JP5727865B2 - Rolling model optimization device - Google Patents
Rolling model optimization device Download PDFInfo
- Publication number
- JP5727865B2 JP5727865B2 JP2011114673A JP2011114673A JP5727865B2 JP 5727865 B2 JP5727865 B2 JP 5727865B2 JP 2011114673 A JP2011114673 A JP 2011114673A JP 2011114673 A JP2011114673 A JP 2011114673A JP 5727865 B2 JP5727865 B2 JP 5727865B2
- Authority
- JP
- Japan
- Prior art keywords
- model
- rolling
- learning
- boundary
- value
- 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.)
- Active
Links
- 238000005096 rolling process Methods 0.000 title claims description 84
- 238000005457 optimization Methods 0.000 title description 15
- 238000012937 correction Methods 0.000 claims description 56
- 238000004364 calculation method Methods 0.000 claims description 53
- 238000012821 model calculation Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000000034 method Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 238000003079 width control Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005097 cold rolling Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005098 hot rolling Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
Images
Landscapes
- Control Of Metal Rolling (AREA)
Description
本発明は、金属等を圧延するための圧延プロセスが表現された複数のモデルを圧延条件によって使い分ける圧延モデル最適化装置に関する。 The present invention relates to a rolling model optimizing apparatus that uses a plurality of models expressing a rolling process for rolling metal or the like depending on rolling conditions.
圧延プロセスの制御を行う場合、通常、圧延現象を表すモデル式によって示される圧延モデル(以下、単に「モデル」という場合もある)を作成し、このモデルに圧延条件を与えて圧延荷重、材料温度および変形量などを予測し、圧延後の材料寸法および温度などが所望の値になるように、圧延機に設定する値を決定する。したがって、高精度で圧延を行うためには、圧延現象を正確に表すことができるモデル式が必要となる。 When controlling the rolling process, a rolling model (hereinafter sometimes simply referred to as a “model”) represented by a model expression representing a rolling phenomenon is usually created, and rolling conditions and material temperature are given to this model by giving rolling conditions. Further, a value to be set in the rolling mill is determined so that the amount of deformation and the like are predicted, and the material dimensions and temperature after rolling are set to desired values. Therefore, in order to perform rolling with high accuracy, a model formula that can accurately represent the rolling phenomenon is required.
予測計算の対象となる領域の全てが単一の物理特性を有する場合は、1つのモデルを適用し、それを実際の圧延結果に合うように調整することにより安定した予測計算が可能である。しかしながら、予測計算の対象となる領域に異なる物理特性を有する部分が混在し、1つのモデルで表現できない場合が存在する。この場合は、圧延条件毎にモデルを準備することにより物理特性が異なる領域における予測精度の向上が図られている。領域毎に異なるモデルを適用する場合は、各モデルの境界を示す境界値を予め決めておき、この境界値によって示される境界で各モデルが段差なく、つまり連続的に接続できるようにモデルが調整される。また、複数のモデルの各々は学習機能を有し、各領域で学習することにより、予測精度の向上が図られている。 When all the regions to be subjected to the prediction calculation have a single physical property, a stable prediction calculation is possible by applying one model and adjusting it to match the actual rolling result. However, there is a case where portions having different physical characteristics are mixed in an area to be subjected to prediction calculation and cannot be expressed by one model. In this case, by preparing a model for each rolling condition, the prediction accuracy is improved in regions having different physical characteristics. When applying a different model for each region, the boundary value indicating the boundary of each model is determined in advance, and the model is adjusted so that each model can be connected continuously without any step at the boundary indicated by this boundary value. Is done. Each of the plurality of models has a learning function, and the prediction accuracy is improved by learning in each region.
このような技術として、例えば、特許文献1は連続圧延機の板幅制御方法を開示している。この技術では、圧延機の出側板幅と入側張力の間に非線形な関係があることから、入側張力のレンジに対応させて幅予測を行う複数のモデルを準備し、各モデルの境界が、予め設定された境界値によって示される境界の張力で段差なく接続されている。そして、モデルが切り換えられた際にシステムが不安定になるのを低減するために、複数のモデルを、各予測時刻における出側板幅とその目標値との差の二乗をパラメータとする単一の評価関数を用いて評価し、これにより板幅制御を実施している。
As such a technique, for example,
上記特許文献1に開示された連続圧延機の板幅制御方法では、非線形性の強い圧延プロセスを、幅予測を行う複数のモデルで表現するので、予測精度は向上するが、単一の圧延プロセスを複数のモデルで表現するに際して以下の問題がある。
In the sheet width control method of the continuous rolling mill disclosed in
すなわち、モデルを切り替えるための境界値を予め決めておくことは難しく、仮に一方のモデルの適用範囲外に境界値が設定されていると、その境界値の近傍で予測精度が低下する虞れがある。したがって、境界値を、実際の圧延結果を確認しながら適宜変更できるような機能が望まれている。 That is, it is difficult to predetermine a boundary value for switching models, and if a boundary value is set outside the applicable range of one model, the prediction accuracy may decrease in the vicinity of the boundary value. is there. Therefore, a function that can change the boundary value as appropriate while confirming the actual rolling result is desired.
また、境界値を変更した場合に、境界値によって示される境界でモデルを自動的に接続できないため、境界値が変更されるたびに解析結果からモデルのパラメータを見直す必要があるという問題がある。 In addition, when the boundary value is changed, the model cannot be automatically connected at the boundary indicated by the boundary value. Therefore, there is a problem that the model parameter needs to be reviewed from the analysis result every time the boundary value is changed.
さらに、複数のモデルが学習を行う機能を有する場合であっても、境界値によって示される境界に対して一方のモデルの境界近傍の学習結果を他方のモデルに反映できないため、境界で予測値が不連続となる場合があるという問題がある。 Furthermore, even if multiple models have a learning function, the learning results near the boundary of one model cannot be reflected in the other model for the boundary indicated by the boundary value, so the predicted value at the boundary There is a problem that it may become discontinuous.
本発明は、上述した課題を解消するとともに要請に応えるためになされたものであり、その目的は、最適なモデルの適用領域を設定して隣接するモデルの予測値を段差なく接続できる圧延モデル最適化装置を提供することにある。 The present invention has been made to solve the above-mentioned problems and to meet the demands. The purpose of the present invention is to optimize the rolling model that can connect the predicted values of adjacent models without steps by setting the optimal model application area. It is in providing a conversion apparatus.
上記の課題を解決するために、本発明は、複数の物理特性の異なるモデルの境界を示す境界値を格納する境界値テーブルと、境界値テーブルに格納されている境界値を圧延の実績値に基づいて変更するモデル式接続境界値変更部と、複数のモデルの優先順位を格納するモデル式優先順テーブルと、入力された計算条件毎に、境界値テーブルから取得した境界値およびモデル式優先順テーブルから取得した優先順位に基づき圧延条件に適するモデルを決定する評価部と、評価部により決定されたモデルに切り替えるモデル切替部と、複数のモデルの各々について計算された予測値と実績値との差から学習係数を計算する学習計算部と、モデル切替部によって切り替えられたモデルのモデル式および学習計算部によって計算された学習係数を用いて該モデルの予測値を計算するモデル計算部とを備えることを特徴とする。 In order to solve the above-described problems, the present invention provides a boundary value table that stores boundary values indicating the boundaries of a plurality of models having different physical characteristics, and the boundary values stored in the boundary value table are actual rolling values. Model formula connection boundary value changing unit to change based on, model formula priority order table storing priority of multiple models, and boundary value and model formula priority order obtained from the boundary value table for each input calculation condition An evaluation unit that determines a model suitable for rolling conditions based on the priority order obtained from the table, a model switching unit that switches to a model determined by the evaluation unit, and a predicted value and an actual value calculated for each of a plurality of models Using the learning calculation unit that calculates the learning coefficient from the difference, the model formula of the model switched by the model switching unit, and the learning coefficient calculated by the learning calculation unit Characterized in that it comprises a model calculation unit for calculating a predicted value of the model.
本発明によれば、単一のプロセスを表現する複数のモデルの境界を変更可能としたので、最適なモデルの適用領域を設定でき、モデルの境界で予測値を段差なく接続させることができる。その結果、各モデルに適する領域を設定できることから、モデルの予測精度の向上を図ることができる。 According to the present invention, since the boundaries of a plurality of models expressing a single process can be changed, an optimal model application area can be set, and predicted values can be connected at the model boundaries without any step. As a result, since a region suitable for each model can be set, the prediction accuracy of the model can be improved.
以下、本発明の実施の形態について、図面を参照しながら詳細に説明する。なお、以下では、本発明がシングル圧延機の圧延荷重の予測計算に適用される場合を例に挙げて説明する。 Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings. Hereinafter, a case where the present invention is applied to prediction calculation of a rolling load of a single rolling mill will be described as an example.
一般に、圧延荷重は、例えば、荷重モデルを式(1)で表し、摩擦係数モデルを式(2)で表すことにより予測することができる。
ここで、
i :各領域の圧延モデルの番号(i=1,2,3,…)
Pi :荷重予測値[kN]
ZPi :荷重学習係数
kmi :変形抵抗予測値[MPa]
Li :接触弧長[mm]
W :圧延材の板幅[mm]
Qi :圧下力関数
H :圧延機の入側板厚[mm]
h :圧延機の出側板厚[mm]
μi :摩擦係数予測値
Rdi :偏平ロール半径[mm]
r :圧下率
μi ORI :摩擦係数モデル予測値
ZFi :摩擦係数学習係数
である。なお、式(1)の圧下力関数には摩擦係数が含まれており、荷重と摩擦係数の間には非線形な関係がある。
here,
i: number of rolling model in each region (i = 1, 2, 3,...)
P i : Load prediction value [kN]
Z Pi : Load learning coefficient km i : Deformation resistance prediction value [MPa]
L i : Contact arc length [mm]
W: Width of rolled material [mm]
Q i : Rolling force function H: Thickness [mm] on the entry side of the rolling mill
h: Thickness [mm] on the exit side of the rolling mill
μ i : Predicted coefficient of friction R di : Flat roll radius [mm]
r: reduction ratio μ i ORI : friction coefficient model predicted value Z Fi : friction coefficient learning coefficient Note that the rolling force function of Equation (1) includes a friction coefficient, and there is a non-linear relationship between the load and the friction coefficient.
非線形特性を示す単一のプロセスを1つのモデルで表現した場合は、通常、非線形特性が現れる領域で予測精度が低下する。そのため、物理特性(圧延現象)が異なる領域については別のモデルを適用し、複数のモデルで単一のプロセスを表現する。ここでは簡単のため、1つの境界値によって示される境界を挟む2つの圧延モデルについて説明する。 When a single process that exhibits nonlinear characteristics is represented by one model, the prediction accuracy usually decreases in a region where the nonlinear characteristics appear. For this reason, different models are applied to regions having different physical characteristics (rolling phenomenon), and a single process is expressed by a plurality of models. Here, for simplicity, two rolling models sandwiching the boundary indicated by one boundary value will be described.
この実施例1においては、圧延モデルを以下のように表現する。
ここで、
αi :モデル式接続補正係数
である。
here,
α i is a model type connection correction coefficient.
モデル式接続補正係数αiは、境界値によって示される境界において荷重予測値の段差をなくす、つまり、境界を挟む一方のモデルの荷重予測値と他方のモデルの荷重予測値を等しくするための補正係数である。本来、境界値によって示される境界では各荷重モデルの荷重予測値は同じでなければならず、境界で荷重予測値が異なるのは摩擦係数モデルの予測精度に起因すると考えられる。一方の摩擦係数モデルを式(4)で表し、これをモデル式接続補正係数で補正することにより荷重予測値を修正する。他方の荷重モデルは式(5)で表し、これを境界における基準とする。 The model formula connection correction coefficient α i eliminates the step of the predicted load value at the boundary indicated by the boundary value, that is, a correction to make the predicted load value of one model equal to the predicted load value of the other model across the boundary. It is a coefficient. Originally, the load predicted value of each load model must be the same at the boundary indicated by the boundary value, and it is considered that the load predicted value is different at the boundary due to the prediction accuracy of the friction coefficient model. One friction coefficient model is expressed by equation (4), and this is corrected by the model equation connection correction coefficient to correct the load prediction value. The other load model is expressed by equation (5), which is used as a reference at the boundary.
基準となる圧延モデルの摩擦係数モデルを表す式(6)は、式(4)と同様に表現されているが、基準となる圧延モデルではモデル式接続補正係数を「1」とする。基準となる圧延モデルは、境界を挟んだ他方の圧延モデルの予測精度に影響を与えるため、操業上の圧延範囲を考慮して予め決められる。以下、本発明の特徴である境界値の変更方法、モデル式接続補正係数の求め方および使用方法を中心に説明する。 Expression (6) representing the friction coefficient model of the reference rolling model is expressed in the same manner as Expression (4), but the model expression connection correction coefficient is “1” in the reference rolling model. Since the reference rolling model affects the prediction accuracy of the other rolling model across the boundary, it is determined in advance in consideration of the rolling range in operation. The following description will focus on the boundary value changing method, the method of obtaining the model-type connection correction coefficient, and the method of use, which are features of the present invention.
図1は、本発明の実施例1に係る圧延モデル最適化装置の構成を示すブロック図である。圧延モデル最適化装置は、計算条件入力装置1、モデル最適化装置2および制御装置3を備えている。
FIG. 1 is a block diagram illustrating a configuration of a rolling model optimization device according to a first embodiment of the present invention. The rolling model optimization device includes a calculation
計算条件入力装置1は、次の圧延材の計算条件、例えば板厚などの圧延条件を入力するために使用される。この計算条件入力装置1から入力された計算条件は、モデル最適化装置2へ送られる。モデル最適化装置2は、計算条件入力装置1から入力された計算条件に従って荷重予測計算を実行し、計算結果を制御装置3に送る。このモデル最適化装置2の詳細については後述する。制御装置3は、モデル最適化装置2から送られてきた計算結果に従って、図示しない圧延機を制御する。
The calculation
次に、モデル最適化装置2の詳細を説明する。モデル最適化装置2は、評価部11、境界値テーブル12、モデル切替部13、モデル式記憶部14、学習計算部15、学習係数記憶部16、モデル計算部17、モデル計算値保存部18、モデル式接続境界値変更部21、モデル式優先順テーブル22、モデル式接続補正係数演算部23およびモデル式接続補正係数記憶部24を備えている。
Next, details of the
評価部11は、計算条件入力装置1から送られてきた計算条件に従って、境界値テーブル12から取得したモデルの境界値およびモデル式優先順テーブル22から取得した圧延モデルの優先順位に基づいて、圧延条件に適するモデルを決定する。評価部11で決定されたモデルに付されたモデル番号は、モデル切替部13およびモデル式接続補正係数演算部23に送られる。
The
モデル切替部13は、評価部11から送られてきたモデル番号を、モデル式記憶部14、学習係数記憶部16、モデル式接続補正係数記憶部24およびモデル計算部17に送ることにより、処理対象とするモデルを切り替える。
The
モデル式記憶部14は、モデル式で表現された複数の圧延モデルを領域毎に格納している。複数の圧延モデルには荷重モデル、変形抵抗モデルおよび摩擦係数モデルなどが含まれる。モデル式記憶部14は、モデル切替部13からモデル番号が送られてきた場合に、そのモデル番号に対応する圧延モデルをモデル計算部17へ送る。
The model
学習計算部15は、毎回の圧延実績からモデルの予測値と実績値の誤差を埋めるように学習係数を計算する。学習計算部15による計算結果は、学習係数記憶部16に送られる。
The learning
学習係数記憶部16は、学習計算部15から送られてきた学習係数を、各領域のモデル毎に格納する。学習係数記憶部16は、モデル切替部13からモデル番号が送られてきた場合に、そのモデル番号に対応する学習係数をモデル計算部17へ送る。
The learning
モデル計算部17は、モデル切替部13からモデル番号を受け取った場合に、モデル式記憶部14から受け取った圧延モデル、学習係数記憶部16から受け取った学習係数およびモデル式接続補正係数記憶部24から受け取ったモデル式接続補正係数に基づいて荷重予測計算を実行する。モデル計算部17で得られた計算結果は、モデル計算値保存部18へ送られて保存されるとともに、制御装置3に送られる。これにより、制御装置3に接続された図示しない圧延機の各アクチュエータに初期値が設定される。
When the
モデル式接続境界値変更部21は、図示しない入力装置の操作に応じて、境界値テーブル12に格納されている境界値を変更する。単一のプロセスに対して複数のモデルが適用される場合は、事前に圧延範囲を考慮することにより、モデルの大まかな境界を示す境界値を決めておくことができる。しかしながら、事前に最適な境界値を決めるのは困難であり、一方のモデルの適用範囲外に境界値が設定された場合は、その境界値によって示される境界の近傍でモデルの予測精度が低下する恐れがある。そのため、境界値は、圧延結果(実績値)を確認しながら、その実績値に応じて変更できる必要がある。モデル式接続境界値変更部21により、圧延結果から複数のモデルの予測精度を確認しながら境界値を調整できるので、最適な境界値の設定が可能となり、モデルの予測精度が向上する。
The model type connection boundary
モデル式優先順テーブル22には、操業上の圧延範囲から基準とする圧延モデルの優先順位が予め格納されている。モデル式優先順テーブル22から読み出された優先順位は、評価部11へ送られる。評価部11は、上述したように、計算条件入力装置1から送られてきた計算条件に従って、境界値テーブル12から取得したモデルの境界値およびモデル式優先順テーブル13から取得した圧延モデルの優先順位に基づいて、基準とするモデルを決定する。基準とするモデルは圧延範囲から想定される使用頻度の高いモデルであり、その調整および学習が進んでいるため、境界で接続される他方の荷重モデルの精度も向上する。なお、3つ以上のモデルが存在する場合は、評価部11によりモデルの優先順位と境界値から、基準となる圧延モデルが決定され、各領域の荷重モデルが順次に接続される。
The model type priority order table 22 stores in advance the priority order of rolling models based on the rolling range in operation. The priority read from the model formula priority order table 22 is sent to the
モデル式接続補正係数演算部23は、評価部11から受け取った基準とするモデルのモデル番号、境界値テーブル12から取得した境界値、モデル式記憶部14から取得したモデル式、学習係数記憶部16から取得した各モデルの学習係数、モデル計算値保存部18から取得した前回計算された予測値、および、モデル式接続補正係数記憶部24から受け取った前回計算されたモデル式接続補正係数に基づき、新しいモデル式接続補正係数と学習係数の修正値を計算する。
The model formula connection correction
モデル式接続補正係数演算部23の機能の詳細を、図2を参照しながら説明する。図2は、モデル式接続補正係数演算部23で行われる演算の概要を示す図であり、横軸は圧下率、縦軸は荷重である。境界値によって示される境界を挟んでモデル1とモデル2の適用範囲が分かれており、実線は補正前の各モデルの荷重予測値である。図2は、モデル2を基準とする荷重モデルを示している。各モデルの境界値との接点は、モデル1がA点、モデル2がB点である。基準とする荷重モデルはモデル2であるため、境界で実線を連続的に接続するためには、モデル1の境界との接点をA点からB点に補正すればよく、この補正により破線で示すように接続される。
Details of the function of the model type connection correction
上述したモデルの補正を実現するモデル式接続補正係数の演算方法について説明する。モデル1のA点での摩擦係数の計算値をμ1Aとする。B点ではモデル2の荷重計算値を使用して、モデル1により摩擦係数を逆算し、これをμ1Bとする。そして、各摩擦係数値を用いて式(7)によってモデル式接続補正係数を求める。
ここで、
μ1A :モデル1の境界値での摩擦係数
μ1B :モデル2の境界値での荷重予測値を使用して、モデル1により逆算した摩擦係数
である。式(7)によって摩擦係数モデルを修正することは、荷重計算値の精度不良が摩擦係数モデルの精度不良に起因すると考えることに他ならない。
here,
μ 1A : Friction coefficient at the boundary value of
次に、学習係数の修正値の演算方法について説明する。図2に示すB点は常に一定値とは限らず、モデル2の調整、学習または境界値の変更により変動する。B点が変動することによりモデル式接続補正係数が変わるため、前回の学習係数を用いて摩擦係数を演算した場合、摩擦係数の計算値に誤差が生じる。そのため、モデル式接続補正係数の変化量を式(8)に示す学習係数の修正により補償する。
ここで、
ZF1 NEW :修正後の学習係数
α1 OLD :前回計算したモデル式接続補正係数
α1 ORIOLD :前回計算した摩擦係数モデルの予測値
ZF1 0LD :修正前の学習係数
である。
here,
Z F1 NEW : corrected learning coefficient α 1 OLD : last calculated model formula connection correction coefficient α 1 ORIOLD : predicted value of the previously calculated friction coefficient model Z F1 0LD : learning coefficient before correction.
以上の機能により、モデル2の調整、学習または境界値が変化した場合であっても、学習係数の修正によりモデル式接続補正係数の変化による荷重予測の誤差を補正できる。その結果、モデルの予測精度が保たれる。
With the above function, even when the adjustment, learning, or boundary value of the
モデル式接続補正係数演算部23は、上述したモデル式接続補正係数と学習係数の修正値を計算した後に、モデル式接続補正係数をモデル式接続補正係数記憶部24に保存するとともに、修正した学習係数を用いて、学習係数記憶部16に記憶されている、対応する学習係数を更新する。また、モデル式接続補正係数記憶部24には、基準とするモデルのモデル式接続補正係数としては「1」が保存される。なお、学習係数記憶部16の学習係数が圧延モデルの誤差の生じやすい因子で層別化されている場合は、モデル式接続補正係数記憶部24およびモデル計算値保存部18の内容も学習係数と同様の層別化をする必要がある。
The model formula connection
モデル式接続補正係数記憶部24は、モデル切替部13からモデル番号を受け取ると、そのモデル番号に対応するモデル式接続補正係数をモデル計算部17に送る。モデル計算部17は上述したように、モデル切替部13からモデル番号を受け取った場合に、モデル式記憶部14から受け取ったモデル番号に対応する圧延モデルのモデル式、学習係数記憶部16から受け取った学習係数およびモデル式接続補正係数記憶部24から受け取ったモデル式接続補正係数に基づき荷重予測計算を実行する。
When receiving the model number from the
上述したように、摩擦係数モデルを修正することは、荷重計算値の精度不良が摩擦係数モデルの予測誤差にあると考えることに他ならない。そのため、式(4)を用いて摩擦係数を演算することにより摩擦係数の予測精度が向上し、これを用いた他の圧延モデルの精度向上も図ることができる。 As described above, the correction of the friction coefficient model is nothing but to think that the accuracy of the load calculation value is in the prediction error of the friction coefficient model. Therefore, by calculating the friction coefficient using Equation (4), the prediction accuracy of the friction coefficient is improved, and the accuracy of other rolling models using this can be improved.
以上説明したように、実施例1に係る圧延モデル最適化装置によれば、複数のモデルの境界値を変更できるので、モデルの境界値で予測値を段差なく接続させる。その結果、各モデルに適する領域を設定できるので、モデルの予測精度を向上させることができる。 As described above, according to the rolling model optimizing apparatus according to the first embodiment, the boundary values of a plurality of models can be changed. As a result, since a region suitable for each model can be set, the prediction accuracy of the model can be improved.
図3は、本発明の実施例2に係る圧延モデル最適化装置の構成を示すブロック図である。この実施例2に係る圧延モデル最適化装置の構成は、実施例1に係る圧延モデル最適化装置と同じであるが、モデル式接続境界値変更部21が境界値テーブル12から境界値を取得するとともに、学習係数記憶部16から学習係数を取得するように構成されている点で相違する。以下、実施例1と相違する部分を中心に説明する。
FIG. 3 is a block diagram illustrating the configuration of the rolling model optimization device according to the second embodiment of the present invention. The configuration of the rolling model optimizing device according to the second embodiment is the same as that of the rolling model optimizing device according to the first embodiment, but the model formula connection boundary
モデル式接続境界値変更部21は、境界値テーブル12から境界値を取得するとともに、学習係数記憶部16から学習係数を取得し、予め決められた領域内の学習係数の平均値を演算して比較することにより、境界値テーブル12に保存されている境界値を変更する。例えば、モデル最適化装置2は、境界値から−5%の領域について常に両モデルで荷重計算および学習を行う。つまり、モデル2の適用外に指定されている領域においてもモデル2の学習を行っておく。
The model formula connection boundary
図4は、モデル式接続境界値変更部21で行われる計算手順を示すフローチャートである。モデル式接続境界値変更部21は、まず、境界値から−5%の領域で荷重学習係数の絶対値の平均値を演算する(ステップS1)。次いで、モデル式接続境界値変更部21は、モデル1の学習係数の絶対値の平均値がモデル2の学習係数の絶対値の平均値以下であるかどうかを調べる。
FIG. 4 is a flowchart showing a calculation procedure performed in the model formula connection boundary
ステップS2において、モデル1の学習係数の絶対値の平均値がモデル2の学習係数の絶対値の平均値以下であると判断されると、モデル式接続境界値変更部21は、学習係数の絶対値の平均値の高いモデルの領域に境界値を+1%だけ変更する(ステップS3)。一方、ステップS2において、モデル1の学習係数の絶対値の平均値がモデル2の学習係数の絶対値の平均値より大きいことが判断されると、モデル式接続境界値変更部21は、学習係数の絶対値の平均値の高いモデルの領域に境界値を−1%だけ変更する(ステップS4)。
When it is determined in step S2 that the average value of the absolute value of the learning coefficient of the
すなわち、モデル式接続境界値変更部21は、平均値が低い方のモデルがより安定していると判断し、学習係数の平均値の高いモデルの領域に境界値を1%だけ変更する。これにより、常に最適な境界値となるように境界値が調整されるため、モデルの予測精度を向上させることができる。また、境界値は自動的に制御されるので、迅速なモデルの予測精度の向上が可能となり、調整作業を軽減できる。
That is, the model formula connection boundary
以上説明したように、実施例2に係る圧延モデル最適化装置によれば、複数のモデルの境界値の近傍の学習係数を監視しながら境界値を変更することができるので、常に各領域に予測精度の高いモデルを適用でき、モデルの予測精度を向上させることができる。 As described above, according to the rolling model optimization device according to the second embodiment, the boundary value can be changed while monitoring the learning coefficient in the vicinity of the boundary values of a plurality of models. A model with high accuracy can be applied, and the prediction accuracy of the model can be improved.
なお、上述した実施の形態では、摩擦係数モデルのモデル式接続補正係数を乗算的な形で表したが、これに限定されるものではない。また、各荷重モデルの学習係数を乗算的な形で、各摩擦係数モデルの学習係数を加算的な形でそれぞれ表したが、これに限定されるものではない。 In the above-described embodiment, the model type connection correction coefficient of the friction coefficient model is expressed in a multiplicative form, but the present invention is not limited to this. In addition, although the learning coefficient of each load model is represented in a multiplicative form and the learning coefficient of each friction coefficient model is represented in an additive form, the present invention is not limited to this.
また、モデルを荷重モデルと摩擦係数モデルとして説明したが、その他の異なるモデル間、例えば変形抵抗モデルと摩擦係数モデル、トルクモデルと摩擦係数モデル等であってもよい。 Although the model has been described as a load model and a friction coefficient model, other models such as a deformation resistance model and a friction coefficient model, a torque model and a friction coefficient model, and the like may be used.
また、本発明は、熱間圧延機、冷間圧延機またはタンデムミル等といったあらゆる圧延機に適用できる。さらに、本発明は、プロセスを圧延プロセスとしたが、これに限定されるものではなく、加熱・冷却プロセス等といったモデルを用いて制御しているプロセスであれば全て適用可能である。 The present invention can be applied to all rolling mills such as a hot rolling mill, a cold rolling mill, a tandem mill, and the like. Furthermore, in the present invention, the process is a rolling process. However, the present invention is not limited to this, and any process that is controlled using a model such as a heating / cooling process can be applied.
1 計算条件入力装置
2 モデル最適化装置
3 制御装置
11 評価部
12 境界値テーブル
13 モデル切替部
14 モデル式記憶部
15 学習計算部
16 学習係数記憶部
17 モデル計算部
18 モデル計算値保存部
21 モデル式接続境界値変更部
22 モデル式優先順テーブル
23 モデル式接続補正係数演算部
24 モデル式接続補正係数記憶部
1 calculation
Claims (4)
前記境界値テーブルに格納されている境界値を圧延の実績値に応じて変更するモデル式接続境界値変更部と、
前記複数のモデルの優先順位を格納するモデル式優先順テーブルと、
入力された計算条件毎に、前記境界値テーブルから取得した境界値および前記モデル式優先順テーブルから取得した優先順位に基づき圧延条件に適するモデルを決定する評価部と、
前記評価部により決定されたモデルに切り替えるモデル切替部と、
前記複数のモデルの各々について計算された予測値と前記実績値との差から学習係数を計算する学習計算部と、
前記モデル切替部によって切り替えられたモデルのモデル式および前記学習計算部によって計算された学習係数を用いて該モデルの予測値を計算するモデル計算部と、
を備えることを特徴とする圧延モデル最適化装置。 A boundary value table for storing boundary values indicating boundaries between models having different physical characteristics ;
A model-type connection boundary value changing unit that changes the boundary value stored in the boundary value table according to the actual value of rolling; and
A model priority order table for storing priorities of the plurality of models;
For each input calculation condition, an evaluation unit that determines a model suitable for rolling conditions based on the boundary value acquired from the boundary value table and the priority order acquired from the model formula priority order table;
A model switching unit for switching to the model determined by the evaluation unit;
A learning calculation unit for calculating a learning coefficient from a difference between a predicted value calculated for each of the plurality of models and the actual value;
A model calculation unit that calculates a predicted value of the model using a model formula of the model switched by the model switching unit and a learning coefficient calculated by the learning calculation unit;
A rolling model optimizing device comprising:
前記モデル計算部は、前記モデル切替部によって切り替えられたモデルのモデル式、前記学習計算部によって計算された学習係数、および、前記モデル式接続補正係数演算部で計算されたモデル式接続補正係数を用いてモデルの予測値を計算することを特徴とする請求項1記載の圧延モデル最適化装置。 A model formula connection correction coefficient calculation unit that calculates a model formula connection correction coefficient that corrects a model so that predicted values of two adjacent models are continuous at a boundary indicated by a boundary value acquired from the boundary value table is provided. ,
The model calculation unit includes a model formula of a model switched by the model switching unit, a learning coefficient calculated by the learning calculation unit, and a model formula connection correction coefficient calculated by the model formula connection correction coefficient calculation unit. The rolling model optimizing device according to claim 1, wherein a predicted value of the model is calculated using the rolling model optimizing device.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011114673A JP5727865B2 (en) | 2011-05-23 | 2011-05-23 | Rolling model optimization device |
CN201110199333.8A CN102794310B (en) | 2011-05-23 | 2011-07-04 | Rolling model optimization device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011114673A JP5727865B2 (en) | 2011-05-23 | 2011-05-23 | Rolling model optimization device |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2012240103A JP2012240103A (en) | 2012-12-10 |
JP5727865B2 true JP5727865B2 (en) | 2015-06-03 |
Family
ID=47193757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2011114673A Active JP5727865B2 (en) | 2011-05-23 | 2011-05-23 | Rolling model optimization device |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP5727865B2 (en) |
CN (1) | CN102794310B (en) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6484265B2 (en) * | 2017-02-15 | 2019-03-13 | ファナック株式会社 | Robot system having learning control function and learning control method |
JP7281958B2 (en) * | 2019-05-08 | 2023-05-26 | 株式会社Uacj | Feature prediction device, manufacturing condition optimization device, control method for feature prediction device, control program |
CN113939777A (en) * | 2020-05-13 | 2022-01-14 | 东芝三菱电机产业***株式会社 | Physical model identification system |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS62214813A (en) * | 1986-03-17 | 1987-09-21 | Sumitomo Metal Ind Ltd | Control method for rolling mill |
CN1105296A (en) * | 1993-10-05 | 1995-07-19 | 日立有限公司 | Rolling mill control method and apparatus |
JPH09155420A (en) * | 1995-12-07 | 1997-06-17 | Kawasaki Steel Corp | Method for learning setup model of rolling mill |
JP2006122980A (en) * | 2004-10-29 | 2006-05-18 | Jfe Steel Kk | Method for predicting deformation resistance of rolling material and frictional coefficient between roll and rolling material in tandem cold rolling mill, and tandem cold rolling method |
JP4286211B2 (en) * | 2004-11-25 | 2009-06-24 | 株式会社神戸製鋼所 | Sheet width control method for continuous rolling mill |
CN101389417A (en) * | 2007-01-22 | 2009-03-18 | 东芝三菱电机产业***株式会社 | Method of heating control in steel sheet production line and apparatus therefor |
JP4570099B2 (en) * | 2007-02-27 | 2010-10-27 | インターナショナル・ビジネス・マシーンズ・コーポレーション | Technology to determine the processing sequence of steel sheets |
JP5069608B2 (en) * | 2008-05-26 | 2012-11-07 | 株式会社日立製作所 | Sheet width control device and control method for hot rolling mill |
-
2011
- 2011-05-23 JP JP2011114673A patent/JP5727865B2/en active Active
- 2011-07-04 CN CN201110199333.8A patent/CN102794310B/en active Active
Also Published As
Publication number | Publication date |
---|---|
CN102794310A (en) | 2012-11-28 |
JP2012240103A (en) | 2012-12-10 |
CN102794310B (en) | 2014-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5759206B2 (en) | Learning coefficient controller | |
KR101617375B1 (en) | Feedforward thickness control method for performance of cold rolling mill | |
RU2576971C2 (en) | Method of rolling mill control | |
JP5727865B2 (en) | Rolling model optimization device | |
US20220126339A1 (en) | Setup condition determining method for manufacturing facilities, mill setup value determining method for rolling mill, mill setup value determining device for rolling mill, product manufacturing method, and rolled material manufacturing method | |
CN107530748B (en) | Method for manufacturing sheet metal strip | |
JP2007144484A (en) | Multi roll mill and method for controlling multi roll mill | |
US8210015B2 (en) | Method and roll stand for multiply influencing profiles | |
JP2001252709A (en) | Method for temperature on outlet side of finishing mill for hot rolling | |
JP4565246B1 (en) | Plate thickness control method and plate thickness control state determination device | |
JP4641904B2 (en) | Rolling mill control method | |
JP6382431B1 (en) | Arithmetic device, arithmetic method, information processing program, and recording medium | |
JP2021010914A (en) | Rolled-shape control device | |
JPH08238509A (en) | Method for controlling edge drop at time of cold rolling | |
JP4466259B2 (en) | Load distribution control method and apparatus for continuous rolling mill | |
KR101585804B1 (en) | Apparatus and method of controlling shape of cold rolled steel plate | |
WO2018199193A1 (en) | Plate thickness control method by continuous rolling mill | |
JP4227686B2 (en) | Edge drop control method during cold rolling | |
JP7327332B2 (en) | edge drop controller | |
JP2013180323A (en) | Method for producing thin steel sheet | |
JP7447779B2 (en) | Shape control system for rolled materials | |
JP2003326304A (en) | Method for deciding condition setting of rolling pass in reversing rolling mill | |
JP2005319492A (en) | Method for controlling shape in cold rolling | |
JP2021194690A (en) | Plate thickness control device, plate thickness control method, program and rolling system | |
JPH06277728A (en) | Method for controlling and setting plate crown |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20131017 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20140918 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20140924 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20141119 |
|
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: 20150331 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20150403 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5727865 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |