors is output. a learned maximum drive current prediction model in which machine learning is performed to predict the maximum value of the drive current according to a predetermined machine learning algorithm;
Based on the maximum value of the drive current predicted by the learned maximum drive current prediction model and the actual value of the drive current acquired by the acquisition unit, whether a conveyance abnormality has occurred in the steel plate material. a determination unit that determines whether the
Transport abnormality detection device.
請求項１に記載の搬送異常検出装置。 The material specification parameters include at least one of the material thickness, material width, steel type, and component of the steel plate material.
The conveyance abnormality detection device according to claim 1.
請求項１又は２に記載の搬送異常検出装置。 When the deviation rate between the maximum value and the actual value exceeds a predetermined threshold, or when the difference between the maximum value and the actual value exceeds a predetermined threshold, the determination unit Determine that a transport abnormality has occurred in the material.
The conveyance abnormality detection device according to claim 1 or 2.
請求項１から３のいずれか一項に記載の搬送異常検出装置。 The plurality of conveyance rollers form a runout table in the cooling equipment;
The conveyance abnormality detection device according to any one of claims 1 to 3.
請求項１から４のいずれか一項に記載の搬送異常検出装置。 The operational parameters regarding the injection amount of the cooling water include the distance between the injection nozzle that injects the cooling water and the steel plate material, and the injection corresponding to the plurality of conveyance rollers driven by the plurality of drive motors. including at least one of the presence or absence of jetting from the nozzle;
The conveyance abnormality detection device according to any one of claims 1 to 4.
請求項１から５のいずれか一項に記載の搬送異常検出装置。 When determining that a conveyance abnormality has occurred in the steel plate material, the determination unit outputs an abnormality occurrence notification in order to stop operation of the steel plate production line.
The conveyance abnormality detection device according to any one of claims 1 to 5.
前記鋼板材料を搬送する複数の搬送ローラを駆動する複数の駆動モータの各々に対して駆動電流を供給することと、
前記複数の駆動モータの各々に対する前記駆動電流の実績値を取得することと、
少なくとも、前記鋼板材料に関する材料諸元パラメータと、前記鋼板材料の搬送速度及び加速度並びに冷却水の噴射量に関する操業パラメータとを入力とし、前記複数の駆動モータの各々に対する前記駆動電流を出力として、所定の機械学習アルゴリズムに従って、前記駆動電流の最大値を予測するように機械学習が行われた学習済み最大駆動電流予測モデルを用いて、前記駆動電流の最大値を予測することと、
予測された前記駆動電流の前記最大値と測定された前記駆動電流の前記実績値とに基づいて、前記鋼板材料に搬送異常が発生したか否かを判定することと、を含む、
搬送異常検出方法。 A conveyance abnormality detection method for detecting conveyance abnormality of steel plate material in a steel plate production line, the method comprising:
Supplying a drive current to each of a plurality of drive motors that drive a plurality of transport rollers that transport the steel sheet material;
obtaining actual values of the drive current for each of the plurality of drive motors;
At least, the material specification parameters regarding the steel plate material, the conveyance speed and acceleration of the steel plate material, and the operation parameters regarding the injection amount of cooling water are input, and the drive current for each of the plurality of drive motors is output, and a predetermined value is set. Predicting the maximum value of the drive current using a learned maximum drive current prediction model in which machine learning has been performed to predict the maximum value of the drive current according to a machine learning algorithm;
determining whether a conveyance abnormality has occurred in the steel plate material based on the predicted maximum value of the drive current and the measured actual value of the drive current;
Transport abnormality detection method.
請求項７に記載の搬送異常検出方法。 The material specification parameters include at least one of the thickness, width, steel type, and composition of the steel sheet material.
The transportation abnormality detection method according to claim 7.
請求項７又は８に記載の搬送異常検出方法。 The determination may be made if the deviation rate between the maximum value and the actual value exceeds a predetermined threshold value, or if the difference between the maximum value and the actual value exceeds a predetermined threshold value, the steel plate including determining that a conveyance abnormality has occurred in the material;
The transportation abnormality detection method according to claim 7 or 8.
請求項７から９のいずれか一項に記載の搬送異常検出方法。 The acquisition includes a run-out table installed between a finishing mill that performs a finishing hot rolling process on the steel plate material in the hot rolling equipment of the steel plate production line and a coiler that winds up the steel plate material. obtaining the drive current for each of the plurality of conveyance rollers forming the
The transportation abnormality detection method according to any one of claims 7 to 9.
請求項７から１０のいずれか一項に記載の搬送異常検出方法。 The operational parameters regarding the injection amount of the cooling water include the distance between the injection nozzle that injects the cooling water and the steel plate material, and the injection corresponding to the plurality of conveyance rollers driven by the plurality of drive motors. including at least one of the presence or absence of jetting from the nozzle;
The transportation abnormality detection method according to any one of claims 7 to 10.
請求項７から１１のいずれか一項に記載の搬送異常検出方法。 further comprising outputting an abnormality occurrence signal in order to stop operation of the steel plate production line when it is determined that a conveyance abnormality has occurred in the steel plate material;
The transportation abnormality detection method according to any one of claims 7 to 11.
少なくとも、鋼板材料に関する材料諸元パラメータと、前記鋼板材料の搬送速度及び加速度並びに冷却水の噴射量に関する操業パラメータとを入力とし、複数の搬送ローラを駆動する複数の駆動モータの各々における駆動電流を出力として、所定の機械学習アルゴリズムに従って、前記駆動電流の最大値を予測するように機械学習を行うことにより、学習済みの最大駆動電流予測モデルを構築する、
最大駆動電流予測モデルの構築方法。 A method for constructing a maximum drive current prediction model, the method comprising:
At least, the material specification parameters related to the steel plate material, the conveyance speed and acceleration of the steel plate material, and the operation parameters related to the injection amount of cooling water are input, and the drive current in each of the plurality of drive motors that drive the plurality of conveyance rollers is calculated. As an output, constructing a learned maximum drive current prediction model by performing machine learning to predict the maximum value of the drive current according to a predetermined machine learning algorithm;
How to build a maximum drive current prediction model.
前記鋼板材料を搬送する複数の搬送ローラを駆動する複数の駆動モータの各々に対する駆動電流の実績値を取得することと、
最大駆動電流予測モデルより予測される前記駆動電流の最大値と取得された前記駆動電流の前記実績値とに基づいて、前記鋼板材料に搬送異常が発生したか否かを判定することと、
前記鋼板材料に搬送異常が発生したと判定される場合に、前記鋼板製造ラインの操業を停止させるために、異常発生通知を出力することと、を含み、
前記最大駆動電流予測モデルは、少なくとも、前記鋼板材料に関する材料諸元パラメータと、前記鋼板材料の搬送速度及び加速度並びに冷却水の噴射量に関する操業パラメータとを入力とし、前記複数の搬送ローラを駆動する前記複数の駆動モータの各々における駆動電流を出力として、所定の機械学習アルゴリズムに従って、前記駆動電流の前記最大値を予測するように機械学習を行うことにより構築された学習済みの最大駆動電流予測モデルである、
鋼板製造方法。 A method for producing a steel plate, comprising: a rolling process of rolling a heated steel plate material to a predetermined thickness; and a cooling process of cooling the rolled steel plate material according to a predetermined cooling rate,
Obtaining actual values of drive current for each of a plurality of drive motors that drive a plurality of conveyance rollers that convey the steel plate material;
Determining whether a conveyance abnormality has occurred in the steel plate material based on the maximum value of the drive current predicted by a maximum drive current prediction model and the obtained actual value of the drive current;
outputting an abnormality occurrence notification in order to stop operation of the steel plate production line when it is determined that a conveyance abnormality has occurred in the steel plate material,
The maximum drive current prediction model receives at least material specification parameters related to the steel plate material, operational parameters related to the conveyance speed and acceleration of the steel plate material, and the injection amount of cooling water, and drives the plurality of conveyance rollers. A learned maximum drive current prediction model constructed by performing machine learning to predict the maximum value of the drive current according to a predetermined machine learning algorithm using the drive current of each of the plurality of drive motors as an output. is,
Steel plate manufacturing method.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022035502A JP2023130912A (en) | 2022-03-08 | 2022-03-08 | Conveyance abnormality detecting device and conveyance abnormality detecting method as well as method for constructing maximum current prediction model for detecting conveyance abnormality |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022035502A JP2023130912A (en) | 2022-03-08 | 2022-03-08 | Conveyance abnormality detecting device and conveyance abnormality detecting method as well as method for constructing maximum current prediction model for detecting conveyance abnormality |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2023130912A true JP2023130912A (en) | 2023-09-21 |
Family
ID=88050311
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022035502A Pending JP2023130912A (en) | 2022-03-08 | 2022-03-08 | Conveyance abnormality detecting device and conveyance abnormality detecting method as well as method for constructing maximum current prediction model for detecting conveyance abnormality |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2023130912A (en) |
-
2022
- 2022-03-08 JP JP2022035502A patent/JP2023130912A/en active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102141440B1 (en) | Apparatus and method for removing scale of workpiece | |
| US10095199B2 (en) | Energy consumption predicting device for rolling line | |
| JP7158569B2 (en) | Methods and electronic devices for monitoring the production of metal products, associated computer programs and equipment | |
| DE102020210967A1 (en) | Method and system for optimizing a production process in a production plant in the metal-producing industry, the non-ferrous industry or the steel industry for the production of semi-finished or finished products, in particular for monitoring the product quality of rolled or forged metal products | |
| JP2021030300A (en) | Warp prediction method in hot rolling process, warp control method, hot-rolled steel sheet manufacturing method, warp prediction model generation method and hot rolling equipment | |
| JP2021098213A (en) | Warpage prediction method in hot rolling, warpage control method, manufacturing method for hot-rolled steel plate, method for creating warpage prediction model and hot-rolling facility | |
| JP2023130912A (en) | Conveyance abnormality detecting device and conveyance abnormality detecting method as well as method for constructing maximum current prediction model for detecting conveyance abnormality | |
| CN110632900B (en) | Monitoring operation support system for steel plant | |
| JP5903869B2 (en) | Mil pacing control method in hot rolling line | |
| KR20160032189A (en) | Energy-saving-operation recommending system | |
| CN106077082A (en) | The determination methods that on a kind of high-speed rod, reinforcing bar skidding is cataclasm | |
| JP3927536B2 (en) | Transfer control method in continuous hot rolling line | |
| JP7230880B2 (en) | Rolling load prediction method, rolling method, method for manufacturing hot-rolled steel sheet, and method for generating rolling load prediction model | |
| JP6922936B2 (en) | Rolling machine bite stop detection device, detection method and rolling mill | |
| KR101525536B1 (en) | apparatus for controlling moving speed of strip and system for correcting meandering including the same in ontinuous annealing furnace | |
| JP7246574B2 (en) | Cutting position controller | |
| CN114434717A (en) | Method for preventing calendering roller from collision due to material breakage | |
| JP2016032822A (en) | Cooling control method for hot-rolled steel strip | |
| JP2000280016A (en) | Method of detecting downward bend of sheet bar | |
| WO2024042601A1 (en) | Hot rolling mill plate thickness control device | |
| JP6213443B2 (en) | How to stop linked equipment when abnormal hot rolling | |
| JP7287422B2 (en) | Slab thickness prediction method, roughing mill control method, and slab thickness prediction model generation method | |
| JP4016855B2 (en) | Rolling mill control method | |
| Quinn et al. | Development of a standalone in-situ monitoring system for defect detection in the direct metal laser sintering process | |
| US11858021B2 (en) | Preventing undulations when rolling metal strips |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20231024 |