JP7314872B2 - Setting value determination method, product manufacturing method, rolling material manufacturing method, and setting value determination device - Google Patents

Setting value determination method, product manufacturing method, rolling material manufacturing method, and setting value determination device Download PDF

Info

Publication number
JP7314872B2
JP7314872B2 JP2020119458A JP2020119458A JP7314872B2 JP 7314872 B2 JP7314872 B2 JP 7314872B2 JP 2020119458 A JP2020119458 A JP 2020119458A JP 2020119458 A JP2020119458 A JP 2020119458A JP 7314872 B2 JP7314872 B2 JP 7314872B2
Authority
JP
Japan
Prior art keywords
value
setting
quality result
prediction
value determination
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
Application number
JP2020119458A
Other languages
Japanese (ja)
Other versions
JP2022016148A (en
Inventor
諒介 長岡
悠佑 吉村
誠二 尾▲崎▼
淳司 原田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
JFE Steel Corp
Original Assignee
JFE Steel Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by JFE Steel Corp filed Critical JFE Steel Corp
Priority to JP2020119458A priority Critical patent/JP7314872B2/en
Publication of JP2022016148A publication Critical patent/JP2022016148A/en
Application granted granted Critical
Publication of JP7314872B2 publication Critical patent/JP7314872B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • General Factory Administration (AREA)

Description

本開示は、生産設備における設定値を決定する設定値決定方法、製品製造方法、圧延材の製造方法、及び設定値決定装置 The present disclosure relates to a set value determination method for determining set values in production equipment, a product manufacturing method, a rolled material manufacturing method, and a set value determination device

従来の製造設備における設定値を決定する方法に関しては、例えばシームレス熱間圧延工程における肉厚制御にて、圧延工具摩耗量及び圧延荷重を推定することによって初期の設定ロール間隙を決定する方法がある（例えば特許文献１）。また、特許文献２には、めっき鋼板の製造工程において、熱間圧延工程完了後の冷間圧延工程前に、熱間圧延の操業条件等から機械学習によって冷間圧延で欠陥が生じるかどうかについてあらかじめ予測し、予測結果に応じて客先を変更する等の対応を取る手法が開示されている。 Regarding the method of determining the set value in conventional manufacturing equipment, for example, there is a method of determining the initial set roll gap by estimating the rolling tool wear amount and the rolling load in thickness control in the seamless hot rolling process (for example, Patent Document 1). In addition, Patent Document 2 discloses a method of predicting in advance whether defects will occur in cold rolling by machine learning from the operating conditions of hot rolling before the cold rolling process after the completion of the hot rolling process in the manufacturing process of the plated steel sheet, and taking measures such as changing the customer according to the prediction result.

特開昭５７―９５２１号公報JP-A-57-9521 特開２０１９－７４９６９号公報JP 2019-74969 A

特許文献１にかかる手法により定まる設定値は実際の圧延における設定値の指標となるものの、当該設定値により必ず目標範囲内の製品肉厚（中間製品肉厚）が得られるとは限らない。つまり、上記設定値が目標寸法の実現に対し妥当であるかを製造前に検証することについて何ら考慮されていない。実際、特許文献１の方法により定めた設定値により肉厚制御をすると、例えばロットの初期には、一定の頻度で目標範囲を外れた製品（中間製品）が製造されてしまう。また、特許文献２の手法は製造条件及び製造環境の変化を考慮した上で製品の欠陥を予測できるものの、欠陥の発生を抑止することはできなかった。このように製造設備における設定値の決定方法にかかる技術に関して改善の余地があった。 Although the set value determined by the method according to Patent Document 1 is an index of the set value in actual rolling, the set value does not necessarily provide the product thickness (intermediate product thickness) within the target range. In other words, no consideration is given to verifying whether the set values are appropriate for achieving the target dimensions before manufacturing. In fact, if the wall thickness is controlled by the set value determined by the method of Patent Document 1, for example, in the early stage of the lot, products (intermediate products) outside the target range are produced at a certain frequency. In addition, although the technique of Patent Document 2 can predict product defects in consideration of changes in manufacturing conditions and manufacturing environments, it is not possible to suppress the occurrence of defects. As described above, there is room for improvement in the technology related to the method of determining set values in manufacturing equipment.

かかる事情に鑑みてなされた本開示の目的は、製造設備における設定値の決定方法にかかる技術を改善できる設定値決定方法、製品製造方法、圧延材の製造方法、及び設定値決定装置を提供することにある。 An object of the present disclosure made in view of such circumstances is to provide a setting value determination method, a product manufacturing method, a rolled material manufacturing method, and a setting value determination device that can improve the technology related to the setting value determination method in manufacturing equipment.

本開示の一実施形態に係る設定値決定方法は、
生産設備における設定値を決定する設定値決定方法であって、
前記生産設備における設定値の実績値、操業条件の実績値、及び品質結果の実績値を含む第１教師データに基づき学習された品質結果予測モデルを用いて、設定予測値及び操業条件に係る予測用入力データから、品質結果の予測値を予測する品質結果予測ステップと、
前記予測値が所定条件を満たすまで、前記品質結果予測モデルに入力する前記設定予測値を変更しながら品質結果予測ステップを複数回繰り返し、前記所定条件を満たす品質結果の予測値に対応する設定予測値を、前記生産設備における設定値として決定する設定値決定ステップと、
を含み、
前記設定値決定ステップにおいて前記品質結果予測モデルに入力される前記設定予測値は必要補正量に基づき変更され、該必要補正量は、生産設備における設定値の実績値、設定値の補正量実績値、品質結果の実績値、及び品質結果の変化量実績値を含む第２教師データに基づき学習された補正量予測モデルを用いて、前記品質結果の要求変化量から求められる。 A setting value determination method according to an embodiment of the present disclosure includes:
A setting value determination method for determining a setting value in a production facility,
a quality result prediction step of predicting a predicted value of a quality result from input data for prediction relating to predicted setting values and operating conditions using a quality result prediction model learned based on first teacher data including actual values of set values, actual values of operating conditions, and actual values of quality results in the production facility;
a set value determination step of repeating the quality result prediction step a plurality of times while changing the set predicted value input to the quality result prediction model until the predicted value satisfies a predetermined condition, and determining the set predicted value corresponding to the predicted value of the quality result that satisfies the predetermined condition as the set value in the production equipment;
including
The set predicted value input to the quality result prediction model in the set value determination step is changed based on the required correction amount, and the required correction amount is obtained from the required change amount of the quality result using a correction amount prediction model learned based on the second teacher data including the actual set value in the production equipment, the actual correction amount value of the set value, the actual quality result value, and the actual change amount value of the quality result.

また本開示の一実施形態に係る製品製造方法は、上記設定値決定方法により決定した設定値に従って前記生産設備を制御して製品を製造する。 A product manufacturing method according to an embodiment of the present disclosure controls the production equipment according to the setting values determined by the setting value determination method to manufacture the product.

また本開示の一実施形態に係る圧延材の製造方法は、上記設定値決定方法により決定したミルセットアップ値に従い圧延機を制御し圧延材を製造する。 Further, a method for manufacturing a rolled material according to an embodiment of the present disclosure controls a rolling mill according to the mill setup value determined by the set value determining method to manufacture a rolled material.

また本開示の一実施形態に係る設定値決定装置は、上記設定値決定方法を実行する。 Further, a setting value determination device according to an embodiment of the present disclosure executes the setting value determination method.

本開示の一実施形態に係る設定値決定方法、製品製造方法、圧延材の製造方法、及び設定値決定装置によれば、製造設備における設定値の決定方法にかかる技術を改善することができる。 According to the setting value determination method, the product manufacturing method, the rolled material manufacturing method, and the setting value determination device according to the embodiment of the present disclosure, it is possible to improve the technology related to the setting value determination method in manufacturing equipment.

本開示の一実施形態に係るシステムの全体像を示すブロック図である。1 is a block diagram showing an overview of a system according to an embodiment of the present disclosure; FIG. 本開示の一実施形態に係る設定値決定方法を示すフローチャートである。4 is a flow chart showing a setting value determination method according to an embodiment of the present disclosure; 本開示の一実施形態に係る設定値決定方法による予測値及び実績値と比較例の結果を示す。4 shows predicted values and actual values obtained by a set value determination method according to an embodiment of the present disclosure, and results of comparative examples; 設定値決定装置の構成を示すブロック図である。It is a block diagram which shows the structure of a setting value determination apparatus.

以下、本開示の実施形態について、図面を参照して説明する。 Hereinafter, embodiments of the present disclosure will be described with reference to the drawings.

各図中、同一又は相当する部分には、同一符号を付している。本実施形態の説明において、同一又は相当する部分については、説明を適宜省略又は簡略化する。 In each figure, the same reference numerals are given to the same or corresponding parts. In the description of this embodiment, the description of the same or corresponding parts will be omitted or simplified as appropriate.

図１は、本開示の一実施形態に係るシステム１００の全体像を示すブロック図である。概略として本開示の実施形態に係るシステム１００は、従来方法に類する手法等にて予測した製造設備の設定予測値を含む各種操業条件の入力を受け付け、当該条件で想定される製品の品質結果を予測する。ここで本実施形態において製品は中間製品を含み、以下単に製品という。システム１００は、かかる品質結果に応じて設定値の補正及び品質結果の予測を繰り返すことで設定予測値の妥当性を検証した上で製造を開始する。これによりシステム１００は、従来よりも品質バラつきの少ない製造を実現する。より具体的には、システム１００は、実績値を教師データとして学習された予測モデルを用いて、製品を製造する前に上述の品質結果を予測する。かかる品質結果が妥当でない場合、システム１００は、設定予測値を補正量予測モデルにて補正して、補正した設定予測値を用いて再度品質結果を予測する。予測した品質結果が妥当と判断されるまで設定予測値の補正と品質結果予測を繰り返し、システム１００は最終的な設定値を決定する。これによりシステム１００は、製品の品質不良発生を未然に防ぐ設定値を決定することができる。システム１００は、例えばシームレス製品におけるタンデム孔型圧延機等の圧延機の設定値を決定する場合に用いることができる。つまり本システム１００は、例えば圧延機のセットアップにおいて、過去の圧延実績値に基づき目標とする出側寸法を実現するための良好な設定値を与えることができる。このようにシステム１００は、良好な設定値を設定することによって従来よりも品質バラつきを低減させることができる。以下、図１を参照してシステム１００の各構成について説明する。以下では主に、システム１００がシームレス製品の製造における圧延機の設定値、すなわちミルセットアップ値の決定に適用される例について説明する。 FIG. 1 is a block diagram illustrating an overview of system 100 according to one embodiment of the present disclosure. As an overview, the system 100 according to the embodiment of the present disclosure receives inputs of various operating conditions including predicted values for manufacturing equipment settings predicted by a method similar to a conventional method, etc., and predicts the product quality results assumed under these conditions. In this embodiment, products include intermediate products, and are hereinafter simply referred to as products. The system 100 repeats the correction of the set value and the prediction of the quality result according to the quality result, thereby verifying the validity of the set predicted value before starting manufacturing. The system 100 thereby achieves manufacturing with less quality variation than in the past. More specifically, the system 100 predicts the above-described quality results before manufacturing a product using a prediction model trained using actual values as training data. If the quality result is not appropriate, the system 100 corrects the set predicted value using the correction amount prediction model, and predicts the quality result again using the corrected set predicted value. The system 100 repeats the correction of the set predicted value and the quality result prediction until the predicted quality result is determined to be valid, and the system 100 determines the final set value. Thereby, the system 100 can determine a set value to prevent the occurrence of defective product quality. The system 100 can be used, for example, in determining the settings of a rolling mill, such as a tandem grooved mill in seamless products. In other words, the present system 100 can provide favorable setting values for realizing target delivery side dimensions based on past rolling performance values, for example, in setting up a rolling mill. Thus, the system 100 can reduce quality variations more than before by setting favorable setting values. Each configuration of the system 100 will be described below with reference to FIG. The following is primarily an example in which system 100 is applied to determining mill set-up values in the production of seamless products.

実績データベース１は、生産設備における設定値の実績値、操業条件の実績値、品質結果の実績値（以下、実績データともいう）を記憶するデータベースである。実績データベース１の実績データに基づき、初期設定予測モデル構築手段３、品質結果予測モデル構築手段４、及び補正量予測モデル構築手段５は、各学習モデルを生成する。実績データベース１の実績データは一定頻度で更新される。当該更新に伴い、初期設定予測モデル構築手段３、品質結果予測モデル構築手段４、及び補正量予測モデル構築手段５は、各学習モデルを更新する。実績データは具体的には例えば、生産設備に係る各命令値及び圧延機における入出側の材料の組成、工具の使用回数、設定基準値、設定値の実績値、入出側寸法・温度の実績、出側寸法要求変化量、および入側設定必要補正量を含む。 The performance database 1 is a database that stores performance values of set values, performance values of operating conditions, and performance values of quality results (hereinafter also referred to as performance data) in production equipment. Based on the performance data of the performance database 1, the initial setting prediction model construction means 3, the quality result prediction model construction means 4, and the correction amount prediction model construction means 5 generate each learning model. The performance data in the performance database 1 is updated at a constant frequency. Along with the update, the initial setting prediction model construction means 3, the quality result prediction model construction means 4, and the correction amount prediction model construction means 5 update each learning model. Actual performance data specifically includes, for example, each command value related to the production equipment, the composition of the material on the entry and exit sides of the rolling mill, the number of times the tool has been used, the setting reference value, the actual value of the set value, the entry and exit side dimensions and temperatures, the required change in dimensions on the exit side, and the necessary correction amount for entry side settings.

初期設定予測モデル構築手段３は、実績データベース１の少なくとも一部のデータ項目に対して所定のアルゴリズム選定、ハイパーパラメータチューニング等を行うソフト及びハードツールである。例えば初期設定予測モデル構築手段３は、生産設備における操業条件の実績値、設定値の実績値、及び品質結果の実績値を含む教師データ（以下、第３教師データともいう）を用い、入力を、操業条件に係る予測用入力データ２とし、出力を初期設定予測値１０とする初期設定予測モデル６を機械学習により生成する。機械学習に係るアルゴリズムは、Random Forest、ディープラーニング等、任意のアルゴリズムが用いられてよい。初期設定予測値１０は、例えば生産設備が圧延機を含む場合、圧延のロールギャップ、回転数の設定値を含む。第３教師データは、具体的には例えば入出側組成、入出側物性、生産設備使用回数、工具使用回数、設定基準値、入出側寸法、及び入出側温度、のうち少なくとも１つを含む。 The initial setting prediction model construction means 3 is software and hardware tools for performing predetermined algorithm selection, hyperparameter tuning, etc. for at least some data items of the performance database 1 . For example, the initial setting prediction model construction means 3 uses teacher data (hereinafter also referred to as third teacher data) including actual values of operating conditions, actual values of setting values, and actual values of quality results in production equipment, and generates an initial setting prediction model 6 using the input as the input data 2 for prediction related to the operating conditions and the output as the initial setting prediction value 10 by machine learning. Arbitrary algorithms, such as Random Forest and deep learning, may be used as algorithms related to machine learning. For example, if the production facility includes a rolling mill, the initial set predicted values 10 include set values for roll gap and rotational speed for rolling. Specifically, the third teacher data includes at least one of, for example, entry/exit side composition, entry/exit side physical properties, production equipment usage count, tool usage count, set reference value, entry/exit side dimension, and entry/exit side temperature.

品質結果予測モデル構築手段４は、実績データベース１の少なくとも一部のデータ項目所定のアルゴリズム選定、ハイパーパラメータチューニング等を行うソフト及びハードツールである。例えば品質結果予測モデル構築手段４は、生産設備における設定値の実績値、操業条件の実績値、及び品質結果の実績値を含む教師データ（以下、第１教師データともいう）を用い、入力を初期設定予測値１０（又は補正後設定予測値１８）及び操業条件に係る予測用入力データ２とし、出力を品質結果予測値１３とする品質結果予測モデル７を機械学習により生成する。機械学習に係るアルゴリズムは、Random Forest、ディープラーニング等、任意のアルゴリズムが用いられてよい。第１教師データは、具体的には例えば入出側組成、入出側物性、生産設備使用回数、工具使用回数、設定基準値、入出側寸法、及び入出側温度、のうち少なくとも１つを含む。 The quality result prediction model building means 4 is software and hardware tools for performing algorithm selection, hyperparameter tuning, etc. for predetermined data items of at least a part of the performance database 1 . For example, the quality result prediction model construction means 4 uses teacher data (hereinafter also referred to as first teacher data) including the actual values of setting values, the actual values of operating conditions, and the actual values of quality results in the production equipment, and uses machine learning to generate a quality result prediction model 7 whose input is the initial setting prediction value 10 (or the corrected setting prediction value 18) and the prediction input data 2 related to the operating conditions, and whose output is the quality result prediction value 13. Arbitrary algorithms, such as Random Forest and deep learning, may be used as algorithms related to machine learning. Specifically, the first teaching data includes at least one of, for example, entry/exit side composition, entry/exit side physical properties, production facility usage count, tool usage count, set reference value, entry/exit side dimension, and entry/exit side temperature.

補正量予測モデル構築手段５は、実績データベース１の少なくとも一部のデータ項目に対して所定のアルゴリズム選定、ハイパーパラメータチューニング等を行うソフト及びハードツールである。例えば補正量予測モデル構築手段５は、生産設備における設定値の実績値、設定値の補正量実績値、品質結果の実績値、及び品質結果の変化量実績値を含む教師データ（以下、第２教師データともいう）を用い、入力を操業条件に係る予測用入力データ２及び品質結果の要求変化量１６（以下、品質結果要求変化量１６ともいう）、出力を補正量予測値１７とする補正量予測モデル８を機械学習により生成する。機械学習に係るアルゴリズムは、Random Forest、ディープラーニング等、任意のアルゴリズムが用いられてよい。第２教師データは、具体的には例えば入出側組成、入出側物性、生産設備使用回数、工具使用回数、設定基準値、入出側寸法、及び入出側温度、のうち少なくとも１つを含む。 The correction amount prediction model construction means 5 is software and hardware tools for performing predetermined algorithm selection, hyperparameter tuning, etc. for at least some data items of the performance database 1 . For example, the correction amount prediction model construction means 5 uses teacher data (hereinafter also referred to as second teacher data) including actual set values, actual correction amount actual values of the set values, actual quality result values, and quality result change amount actual values in the production facility, and generates a correction amount prediction model 8 using the input data 2 for prediction related to the operating conditions and the required quality result change amount 16 (hereinafter also called the quality result required change amount 16) and the output corrected amount predicted value 17 by machine learning. Arbitrary algorithms, such as Random Forest and deep learning, may be used as algorithms related to machine learning. Specifically, the second teaching data includes at least one of, for example, entry/exit side composition, entry/exit side physical properties, production facility usage count, tool usage count, set reference value, entry/exit side dimension, and entry/exit side temperature.

予測用入力データ２は、生産設備の操業条件のデータであり、上述の各学習モデルによる予測段階において入力データとして用いられる。かかるデータは、各命令値および圧延機における入側材料の組成、工具の使用回数見込み値、設定基準値、入側寸法・温度実績及び出側寸法目標値を含む。なおここで計測異常値（計測不能あるいは理論上あり得ない数値）が計測された場合は、当該異常値は代替値に置換される。具体的には例えば、ある圧延材で入側温度が実績計測不能により０℃として記録されている場合、入側温度を直近の圧延材と同温度の温度に置換される。つまり、計測異常値が存在した場合には、当該計測異常値を予測用入力データ２には含めず、計測異常値の代わりに置き換えられた代替値が含められる。これにより、データの欠落によるモデル演算ができなくなる等の問題を解消することができる。予測用入力データ２は、各予測実行手段（予測実行手段９、１１、１２）に入力される。各予測実行手段９、１１、１２は、プロセスコンピューターから予測用入力データ２を受信し、また他の予測実行手段から初期設定予測値１０又は補正後設定予測値１８等の必要なデータを受信する。そして各予測実行手段９、１１、１２は、各予測モデルへ入力として渡すことで各予測計算を実行し、各予測値（初期設定予測値１０、品質結果予測値１３、補正量予測値１７、補正後設定予測値１８）を得る。各予測実行手段９、１１、１２は、例えば計算サーバ等の情報処理装置により構成される。 The prediction input data 2 is data of the operating conditions of the production equipment, and is used as input data in the prediction stage by each learning model described above. Such data includes each command value, entry-side material composition in the rolling mill, expected number of tool uses, set reference values, entry-side dimension/temperature results, and exit-side dimension target values. If a measurement abnormal value (numerical value that cannot be measured or is theoretically impossible) is measured here, the abnormal value is replaced with an alternative value. Specifically, for example, if the entry-side temperature of a certain rolled material is recorded as 0° C. due to impossibility of actual measurement, the entry-side temperature is replaced with the same temperature as that of the most recent rolled material. That is, when there is a measurement anomaly, the measurement anomaly is not included in the prediction input data 2, and instead of the measurement anomaly, an alternative value is included. As a result, it is possible to solve problems such as model calculation becoming impossible due to lack of data. The prediction input data 2 is input to each prediction execution means (prediction execution means 9, 11, 12). Each of the prediction executing means 9, 11, 12 receives the prediction input data 2 from the process computer, and also receives necessary data such as the initially set predicted value 10 or the post-correction set predicted value 18 from the other prediction executing means. Each prediction execution means 9, 11, 12 executes each prediction calculation by passing it as an input to each prediction model, and obtains each prediction value (initial setting prediction value 10, quality result prediction value 13, correction amount prediction value 17, post-correction setting prediction value 18). Each prediction execution unit 9, 11, 12 is configured by an information processing device such as a calculation server, for example.

予測実行手段９は、初期設定予測モデル６を用い、予測用入力データ２から、品質結果予測モデル７に最初に入力される初期設定予測値１０（以下、設定予測値の初期値ともいう）を得る。 The prediction executing means 9 uses the initial setting prediction model 6 to obtain, from the prediction input data 2, the initial setting prediction value 10 (hereinafter also referred to as the initial setting prediction value) that is first input to the quality result prediction model 7.

予測実行手段１１は、品質結果予測モデル７を用い、予測用入力データ２及び初期設定予測値１０から、品質結果予測値１３を得る。品質結果予測値１３が所定条件を満たす場合、初期設定予測値１０を生産設備における設定値として決定する（図１の設定フェーズ１４）。そして生産開始フェーズ２０が開始される。例えば所定条件は、品質結果予測値１３が目標範囲内であることである。目標範囲は、予測用入力データ２に含まれる出側寸法目標値により定められる。 The prediction executing means 11 uses the quality result prediction model 7 to obtain the quality result prediction value 13 from the prediction input data 2 and the initial set prediction value 10 . If the quality result prediction value 13 satisfies a predetermined condition, the initial setting prediction value 10 is determined as the setting value in the production equipment (setting phase 14 in FIG. 1). Then the production start phase 20 is started. For example, the predetermined condition is that the quality result prediction value 13 is within the target range. The target range is determined by the delivery side dimension target value included in the input data 2 for prediction.

品質結果予測値１３が所定条件を満たさない場合、システム１００は初期設定予測値１０を補正する。まず、要求変化量計算手段１５が、品質結果予測値１３と目標値との差分から品質結果要求変化量１６を計算する。次に、予測実行手段１２が、補正量予測モデル８を用い、品質結果要求変化量１６及び予測用入力データ２から、補正量予測値１７を得る。そして初期設定予測値１０に当該補正量予測値１７が加算されて変更され、補正後設定予測値１８が得られる。予測実行手段１１は、品質結果予測モデル７を用い、予測用入力データ２及び変更後の設定予測値（補正後設定予測値１８）に基づき、品質結果予測値１３を再度得る。当該品質結果予測値１３が所定条件を満たす場合、かかる変更後の設定予測値を生産設備における設定値として決定する（図１の設定フェーズ１９）。そして生産開始フェーズ２０が開始される。品質結果予測値１３が所定条件を満たさない場合、補正後設定予測値１８をさらに補正する処理が繰り返される。 The system 100 corrects the default predictions 10 if the quality outcome predictions 13 do not meet predetermined conditions. First, the required change amount calculation means 15 calculates the required quality result change amount 16 from the difference between the quality result predicted value 13 and the target value. Next, the prediction executing means 12 uses the correction amount prediction model 8 to obtain the correction amount prediction value 17 from the quality result request change amount 16 and the prediction input data 2 . Then, the correction amount prediction value 17 is added to the initial setting prediction value 10 to change it, and the post-correction setting prediction value 18 is obtained. The prediction executing means 11 uses the quality result prediction model 7 to re-obtain the quality result prediction value 13 based on the prediction input data 2 and the changed setting prediction value (correction setting prediction value 18). When the quality result predicted value 13 satisfies a predetermined condition, the set predicted value after such change is determined as the set value in the production equipment (setting phase 19 in FIG. 1). Then the production start phase 20 is started. If the quality result predicted value 13 does not satisfy the predetermined condition, the process of further correcting the post-correction set predicted value 18 is repeated.

図２は、本システム１００による動作、すなわち本開示の一実施形態に係る設定値決定方法を示すフローチャートである。 FIG. 2 is a flow chart illustrating the operation of the system 100, ie, the setpoint determination method according to one embodiment of the present disclosure.

はじめにシステム１００は、初期設定予測値１０（設定予測値の初期値）を決定する（ステップＳ１０）。具体的には予測実行手段９が、初期設定予測モデル６に予測用入力データ２を入力し、初期設定予測値１０を出力させる。 First, the system 100 determines an initial set predicted value 10 (initial set predicted value) (step S10). Specifically, the prediction executing means 9 inputs the prediction input data 2 to the initial setting prediction model 6 and causes the initial setting prediction value 10 to be output.

次にシステム１００は、品質結果を予測する（ステップＳ２０）。具体的には予測実行手段１１は予測実行手段９により出力された初期設定予測値１０を取得する。予測実行手段１１は、予測用入力データ２及び取得した初期設定予測値１０を品質結果予測モデル７に入力し、品質結果予測値１３を出力させる。 System 100 then predicts a quality result (step S20). Specifically, the prediction execution means 11 acquires the initial set prediction values 10 output by the prediction execution means 9 . The prediction executing means 11 inputs the prediction input data 2 and the obtained initial set prediction value 10 to the quality result prediction model 7 and outputs the quality result prediction value 13 .

続いてシステム１００は、品質結果予測値１３が所定条件を満たすか否かを検証する（ステップＳ３０）。品質結果予測値１３が所定条件を満たす場合（例えば品質結果予測値１３が目標範囲内である場合）、プロセスはステップＳ４０に進む。他方で品質結果予測値１３が所定条件を満たさない場合（例えば品質結果予測値１３が目標範囲外である場合）、プロセスはステップＳ５０に進む。 Subsequently, the system 100 verifies whether or not the quality result prediction value 13 satisfies a predetermined condition (step S30). If the quality result prediction value 13 satisfies a predetermined condition (eg, if the quality result prediction value 13 is within the target range), the process proceeds to step S40. On the other hand, if the quality result prediction value 13 does not meet the predetermined condition (eg, the quality result prediction value 13 is outside the target range), the process proceeds to step S50.

ステップＳ３０において品質結果予測値１３が所定条件を満たす場合、初期設定予測値１０を生産設備における設定値として決定する（ステップＳ４０）。そしてプロセスは終了する。つまり当該設定値に基づき、生産設備の設定が完了し、製品の製造を開始できる。 If the quality result predicted value 13 satisfies a predetermined condition in step S30, the initial setting predicted value 10 is determined as the set value in the production equipment (step S40). Then the process ends. That is, based on the set values, the setting of the production equipment is completed, and the manufacturing of the product can be started.

ステップＳ３０において品質結果予測値１３が所定条件を満たさない場合、システム１００は設定予測値を変更する（ステップＳ５０）。具体的にはシステム１００は、品質結果予測値１３と目標値との差分を品質結果要求変化量１６として計算する。続いて予測実行手段１２は、品質結果要求変化量１６及び予測用入力データ２を補正量予測モデル８に入力し、補正量予測値１７を出力する。システム１００は、出力された補正量予測値１７により、設定予測値を変更する。具体的にはシステム１００は、初期設定予測値１０に当該補正量予測値１７を加算して得られた値を補正後設定予測値１８とする。そしてプロセスはステップＳ２０に戻り、補正後設定予測値１８に基づき品質結果を再度予測する。 If the quality result prediction value 13 does not satisfy the predetermined condition in step S30, the system 100 changes the set prediction value (step S50). Specifically, the system 100 calculates the difference between the quality result prediction value 13 and the target value as the quality result request change amount 16 . Subsequently, the prediction execution means 12 inputs the quality result request change amount 16 and the prediction input data 2 to the correction amount prediction model 8 and outputs the correction amount prediction value 17 . The system 100 changes the set predicted value based on the output correction amount predicted value 17 . Specifically, the system 100 sets a value obtained by adding the correction amount prediction value 17 to the initial setting prediction value 10 as the post-correction setting prediction value 18 . The process then returns to step S20 to again predict the quality result based on the corrected set prediction value 18. FIG.

補正後設定予測値１８に基づき品質結果を予測した後に、再度当該品質結果が所定条件を満たすか否かが検証される。換言するとステップＳ２０及びステップＳ３０の処理は、品質結果予測値１３が所定条件を満たすまで繰り返し実行される。 After the quality result is predicted based on the post-correction set predicted value 18, it is verified again whether or not the quality result satisfies the predetermined condition. In other words, the processes of steps S20 and S30 are repeatedly executed until the quality result prediction value 13 satisfies a predetermined condition.

システム１００は、所定条件を満たす設定予測値を生産設備の生産設備における設定値として決定した後、決定した設定値に従って生産設備を制御して製品を製造する。具体的には例えば、設定値として定められたミルセットアップ値により圧延機を制御し、圧延材を製造する。 The system 100 determines the predicted setting values that satisfy a predetermined condition as the set values for the production equipment of the production equipment, and then controls the production equipment according to the determined set values to manufacture the product. Specifically, for example, a rolling mill is controlled by a mill setup value determined as a set value to manufacture a rolled material.

図３は、本開示に係るシステム１００を用いて、シームレス熱間圧延で中間製品を製造する際に設定値を補正した結果、及び補正しなかった結果を示す。ここでかかる中間製品の素材規格はWTK21TR、命令外径110mm、及び命令肉厚8.25mmとした。図３は、初期設定
予測モデル６にて予測した初期設定値による品質の結果（予測値（Ａ）及び実測値（Ｃ））と、初期設定予測モデル６にて予測した設定値を補正量予測モデル８にて２回補正を行った上での予測設定値による品質の結果（予測値（Ｂ）及び実測値（Ｄ））を示す。図３（Ｃ）に示すように、初期設定値により製造を行った場合、平均シェル長さ比の実測値は、目標範囲外の製品を含む。つまり、初期設定値を補正しない特許文献１等の従来の設定値予測では、目標範囲外の品質結果（品質不良）を一定割合で発生させてしまう。他方で、補正量予測モデル８にて２回補正を行うと、品質結果の予測値及び実測値いずれも平均シェル長さ比に関し2σで目標範囲を達成している（図３の予測値（Ｂ）及び実測値（Ｄ））。このように、本開示によって品質不良を未然に抑え、品質のバラつきを低減することが可能であることがわかる。 FIG. 3 shows the results of using the system 100 according to the present disclosure with and without correcting the settings when producing an intermediate product by seamless hot rolling. Here, the material standard of the intermediate product was WTK21TR, the command outer diameter was 110 mm, and the command thickness was 8.25 mm. FIG. 3 shows quality results (predicted value (A) and actual measurement value (C)) based on the initial setting values predicted by the initial setting prediction model 6, and quality results (prediction value (B) and actual measurement value (D)) obtained by correcting the setting values predicted by the initial setting prediction model 6 twice using the correction amount prediction model 8. As shown in FIG. 3(C), the measured average shell length ratio includes products outside the target range when manufactured with the default values. In other words, in the conventional setting value prediction such as that disclosed in Patent Document 1, in which the initial setting value is not corrected, a quality result (quality defect) outside the target range is generated at a constant rate. On the other hand, when correction is performed twice by the correction amount prediction model 8, both the predicted value and the measured value of the quality result achieve the target range with 2σ for the average shell length ratio (predicted value (B) and measured value (D) in FIG. 3). Thus, it can be seen that the present disclosure can prevent quality defects and reduce quality variations.

このように、本開示の一実施形態に係るシステム１００によれば、初期設定予測値１０を決定した後、当該初期設定予測値１０による品質結果を予測し、品質結果が所定条件を満たすか否かを検証する。そして品質結果が所定条件を満たすまで、繰り返し設定予測値が変更される。これにより、本開示の一実施形態に係るシステム１００によれば高品質かつ高精度で製品を製造する設定値を決定することができる。 As described above, according to the system 100 according to an embodiment of the present disclosure, after determining the initial setting prediction value 10, the quality result is predicted based on the initial setting prediction value 10, and it is verified whether or not the quality result satisfies a predetermined condition. Then, the set prediction value is repeatedly changed until the quality result satisfies a predetermined condition. Accordingly, the system 100 according to an embodiment of the present disclosure can determine setting values for manufacturing products with high quality and high accuracy.

図４は、本開示の一実施形態に係る設定値決定方法を実行する設定値決定装置２００のハードウェア構成の一例である。図４に示されるように設定値決定装置２００は、制御部２０１と、記憶部２０２と、通信部２０３とを備える。制御部２０１は、初期設定予測モデル構築手段３、品質結果予測モデル構築手段４、補正量予測モデル構築手段５、予測実行手段９、１１、１２、要求変化量計算手段１５に係る処理を実行する。また記憶部２０２は、初期設定予測モデル６、品質結果予測モデル７、及び補正量予測モデル８を記憶する。また通信部２０３は、外部装置とのデータの送受信を行う。例えば通信部２０３は、実績データベース１、及び予測用入力データ２等のデータを外部装置から受信する。また通信部２０３は、設定値決定装置２００が決定した設定値に係るデータを生産設備に送信する。 FIG. 4 is an example of a hardware configuration of a setting value determination device 200 that executes a setting value determination method according to an embodiment of the present disclosure. As shown in FIG. 4 , setting value determination device 200 includes control section 201 , storage section 202 , and communication section 203 . The control unit 201 executes processing related to the initial setting prediction model construction means 3 , the quality result prediction model construction means 4 , the correction amount prediction model construction means 5 , the prediction execution means 9 , 11 and 12 , and the request change amount calculation means 15 . The storage unit 202 also stores an initial setting prediction model 6 , a quality result prediction model 7 , and a correction amount prediction model 8 . The communication unit 203 also transmits and receives data to and from an external device. For example, the communication unit 203 receives data such as the performance database 1 and the prediction input data 2 from an external device. The communication unit 203 also transmits data related to the setting values determined by the setting value determination device 200 to the production equipment.

制御部２０１には、少なくとも１つのプロセッサ、少なくとも１つの専用回路、又はこれらの組み合わせが含まれる。プロセッサは、ＣＰＵ（central processing unit）若しくはＧＰＵ（graphics processing unit）などの汎用プロセッサ、又は特定の処理に特化した専用プロセッサである。専用回路は、例えば、ＦＰＧＡ（field-programmable gate array）又はＡＳＩＣ（application specific integrated circuit）である。制御部２０１は、設定値決定装置２００の各部を制御しながら、設定値決定装置２００の動作に関わる処理を実行する。 Control unit 201 includes at least one processor, at least one dedicated circuit, or a combination thereof. The processor is a general-purpose processor such as a CPU (central processing unit) or GPU (graphics processing unit), or a dedicated processor specialized for specific processing. A dedicated circuit is, for example, an FPGA (field-programmable gate array) or an ASIC (application specific integrated circuit). The control unit 201 executes processing related to the operation of the setting value determination device 200 while controlling each unit of the setting value determination device 200 .

記憶部２０２には、少なくとも１つの半導体メモリ、少なくとも１つの磁気メモリ、少なくとも１つの光メモリ、又はこれらのうち少なくとも２種類の組み合わせが含まれる。半導体メモリは、例えば、ＲＡＭ（random access memory）又はＲＯＭ（read only memory）である。ＲＡＭは、例えば、ＳＲＡＭ（static random access memory）又はＤＲＡＭ（dynamic random access memory）である。ＲＯＭは、例えば、ＥＥＰＲＯＭ（electrically erasable programmable read only memory）である。記憶部２０２は、例えば、主記憶装置、補助記憶装置、又はキャッシュメモリとして機能する。記憶部２０２には、設定値決定装置２００の動作に用いられるデータと、設定値決定装置２００の動作によって得られたデータとが記憶される。 Storage unit 202 includes at least one semiconductor memory, at least one magnetic memory, at least one optical memory, or a combination of at least two of these. A semiconductor memory is, for example, a RAM (random access memory) or a ROM (read only memory). RAM is, for example, SRAM (static random access memory) or DRAM (dynamic random access memory). The ROM is, for example, EEPROM (electrically erasable programmable read only memory). The storage unit 202 functions as, for example, a main storage device, an auxiliary storage device, or a cache memory. The storage unit 202 stores data used for the operation of the setting value determination device 200 and data obtained by the operation of the setting value determination device 200 .

通信部２０３には、少なくとも１つの外部通信用インタフェースが含まれる。通信用インタフェースは、有線通信又は無線通信のいずれのインタフェースであってよい。有線通信の場合、通信用インタフェースは例えばＬＡＮ（Local Area Network）インタフェース、ＵＳＢ（Universal Serial Bus）である。無線通信の場合、通信用インタフェースは例えば、ＬＴＥ（Long Term Evolution）、４Ｇ（4th generation）、若しくは５Ｇ（5th generation）などの移動通信規格に対応したインタフェース、Bluetooth（登録商標）などの近距離無線通信に対応したインタフェースである。通信部２０３は設定値決定装置２００の動作に用いられるデータを受信し、また設定値決定装置２００の動作によって得られるデータを送信する。 The communication unit 203 includes at least one external communication interface. The communication interface may be either a wired communication interface or a wireless communication interface. In the case of wired communication, the communication interface is, for example, a LAN (Local Area Network) interface or a USB (Universal Serial Bus). In the case of wireless communication, the communication interface is, for example, an interface compatible with mobile communication standards such as LTE (Long Term Evolution), 4G (4th generation), or 5G (5th generation), or an interface compatible with short-range wireless communication such as Bluetooth (registered trademark). The communication unit 203 receives data used for the operation of the setting value determination device 200 and transmits data obtained by the operation of the setting value determination device 200 .

設定値決定装置２００の機能は、本実施形態に係るプログラムを、制御部２０１に相当するプロセッサで実行することにより実現される。すなわち、設定値決定装置２００の機能は、ソフトウェアにより実現される。プログラムは、設定値決定装置２００の動作をコンピュータに実行させることで、コンピュータを設定値決定装置２００として機能させる。すなわち、コンピュータは、プログラムに従って設定値決定装置２００の動作を実行することにより設定値決定装置２００として機能する。 The functions of the setting value determination device 200 are realized by executing the program according to this embodiment by a processor corresponding to the control unit 201 . That is, the functions of the setting value determination device 200 are realized by software. The program causes the computer to function as the setting value determination device 200 by causing the computer to execute the operation of the setting value determination device 200 . That is, the computer functions as the setting value determination device 200 by executing the operation of the setting value determination device 200 according to the program.

本実施形態においてプログラムは、コンピュータで読取り可能な記録媒体に記録しておくことができる。コンピュータで読取り可能な記録媒体は、非一時的なコンピュータ読取可能な媒体を含み、例えば、磁気記録装置、光ディスク、光磁気記録媒体、又は半導体メモリである。プログラムの流通は、例えば、プログラムを記録したＤＶＤ（digital versatile disc）又はＣＤ－ＲＯＭ（compact disc read only memory）などの可搬型記録媒体を販売、譲渡、又は貸与することによって行う。またプログラムの流通は、プログラムを外部サーバのストレージに格納しておき、外部サーバから他のコンピュータにプログラムを送信することにより行ってもよい。またプログラムはプログラムプロダクトとして提供されてもよい。 In this embodiment, the program can be recorded in a computer-readable recording medium. Computer-readable recording media include non-transitory computer-readable media, such as magnetic recording devices, optical discs, magneto-optical recording media, or semiconductor memories. The program is distributed by selling, assigning, or lending a portable recording medium such as a DVD (digital versatile disc) or a CD-ROM (compact disc read only memory) on which the program is recorded. Alternatively, the program may be distributed by storing the program in the storage of an external server and transmitting the program from the external server to another computer. A program may also be provided as a program product.

設定値決定装置２００の一部又は全ての機能が、制御部２０１に相当する専用回路により実現されてもよい。すなわち、設定値決定装置２００の一部又は全ての機能が、ハードウェアにより実現されてもよい。 A part or all of the functions of the setting value determination device 200 may be implemented by a dedicated circuit corresponding to the control section 201 . That is, part or all of the functions of the setting value determination device 200 may be realized by hardware.

本開示を諸図面及び実施例に基づき説明してきたが、当業者であれば本開示に基づき種々の変形及び修正を行うことが容易であることに注意されたい。したがって、これらの変形及び修正は本開示の範囲に含まれることに留意されたい。例えば、各構成又は各ステップ等に含まれる機能等は論理的に矛盾しないように再配置可能であり、複数の構成又はステップ等を１つに組み合わせたり、或いは分割したりすることが可能である。 Although the present disclosure has been described with reference to figures and examples, it should be noted that various variations and modifications will be readily apparent to those skilled in the art based on the present disclosure. Therefore, it should be noted that these variations and modifications are included within the scope of this disclosure. For example, functions included in each configuration or each step can be rearranged so as not to be logically inconsistent, and multiple configurations or steps can be combined into one or divided.

例えば上記実施形態では、初期設定予測値１０を初期設定予測モデル６により決定する例を示した。初期設定予測値１０を初期設定予測モデル６により決定することにより、好ましい初期設定予測値１０が求まりやすい。ただし本開示はこれに限られない。初期設定予測値１０は、生産設備の特性値や製品の特性値が一律であると仮定して得られた設置値、つまり固定値であってもよい。この場合、初期設定予測モデル６の生成処理、初期設定予測モデル６による予測処理を省き、システム１００の構成を簡素化することができる。 For example, in the above embodiment, an example in which the initial setting prediction value 10 is determined by the initial setting prediction model 6 is shown. Determining the initial setting prediction value 10 by using the initial setting prediction model 6 makes it easier to obtain the preferred initial setting prediction value 10 . However, the present disclosure is not limited to this. The initial setting predicted value 10 may be a set value obtained by assuming that the characteristic values of production equipment and the characteristic values of products are uniform, that is, fixed values. In this case, the generation processing of the default setting prediction model 6 and the prediction processing by the default setting prediction model 6 can be omitted, and the configuration of the system 100 can be simplified.

また例えば、上記実施形態では、本開示を圧延機の設定値計算に適用した例を主に説明したが本開示の適用範囲はこれに限定されることはない。本開示は各種生産設備の設定計算、特に物理現象が複雑であり、確固たる設定値計算モデル適用の難しい分野に対しても適用可能である。また上記実施形態では、小径シームレス管工場マンドレルミルの設定値予測について説明したが、例えば小径シームレス管工場ピアサーミルの設定値予測等にも適用が可能である。このように、本実施形態に基づいて当事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開示の範囲に含まれる。 Further, for example, in the above embodiment, an example in which the present disclosure is applied to the setting value calculation of a rolling mill has been mainly described, but the scope of application of the present disclosure is not limited to this. The present disclosure can also be applied to settings calculations for various production equipment, especially to fields where physical phenomena are complicated and it is difficult to apply a firm set value calculation model. In addition, in the above embodiment, setting value prediction for a small-diameter seamless pipe factory mandrel mill has been described, but the present invention can also be applied to, for example, setting value prediction for a small-diameter seamless pipe factory piercer mill. Thus, other embodiments, examples, operation techniques, etc. made by the parties based on the present embodiment are all included in the scope of the present disclosure.

１ 実績データベース
２ 予測用入力データ
３ 初期設定予測モデル構築手段
４ 品質結果予測モデル構築手段
５ 補正量予測モデル構築手段
６ 初期設定予測モデル
７ 品質結果予測モデル
８ 補正量予測モデル
９、１１、１２ 予測実行手段
１０ 初期設定予測値
１３ 品質結果予測値
１４ 設定フェーズ
１５ 要求変化量計算手段
１６ 品質結果要求変化量
１７ 補正量予測値
１８ 補正後設定予測値
１９ 設定フェーズ
２０ 生産開始フェーズ
１００ システム
２００ 設定値決定装置
２０１ 制御部
２０２ 記憶部
２０３ 通信部 1 performance database 2 prediction input data 3 initial setting prediction model construction means 4 quality result prediction model construction means 5 correction amount prediction model construction means 6 initial setting prediction model 7 quality result prediction model 8 correction amount prediction model 9, 11, 12 prediction execution means 10 initial setting prediction value 13 quality result prediction value 14 setting phase 15 request change amount calculation means 16 quality result request change amount 17 correction amount prediction value 18 correction Post-setting predicted value 19 setting phase 20 production start phase 100 system 200 setting value determination device 201 control unit 202 storage unit 203 communication unit

Claims (11)

生産設備における設定値を決定する設定値決定方法であって、
前記生産設備における設定値の実績値、操業条件の実績値、及び品質結果の実績値を含む第１教師データに基づき学習された品質結果予測モデルを用いて、設定予測値及び操業条件に係る予測用入力データから、品質結果の予測値を予測する品質結果予測ステップと、
前記予測値が所定条件を満たすまで、前記品質結果予測モデルに入力する前記設定予測値を変更しながら品質結果予測ステップを複数回繰り返し、前記所定条件を満たす品質結果の予測値に対応する設定予測値を、前記生産設備における設定値として決定する設定値決定ステップと、
を含み、
前記設定値決定ステップにおいて前記品質結果予測モデルに入力される前記設定予測値は必要補正量に基づき変更され、該必要補正量は、生産設備における設定値の実績値、設定値の補正量実績値、品質結果の実績値、及び品質結果の変化量実績値を含む第２教師データに基づき学習された補正量予測モデルを用いて、前記品質結果の要求変化量から求められる、設定値決定方法。 A setting value determination method for determining a setting value in a production facility,
a quality result prediction step of predicting a predicted value of a quality result from input data for prediction relating to predicted setting values and operating conditions using a quality result prediction model learned based on first teacher data including actual values of set values, actual values of operating conditions, and actual values of quality results in the production facility;
a set value determination step of repeating the quality result prediction step a plurality of times while changing the set predicted value input to the quality result prediction model until the predicted value satisfies a predetermined condition, and determining the set predicted value corresponding to the predicted value of the quality result that satisfies the predetermined condition as the set value in the production equipment;
including
The setting predicted value input to the quality result prediction model in the setting value determination step is changed based on the required correction amount, and the required correction amount is obtained from the required change amount of the quality result using a correction amount prediction model learned based on second teacher data including the actual setting value in the production equipment, the actual correction amount value of the setting value, the actual value of the quality result, and the actual value of the change amount of the quality result. 請求項１に記載の設定値決定方法であって、
前記生産設備における設定値の実績値、及び品質結果の実績値を含む第３教師データに基づき学習された初期設定予測モデルを用いて、操業条件に係る予測用入力データから、前記品質結果予測ステップにおいて前記品質結果予測モデルに入力する設定予測値の初期値を決定するステップを含む生産設備の設定値決定方法。 The setting value determination method according to claim 1,
A setting value determination method for a production facility, comprising the step of determining an initial value of a setting prediction value to be input to the quality result prediction model in the quality result prediction step from input data for prediction related to operating conditions using an initial setting prediction model learned based on third teacher data including actual values of the setting values of the production equipment and actual values of quality results. 請求項１又は２に記載の設定値決定方法であって、
前記第１教師データは、入出側組成、入出側物性、生産設備使用回数、工具使用回数、設定基準値、入出側寸法、及び入出側温度、のうち少なくとも１つを含む、設定値決定方法。 The setting value determination method according to claim 1 or 2,
The first teaching data includes at least one of entry/exit side composition, entry/exit side physical properties, number of times production equipment is used, number of tool uses, set reference value, entry/exit side dimensions, and entry/exit side temperature. 請求項１乃至３のいずれか一項に記載の設定値決定方法であって、
前記第２教師データは、入出側組成、入出側物性、生産設備使用回数、工具使用回数、設定基準値、入出側寸法、及び入出側温度、のうち少なくとも１つを含む、設定値決定方法。 The setting value determination method according to any one of claims 1 to 3,
The second teaching data includes at least one of entry/exit side composition, entry/exit side physical properties, number of times production equipment is used, number of tool uses, set reference value, entry/exit side dimensions, and entry/exit side temperature. 請求項２に記載の設定値決定方法であって、
前記第３教師データは、入出側組成、入出側物性、生産設備使用回数、工具使用回数、設定基準値、入出側寸法、及び入出側温度、のうち少なくとも１つを含む、設定値決定方法。 The setting value determination method according to claim 2,
The third teacher data includes at least one of entry/exit side composition, entry/exit side physical properties, number of times production equipment is used, number of tool uses, set reference value, entry/exit side dimensions, and entry/exit side temperature. 請求項１乃至５のいずれか一項に記載の設定値決定方法であって、
前記所定条件は、前記品質結果の予測値が目標範囲内であることを含む、設定値決定方法。 The setting value determination method according to any one of claims 1 to 5,
The predetermined condition includes that the predicted value of the quality result is within a target range. 請求項１乃至６のいずれか一項に記載の設定値決定方法であって、
前記設定値決定ステップにおいて前記品質結果予測モデルに変更して入力される設定予測値は、前記必要補正量を変更前の設定予測値に加算したものである、設定値決定方法。 The setting value determination method according to any one of claims 1 to 6,
The set value determination method, wherein the set value to be changed and input to the quality result prediction model in the set value determination step is obtained by adding the required correction amount to the set value to be changed. 請求項１乃至７のいずれか一項に記載の設定値決定方法であって、
前記設定値は、ミルセットアップ値である、設定値決定方法。 The setting value determination method according to any one of claims 1 to 7,
The setpoint determination method, wherein the setpoint is a mill setup value. 請求項１乃至７のいずれか一項に記載の設定値決定方法により決定した設定値に従って前記生産設備を制御して製品を製造する製品製造方法。 A product manufacturing method for manufacturing a product by controlling the production equipment according to the set value determined by the set value determining method according to any one of claims 1 to 7. 請求項８の設定値決定方法により決定したミルセットアップ値に従い圧延機を制御し圧延材を製造する、圧延材の製造方法。 A method of manufacturing a rolled material, comprising controlling a rolling mill according to the mill setup value determined by the set value determination method of claim 8 to manufacture the rolled material. 請求項１乃至７のいずれか一項に記載の設定値決定方法を実行する設定値決定装置。 A setting value determination device that executes the setting value determination method according to any one of claims 1 to 7.
JP2020119458A 2020-07-10 2020-07-10 Setting value determination method, product manufacturing method, rolling material manufacturing method, and setting value determination device Active JP7314872B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2020119458A JP7314872B2 (en) 2020-07-10 2020-07-10 Setting value determination method, product manufacturing method, rolling material manufacturing method, and setting value determination device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020119458A JP7314872B2 (en) 2020-07-10 2020-07-10 Setting value determination method, product manufacturing method, rolling material manufacturing method, and setting value determination device

Publications (2)

Publication Number Publication Date
JP2022016148A JP2022016148A (en) 2022-01-21
JP7314872B2 true JP7314872B2 (en) 2023-07-26

Family

ID=80121225

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020119458A Active JP7314872B2 (en) 2020-07-10 2020-07-10 Setting value determination method, product manufacturing method, rolling material manufacturing method, and setting value determination device

Country Status (1)

Country Link
JP (1) JP7314872B2 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7241149B1 (en) * 2021-10-27 2023-03-16 本田技研工業株式会社 Machining support system

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019087152A (en) 2017-11-09 2019-06-06 新日鐵住金株式会社 Manufacturing process state prediction device, method, and program, and manufacturing process control system

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2697545B2 (en) * 1993-01-29 1998-01-14 住友金属工業株式会社 Roll gap setting method for rolling mill

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019087152A (en) 2017-11-09 2019-06-06 新日鐵住金株式会社 Manufacturing process state prediction device, method, and program, and manufacturing process control system

Also Published As

Publication number Publication date
JP2022016148A (en) 2022-01-21

Similar Documents

Publication Publication Date Title
JP7314872B2 (en) Setting value determination method, product manufacturing method, rolling material manufacturing method, and setting value determination device
JP6922675B2 (en) Manufacturing process state predictors, methods and programs, and manufacturing process control systems
JP2009113101A (en) Method and apparatus for learning control of rolling load, and manufacturing method of steel sheet
US11803165B2 (en) Manufacturing support system for predicting property of alloy material, method for generating prediction model, and computer program
JP2021183354A (en) Method for predicting bend of shaped steel, method for manufacturing shaped steel, method for generating learned machine learning model and device for predicting curvature of shaped steel
CN114757660A (en) Cold-rolled steel strip preparation method and system based on application analysis
JP2020157327A (en) Control method for outlet side temperature of finished steel sheet, control device therefor and production method for steel sheet
JP7140073B2 (en) LEARNING MODEL GENERATION METHOD, DATABASE CONSTRUCTION METHOD, MILL SETUP SETTING METHOD, ROLLED MATERIAL MANUFACTURING METHOD, PROCESSING TARGET MANUFACTURING METHOD, AND LEARNING MODEL GENERATING DEVICE
TWI798047B (en) Method for predicting rolling force of steel plate and rolling system
JP7052579B2 (en) Plate crown arithmetic unit, plate crown arithmetic unit, computer program, and computer-readable storage medium
JP6652095B2 (en) Method of rolling steel sheet and method of manufacturing steel sheet
KR102516612B1 (en) Method for manufacturing metal workpieces
JP7211386B2 (en) Model learning method, running strip thickness changing method, steel plate manufacturing method, model learning device, running strip thickness changing device, and steel plate manufacturing device
JP2023077404A (en) Setting condition determination method, product manufacturing method, rolled steel manufacturing method, and setting condition determination device
JP2017196662A (en) Rolling control method, rolling control device and program
JP6070737B2 (en) Control device and control method for temper rolling equipment
JP7452443B2 (en) How to learn rolling model
JP6772918B2 (en) Rolling control method, rolling control device and program
JP2024016404A (en) Rolling setting support system, and rolling setting support method
KR100910491B1 (en) Method for decision of strip target shape using thickness profile
TWI646202B (en) Method and rolling system for dynamically adjusting iron loss
CN117718335B (en) Loop-thickness control method integrating ILQ theory and machine learning
Song et al. A Digital Twin Model for Automatic Width Control of Hot Rolling Mill
JP7388607B1 (en) Method, information processing device, and program for supporting evaluation of learning process of predictive model
JP2022178002A (en) Rolling load prediction method, rolling control method, and rolling load prediction device

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220222

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20221215

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221227

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230224

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: 20230613

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230626

R150 Certificate of patent or registration of utility model

Ref document number: 7314872

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150