JP7140073B2 - 学習モデル生成方法、データベース構築方法、ミルセットアップ設定方法、圧延材の製造方法、処理対象の製造方法、及び学習モデル生成装置 - Google Patents

Description

本発明は、学習モデル生成方法、データベース構築方法、ミルセットアップ設定方法、圧延材の製造方法、処理対象の製造方法、及び学習モデル生成装置に関する。

複数の圧延スタンドを有するタンデム圧延機におけるミルセットアップは各圧延スタンドの出側における圧延材の板厚及び形状を定めるものであり、その設定値の最適化は安定操業や品質確保の観点から重要である。このような背景から、ミルセットアップ設定方法が種々提案されている。具体的には、特許文献１，２には、学習済みニューラルネットワークを用いてミルセットアップ設定値を算出する方法が記載されている。また、非特許文献１には、数式モデル（圧延モデル）を用いて逐次２次計画法による数値最適化を行ってミルセットアップ設定値を修正する方法が記載されている。

特開平５－３８５１１号公報 特開平８－９００２０号公報

村上晃ほか、「冷間タンデム圧延機のパススケジュール最適化」、鉄と鋼、一般社団法人日本鉄鋼協会、２００４年、Ｖｏｌ．９０、Ｎｏ．１１ 中井耕三ほか、「ミルセットアップモデル調整支援システム」、日立評論、日立評論社、１９８５年、Ｖｏｌ．６７、Ｎｏ．４

特許文献１，２や非特許文献１に記載の方法は、大量の操業実績データに基づきミルセットアップ設定値を算出するという考え方に則っており、圧延能率の高低に関わらず全ての操業実績データが学習対象となっている。しかしながら、操業実績データの中には同様の製品を製造する場合であってもオペレータによってミルセットアップ設定値が異なるものが存在し、このミルセットアップ設定値の差が圧延能率の差となることがある。このため、特許文献１，２や非特許文献１に記載の方法によれば、圧延能率がオペレータ毎のばらつきに左右され、高い圧延能率を示す過去の操業実績を必ずしも再現できない場合がある。

本発明は、上記課題に鑑みてなされたものであって、その目的は、所望の操業指標を満足する生産設備の設定値を出力する学習モデルを生成可能な学習モデル生成方法及び学習モデル生成装置を提供することにある。また、本発明の他の目的は、所望の操業指標を満足する操業実績データのデータベースを構築可能なデータベース構築方法を提供することにある。また、本発明の他の目的は、所望の操業指標を満足するミルセットアップ設定値を設定可能なミルセットアップ設定方法を提供することにある。さらに、本発明の他の目的は、所望の操業指標を満足させながら圧延材を製造可能な圧延材の製造方法を提供することにある。また、本発明の他の目的は、所望の操業指標を満足させながら処理対象を製造可能な処理対象の製造方法を提供することにある。

本発明に係る学習モデル生成方法は、生産設備の操業条件、該生産設備の操業指標となる変数の実績値、及び該生産設備の設定値の実績値を含む生産設備の操業実績データを用いて、前記操業条件を入力、前記変数の予測値を出力とする前記変数の学習モデルを学習する第１学習ステップと、前記変数の学習モデルに前記操業実績データに含まれる操業条件を入力することにより前記変数の予測値を算出し、該変数の予測値と実績値との比較に基づいて処理対象に対応する操業実績データを選択する選択ステップと、選択された操業実績データを用いて、前記操業条件を入力、前記設定値の予測値を出力とする前記設定値の学習モデルを学習する第２学習ステップと、を含むことを特徴とする。

本発明に係る学習モデル生成方法は、上記発明において、前記第１学習ステップは、前記生産設備において生産される製品の諸元毎に前記操業実績データを複数のグループに分類し、分類された各グループの操業実績データについて前記変数の学習モデルを生成するステップを含むことを特徴とする。

本発明に係る学習モデル生成方法は、上記発明において、前記操業指標は、前記生産設備の能率に関する指標であることを特徴とする。

本発明に係るデータベース構築方法は、生産設備の操業条件、該生産設備の操業指標となる変数の実績値、及び該生産設備の設定値の実績値を含む生産設備の操業実績データを用いて、前記操業条件を入力、前記変数の予測値を出力とするように学習された前記変数の学習モデルに対し、前記操業実績データに含まれる操業条件を入力することにより前記変数の予測値を算出し、該変数の予測値と実績値との比較に基づいて前記操業実績データを分類して前記操業実績データのデータベースを作成するステップを含むことを特徴とする。

本発明に係るミルセットアップ設定方法は、本発明に係る学習モデル生成方法を用いて生成された圧延設備のミルセットアップ設定値の学習モデルに処理対象の圧延材の操業条件を入力することによりミルセットアップ設定値の予測値を算出し、算出されたミルセットアップ設定値の予測値に従って前記圧延設備のミルセットアップ設定値を設定するステップを含むことを特徴とする。

本発明に係るミルセットアップ設定方法は、圧延設備の操業条件、生産性の操業指標となる変数の実績値、及び該圧延設備のミルセットアップ設定値の実績値を含む圧延設備の操業実績データを用いて、前記操業条件を入力、前記変数の予測値を出力とするように学習された前記変数の学習モデルに対し、前記操業実績データに含まれる操業条件を入力することにより前記変数の予測値を算出し、該変数の予測値と実績値との比較に基づいて処理対象の圧延材の生産性に寄与する操業実績データを選択する選択ステップと、選択された操業実績データを用いて、前記操業条件を入力、前記ミルセットアップ設定値の予測値を出力とするように学習された前記ミルセットアップ設定値の学習モデルに対し、前記処理対象の操業条件を入力することにより前記圧延設備のミルセットアップ設定値の予測値を算出し、算出されたミルセットアップ設定値の予測値に従って前記圧延設備のミルセットアップ設定値を設定する設定ステップと、を含むことを特徴とする。

本発明に係る圧延材の製造方法は、本発明に係るミルセットアップ設定方法に従って圧延設備を制御しながら圧延材を製造するステップを含むことを特徴とする。

本発明に係る処理対象の製造方法は、生産設備の操業条件、該生産設備の操業指標となる変数の実績値、及び該生産設備の設定値の実績値を含む生産設備の操業実績データを用いて、前記操業条件を入力、前記変数の予測値を出力とするように学習された前記変数の学習モデルに対し、前記操業実績データに含まれる操業条件を入力することにより前記変数の予測値を算出し、該変数の予測値と実績値との比較に基づいて処理対象に対応する操業実績データを選択する選択ステップと、選択された操業実績データを用いて、前記操業条件を入力、前記設定値の予測値を出力とするように学習された前記設定値の学習モデルに対し、処理対象の操業条件を入力することにより生産設備の設定値の予測値を算出し、算出された設定値の予測値に従って前記生産設備の設定値を設定する設定ステップと、設定された設定値に従って生産設備を制御しながら前記処理対象を製造するステップと、を含むことを特徴とする。

本発明に係る学習モデル生成装置は、生産設備の操業条件、該生産設備の操業指標となる変数の実績値、及び該生産設備の設定値の実績値を含む生産設備の操業実績データを用いて、前記操業条件を入力、前記変数の予測値を出力とする前記変数の学習モデルを学習する手段と、前記変数の学習モデルに前記操業実績データに含まれる操業条件を入力することにより前記変数の予測値を算出し、該変数の予測値と実績値との比較に基づいて処理対象に対応する操業実績データを選択する手段と、選択された操業実績データを用いて、前記操業条件を入力、前記設定値の予測値を出力とする前記設定値の学習モデルを学習する手段と、を備えることを特徴とする。

本発明に係る学習モデル生成方法及び学習モデル生成装置によれば、所望の操業指標を満足する生産設備の設定値を出力する学習モデルを生成することができる。また、本発明に係るデータベース構築方法によれば、所望の操業指標を満足する操業実績データのデータベースを構築することができる。また、本発明に係るミルセットアップ設定方法によれば、所望の操業指標を満足するミルセットアップ設定値を設定することができる。さらに、本発明に係る圧延材の製造方法によれば、所望の操業指標を満足させながら圧延材を製造することができる。また、本発明に係る処理対象の製造方法によれば、所望の操業指標を満足させながら処理対象を製造することができる。

図１は、本発明の一実施形態である圧延制御システムの構成を示すブロック図である。 図２は、本発明の一実施形態である圧下率設定処理の流れを示すフローチャートである。

以下、図面を参照して、本発明の一実施形態である圧延制御システムの構成及びその動作について説明する。

〔構成〕
まず、図１を参照して、本発明の一実施形態である圧延制御システムの構成について説明する。

図１は、本発明の一実施形態である圧延制御システムの構成を示すブロック図である。図１に示すように、本発明の一実施形態である圧延制御システム１は、複数の圧延スタンド２ａ～２ｅを有するタンデム圧延機を制御することにより鋼板Ｓを所望の板厚及び形状に圧延するシステムであり、ミルセットアップ設定計算装置３、プロセス計算機４、圧下位置制御装置５、及びシフト制御装置６を主な構成要素として備えている。

ミルセットアップ設定計算装置３は、コンピュータ等の情報処理装置によって構成され、タンデム圧延機の過去の操業実績データが格納されている操業実績データデータベース（操業実績データＤＢ）３ａを備えている。本実施形態では、操業実績データは、鋼板Ｓの圧延条件、最高圧延速度等のタンデム圧延機の圧延能率を示す情報の実績値、及びミルセットアップ工程の設定値（ミルセットアップ設定値）の実績値に関する情報を含んでいる。また、鋼板Ｓの圧延条件に関する情報としては、鋼板Ｓの組成、板厚、板幅、鋼種、ロール諸元等を例示することができる。また、詳しくは後述するが、ミルセットアップ設定計算装置３は、鋼板Ｓの圧延条件を入力、ミルセットアップ設定値の予測値を出力とするミルセットアップモデルの学習、処理対象の鋼板Ｓのミルセットアップ設定値の算出、及び高能率データベースの構築を実行する。

なお、上記ミルセットアップ工程とは、各圧延スタンドの圧下率の配分、前方張力、後方張力、ベンディング力、シフト量等のミルセットアップ設定値を鋼板Ｓの圧延条件に応じて設定するプロセスを意味する。ミルセットアップ工程では、例えば非特許文献２に記載されているようなフローに従って、各圧延スタンドの圧下率及び張力の設定に基づいて圧延荷重や圧延トルク等の予測計算を行い、走間板厚変更のための各圧延スタンドの圧下位置及びロール周速度を算出する。また、ミルセットアップ工程では、鋼板Ｓの品質（例えば板形状やオフゲージ）に影響の大きいベンディング力やシフト量の設定値を材料諸元や圧延荷重の予測値に基づいて決定し、適宜オペレータが手動で調整したものを最終的なミルセットアップ設定値とすることが一般的である。

プロセス計算機４は、処理対象の鋼板Ｓの圧延条件に関する情報をミルセットアップ設定計算装置３に出力すると共に、ミルセットアップ設定計算装置３によって算出された処理対象の鋼板Ｓのミルセットアップ設定値に従って各圧延スタンドの圧延スケジュールを計算する。そして、プロセス計算機４は、計算された圧延スケジュールに従って圧下位置制御装置５及びシフト制御装置６の動作を制御する。

圧下位置制御装置５は、プロセス計算機４からの制御信号に従って、各圧延スタンドが備える一対のワークロールのギャップである圧下位置を制御することにより、各圧延スタンドの出側における処理対象の鋼板Ｓの板厚を目標厚に制御する。

シフト制御装置６は、プロセス計算機４からの制御信号に従って、各圧延スタンドが備える一対のワークロールのベンディング力及びシフト量を制御することにより、各圧延スタンドの出側における処理対象の鋼板Ｓの形状を目標形状に制御する。

上述のように、鋼板Ｓの圧延条件が決まればミルセットアップ設定値が算出され、物理モデルや各種機械学習モデル等を用いてミルセットアップ設定値から各圧延スタンドの圧下位置や最高圧延速度等が算出される。この際、オペレータがミルセットアップ設定値を手動で調整することが多く、オペレータ間のミルセットアップ設定値のばらつきが大きい。この結果、物理モデルや各種機械学習モデル等を介して算出される値もオペレータ間でばらつき、圧延能率に差が生じる。

そこで、本実施形態の圧延制御システム１では、ミルセットアップ設定計算装置３が、以下のようにしてミルセットアップ設定値を算出することにより、圧延能率に差が生じないようにミルセットアップ設定値を算出する。以下、図２に示すフローチャートを参照して、圧下率設定値を算出する際のミルセットアップ設定計算装置３の動作について説明する。なお、本実施形態では、圧下率設定値の算出処理（圧下率設定処理）について説明するが、張力等の圧下率以外のミルセットアップ設定値も同様にして算出できる。

〔圧下率設定処理〕
図２は、本発明の一実施形態である圧下率設定処理の流れを示すフローチャートである。図２に示すフローチャートは、ミルセットアップ設定計算装置３に対してミルセットアップ設定値の設定指令が入力されたタイミングで開始となり、圧下率設定処理はステップＳ１の処理に進む。

ステップＳ１の処理では、ミルセットアップ設定計算装置３が、操業実績データＤＢ３ａ内に格納されている全ての操業実績データを用いて、鋼板Ｓの圧延条件を入力変数、タンデム圧延機の最高圧延速度の予測値を出力変数とする最高圧延速度の予測モデルを機械学習する。機械学習手法としては、ディープラーニング、ロジスティック回帰分析、決定木、ニューラルネットワーク等を例示することができる。なお、この処理の際、ミルセットアップ設定計算装置３は、鋼板Ｓの諸元毎に操業実績データを複数のグループに分類し、分類された各グループの操業実績データについて最高圧延速度の予測モデルを学習してもよい。このような処理によれば、鋼板Ｓの諸元の違いに合わせて最高圧延速度の予測モデルを生成することができる。これにより、ステップＳ１の処理は完了し、圧下率設定処理はステップＳ２の処理に進む。

ステップＳ２の処理では、ミルセットアップ設定計算装置３が、操業実績データＤＢ３ａ内に格納されている全ての操業実績データについて、ステップＳ１の処理において機械学習された最高圧延速度の予測モデルに鋼板Ｓの圧延条件を入力することにより、最高圧延速度の予測値を算出する。これにより、ステップＳ２の処理は完了し、圧下率設定処理はステップＳ３の処理に進む。

ステップＳ３の処理では、ミルセットアップ設定計算装置３が、最高圧延速度の実績値がステップＳ２の処理によって算出された最高圧延速度の予測値よりも大きい操業実績データを選択する。なお、この処理の際、ミルセットアップ設定計算装置３は、選択された操業実績データを高能率データベース、選択されなかった操業実績データを低能率データベースに格納することによって、操業実績データのデータベースを構築してもよい。また、ステップＳ１～Ｓ３の処理は、必ずしも圧下率設定処理を実行する度毎に実行する必要はなく、例えば操業実績データが更新される度毎等の所定のタイミングで実行すればよい。これにより、ステップＳ３の処理は完了し、圧下率設定処理はステップＳ４の処理に進む。

ステップＳ４の処理では、ミルセットアップ設定計算装置３が、ステップＳ３の処理において選択された操業実績データを用いて、鋼板Ｓの圧延条件を入力変数、圧下率設定値の予測値を出力変数とする圧下率設定値の予測モデルをオフライン又はオンラインで機械学習する。機械学習手法としては、ディープラーニング、ロジスティック回帰分析、決定木、ニューラルネットワーク等を例示することができる。これにより、ステップＳ４の処理は完了し、圧下率設定処理はステップＳ５の処理に進む。

ステップＳ５の処理では、ミルセットアップ設定計算装置３が、ステップＳ４の処理において機械学習された圧下率設定値の予測モデルに処理対象の鋼板Ｓの圧延条件を入力することにより、処理対象の鋼板Ｓについての圧下率設定値を算出する。そして、ミルセットアップ設定計算装置３は、算出された圧下率設定値の情報をプロセス計算機４に出力することにより、算出された圧下率設定値に従って各圧延スタンドの圧下率を制御する。これにより、ステップＳ５の処理は完了し、一連の圧下率設定処理は終了する。

以上の説明から明らかなように、本発明の一実施形態である圧下率設定処理では、ミルセットアップ設定計算装置３が、タンデム圧延機の操業実績データを用いて、鋼板Ｓの圧延条件を入力、最高圧延速度の予測値を出力とする最高圧延速度の予測モデルを学習し、最高圧延速度の予測モデルに操業実績データに含まれる鋼板Ｓの圧延条件を入力することにより最高圧延速度の予測値を算出し、最高圧延速度の予測値と実績値との比較に基づいて処理対象に対応する操業実績データを選択し、選択された操業実績データを用いて、鋼板Ｓの圧延条件を入力、圧下率設定値の予測値を出力とする圧下率設定値の予測モデルを学習する。このような処理によれば、最高圧延速度の予測値と実績値との比較に基づいて選択された操業実績データを学習対象とするので、全ての操業実績データを学習対象とした場合と比較して、所望の最高圧延速度を満足する圧下率設定値を出力する学習モデルを生成することができる。

以上、本発明者らによってなされた発明を適用した実施形態について説明したが、本実施形態による本発明の開示の一部をなす記述及び図面により本発明は限定されることはない。例えば、上記実施形態は本発明を圧延機の設定値計算に適用した例であるが、本発明の適用範囲は上記実施形態に限定されることはなく、各種生産設備の設定値計算、特にオペレータによって操業指標が変化する各種生産設備の設定値計算に適用することができる。また、上記実施形態では、圧延能率の実績値に基づいて学習計算に用いる操業実績データを選択したが、欠陥個数、電力原単位、オフゲージ長等の製造歩留まりに関係する圧延能率以外の指標に基づいて学習計算に用いる操業実績データを選択してもよい。すなわち、本発明では、学習モデルから得られた変数の予測値を用い、大量な過去の操業実績データから生産性や品質等を向上させるのに必要な操業実績データを使って選択する。実施形態ではこの変数として生産性に着目した圧延速度を選択したが、品質向上や不良発生率等の製造上のメリットをもたらすための変数を適宜選択することが可能である。このように、本実施形態に基づいて当業者等によりなされる他の実施の形態、実施例、及び運用技術等は全て本発明の範疇に含まれる。

１ 圧延制御システム
２ａ，２ｂ，２ｃ，２ｄ，２ｅ 圧延スタンド
３ ミルセットアップ設定計算装置
３ａ 操業実績データデータベース（操業実績データＤＢ）
４ プロセス計算機
５ 圧下位置制御装置
６ シフト制御装置

Claims (8)

1. 生産設備の操業条件、該生産設備の能率に関する指標の実績値、及び該生産設備の設定値の実績値を含む生産設備の操業実績データを用いて、前記操業条件を入力、前記能率に関する指標の予測値を出力とする前記能率に関する指標の学習モデルを学習する第１学習ステップと、
   前記能率に関する指標の学習モデルに前記操業実績データに含まれる操業条件を入力することにより前記能率に関する指標の予測値を算出し、該能率に関する指標の予測値より実績値が大きい操業実績データを選択する選択ステップと、
   選択された操業実績データを用いて、前記操業条件を入力、前記設定値の予測値を出力とする前記設定値の学習モデルを学習する第２学習ステップと、
   を含むことを特徴とする学習モデル生成方法。
2. 前記第１学習ステップは、前記生産設備において生産される製品の諸元毎に前記操業実績データを複数のグループに分類し、分類された各グループの操業実績データについて前記能率に関する指標の学習モデルを生成するステップを含むことを特徴とする請求項１に記載の学習モデル生成方法。
3. 生産設備の操業条件、該生産設備の能率に関する指標の実績値、及び該生産設備の設定値の実績値を含む生産設備の操業実績データを用いて、前記操業条件を入力、前記能率に関する指標の予測値を出力とするように学習された前記能率に関する指標の学習モデルに対し、前記操業実績データに含まれる操業条件を入力することにより前記能率に関する指標の予測値を算出し、該能率に関する指標の予測値より実績値が大きい操業実績データを分類して前記操業実績データのデータベースを作成するステップを含むことを特徴とするデータベース構築方法。
4. 請求項１又は２に記載の学習モデル生成方法を用いて生成された圧延設備のミルセットアップ設定値の学習モデルに処理対象の圧延材の操業条件を入力することによりミルセットアップ設定値の予測値を算出し、算出されたミルセットアップ設定値の予測値に従って前記圧延設備のミルセットアップ設定値を設定するステップを含むことを特徴とするミルセットアップ設定方法。
5. 圧延設備の操業条件、該圧延設備の圧延能率に関する指標の実績値、及び該圧延設備のミルセットアップ設定値の実績値を含む圧延設備の操業実績データを用いて、前記操業条件を入力、前記圧延能率に関する指標の予測値を出力とするように学習された前記圧延能率に関する指標の学習モデルに対し、前記操業実績データに含まれる操業条件を入力することにより前記圧延能率に関する指標の予測値を算出し、該圧延能率に関する指標の予測値より実績値が大きい、処理対象の圧延材の生産性に寄与する操業実績データを選択する選択ステップと、
   選択された操業実績データを用いて、前記操業条件を入力、前記ミルセットアップ設定値の予測値を出力とするように学習された前記ミルセットアップ設定値の学習モデルに対し、前記処理対象の操業条件を入力することにより前記圧延設備のミルセットアップ設定値の予測値を算出し、算出されたミルセットアップ設定値の予測値に従って前記圧延設備のミルセットアップ設定値を設定する設定ステップと、
   を含むことを特徴とするミルセットアップ設定方法。
6. 請求項４又は５に記載のミルセットアップ設定方法に従って圧延設備を制御しながら圧延材を製造するステップを含むことを特徴とする圧延材の製造方法。
7. 生産設備の操業条件、該生産設備の能率に関する指標の実績値、及び該生産設備の設定値の実績値を含む生産設備の操業実績データを用いて、前記操業条件を入力、前記能率に関する指標の予測値を出力とするように学習された前記能率に関する指標の学習モデルに対し、前記操業実績データに含まれる操業条件を入力することにより前記能率に関する指標の予測値を算出し、該能率に関する指標の予測値より実績値が大きい操業実績データを選択する選択ステップと、
   選択された操業実績データを用いて、前記操業条件を入力、前記設定値の予測値を出力とするように学習された前記設定値の学習モデルに対し、処理対象の操業条件を入力することにより生産設備の設定値の予測値を算出し、算出された設定値の予測値に従って前記生産設備の設定値を設定する設定ステップと、
   設定された設定値に従って生産設備を制御しながら前記処理対象を製造するステップと、
   を含むことを特徴とする処理対象の製造方法。
8. 生産設備の操業条件、該生産設備の能率に関する指標の実績値、及び該生産設備の設定値の実績値を含む生産設備の操業実績データを用いて、前記操業条件を入力、前記能率に関する指標の予測値を出力とする前記能率に関する指標の学習モデルを学習する手段と、
   前記能率に関する指標の学習モデルに前記操業実績データに含まれる操業条件を入力することにより前記能率に関する指標の予測値を算出し、該能率に関する指標の予測値より実績値が大きい操業実績データを選択する手段と、
   選択された操業実績データを用いて、前記操業条件を入力、前記設定値の予測値を出力とする前記設定値の学習モデルを学習する手段と、
   を備えることを特徴とする学習モデル生成装置。

Images