JP7387552B2 - 鋼板温度予測装置および鋼板温度予測方法、ならびに、学習装置および学習方法 - Google Patents
鋼板温度予測装置および鋼板温度予測方法、ならびに、学習装置および学習方法 Download PDFInfo
- Publication number
- JP7387552B2 JP7387552B2 JP2020126763A JP2020126763A JP7387552B2 JP 7387552 B2 JP7387552 B2 JP 7387552B2 JP 2020126763 A JP2020126763 A JP 2020126763A JP 2020126763 A JP2020126763 A JP 2020126763A JP 7387552 B2 JP7387552 B2 JP 7387552B2
- Authority
- JP
- Japan
- Prior art keywords
- steel plate
- cooling
- temperature
- sections
- predicted 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
- 229910000831 Steel Inorganic materials 0.000 title claims description 381
- 239000010959 steel Substances 0.000 title claims description 381
- 238000000034 method Methods 0.000 title claims description 59
- 238000001816 cooling Methods 0.000 claims description 349
- 238000012549 training Methods 0.000 claims description 134
- 238000003860 storage Methods 0.000 claims description 32
- 238000013135 deep learning Methods 0.000 claims description 25
- 239000000498 cooling water Substances 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 50
- 238000012545 processing Methods 0.000 description 25
- 230000008569 process Effects 0.000 description 19
- 238000010801 machine learning Methods 0.000 description 18
- 238000012937 correction Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 238000009826 distribution Methods 0.000 description 11
- 238000005098 hot rolling Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 8
- 238000005096 rolling process Methods 0.000 description 8
- 238000013213 extrapolation Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 3
- 238000004804 winding Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229910052748 manganese Inorganic materials 0.000 description 1
- 239000011572 manganese Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
Images
Landscapes
- Control Of Metal Rolling (AREA)
- Control Of Heat Treatment Processes (AREA)
Description
図1は、実施形態における熱間圧延後の鋼板Wに対する冷却プロセスを示す模式図である。鋼板Wは、薄鋼板である。薄鋼板のサイズは、例えば、長さ100~1000m、幅600~1800mm、厚さ1~20mm)である。
(第2実施形態)
第1実施形態では、出側の温度または途中箇所の温度を予測する1個の温度予測モデルが用いられたが、第2実施形態では、概算の温度を予測する概算温度予測モデルと、温度の真値(実際には実測値または物理モデルの計算値)と前記概算温度予測モデルで予測した概算の温度との誤差(誤差温度、第2誤差)を予測する誤差温度予測モデルとの2個のモデルが用いられる。第1実施形態の温度予測モデルで予測した予測温度は、第2実施形態では、前記概算温度予測モデルで予測した概算の温度と、前記誤差温度予測モデルで予測した誤差温度との和が対応する。
11、11a 第1記憶部
12 第2記憶部
13、13a 学習フェーズ実行部
14、14a 予測フェーズ実行部
51 圧延機
52 冷却設備
53、53a、53b、53c 温度計
521 セクション
522 入側
523 出側
524 中間箇所
61 温度予測モデル
61A 概算温度予測モデル
61B 誤差温度予測モデル
611 第1入力ユニット
611A 第2入力ユニット
611B 第3入力ユニット
612 第1出力ユニット
612A 第2出力ユニット
612B 第3出力ユニット
100、100a 鋼板温度予測装置
W 鋼板
D 搬送方向
Claims (10)
- 熱間圧延後の鋼板を複数のセクションを順番に通過させて冷却する冷却設備の制御に用いられる鋼板温度予測装置であって、
複数の前記セクションのそれぞれでの前記鋼板の冷却パラメータを入力する第1入力ユニットを含む第1入力層と、第1中間層と、前記鋼板の温度の予測値を出力する第1出力ユニットを含む第1出力層と、を備える、第1訓練用データで学習したディープラーニングの温度予測モデルを記憶する第1記憶部と、
前記鋼板が未通過の前記セクションに対する前記冷却パラメータとして、予め定められた値を記憶する第2記憶部と、
前記温度予測モデルを用いて前記予測値を算出する予測フェーズ実行部と、を備え、
前記予測フェーズ実行部は、
前記冷却設備の出側における前記予測値を算出する場合、前記鋼板が複数の前記セクションを通過したときの前記冷却パラメータを前記第1入力ユニットに入力することにより、前記第1出力ユニットから前記予測値を出力させ、
前記冷却設備の入側から前記出側までの途中に位置する途中箇所における前記予測値を算出する場合、前記鋼板が前記入側から前記途中箇所までの前記セクションを通過したときの前記冷却パラメータを前記第1入力ユニットに入力し、かつ、前記途中箇所から前記出側までの前記セクションでの前記冷却パラメータとして、前記予め定められた値を前記第1入力ユニットに入力することにより、前記第1出力ユニットから前記予測値を出力させ、
前記第1訓練用データは、前記冷却設備の出側における前記予測値を学習する場合の、前記鋼板が複数の前記セクションを通過したときの前記冷却パラメータを有するデータと、前記冷却設備の入側から前記出側までの途中に位置する途中箇所における前記予測値を学習する場合の、前記鋼板が前記入側から前記途中箇所までの前記セクションを通過したときの前記冷却パラメータを有し、かつ、前記途中箇所から前記出側までの前記セクションでの前記冷却パラメータとして、前記鋼板が未通過の前記セクションに対する前記冷却パラメータとなる予め定められた値を有するデータとを備え、
前記冷却パラメータは、複数の前記セクションのそれぞれでの前記鋼板の搬送時間および前記鋼板に供給される冷却水の量であり、
前記予め定められた値は、ゼロである、
鋼板温度予測装置。 - 前記冷却パラメータが大きいとき、前記鋼板に対する冷却量が大きくなり、前記冷却パラメータが小さいとき、前記鋼板に対する冷却量が小さくなる、
請求項1に記載の鋼板温度予測装置。 - 前記第1訓練用データで学習したディープラーニングの温度予測モデルは、前記第1訓練用データが第2および第3訓練用データであって、前記第2訓練用データで学習したディープラーニングの概算温度予測モデルおよび前記第3訓練用データで学習したディープラーニングの誤差温度予測モデルであり、
前記ディープラーニングの概算温度予測モデルは、複数の前記セクションのそれぞれでの前記鋼板の冷却パラメータの合計値を入力する第2入力ユニットを含む第2入力層と、第2中間層と、前記冷却設備による前記鋼板の冷却効果を示す所定の指標値の予測値を出力する第2出力ユニットを含む第2出力層と、を備え、
前記ディープラーニングの誤差温度予測モデルは、複数の前記セクションのそれぞれでの前記鋼板の冷却パラメータを入力する第3入力ユニットを含む第3入力層と、第3中間層と、前記鋼板の誤差温度の予測値を出力する第3出力ユニットを含む第3出力層と、を備え、
前記誤差温度は、前記冷却設備で冷却されている前記鋼板の温度測定で得られた前記鋼板の温度、および、熱伝導方程式で計算された、前記冷却設備で冷却されている前記鋼板の温度の少なくとも一方を基にした前記指標値と、前記概算温度予測モデルで予測された前記指標値との差であり、
前記第2訓練用データは、前記冷却設備の出側における前記予測値を算出する場合の、複数の前記セクションのそれぞれでの前記鋼板の冷却パラメータの合計値を有するデータと、前記冷却設備の入側から前記出側までの途中に位置する途中箇所における前記予測値を算出する場合の、前記鋼板が前記入側から前記途中箇所までの前記セクションを通過したときの前記冷却パラメータの合計値を有するデータとを備え、
前記第3訓練用データは、前記冷却設備の出側における前記予測値を算出する場合の、前記鋼板が複数の前記セクションを通過したときの前記冷却パラメータを有するデータと、前記冷却設備の入側から前記出側までの途中に位置する途中箇所における前記予測値を算出する場合の、前記鋼板が前記入側から前記途中箇所までの前記セクションを通過したときの前記冷却パラメータを有し、かつ、前記途中箇所から前記出側までの前記セクションでの前記冷却パラメータとして、前記鋼板が未通過の前記セクションに対する前記冷却パラメータとなる予め定められた値を有するデータとを備え、
前記鋼板の冷却効果を示す所定の指標値は、前記冷却設備の出側における前記鋼板の温度、あるいは、前記冷却設備の入側に対する出側もしくは前記途中箇所における前記鋼板の温度降下量であり、
前記予測フェーズ実行部は、
前記冷却設備の出側における前記予測値を算出する場合、複数の前記セクションのそれぞれでの前記鋼板の冷却パラメータの合計値を前記第2入力ユニットに入力することにより、前記第2出力ユニットから前記指標値を出力させ、前記鋼板が複数の前記セクションを通過したときの前記冷却パラメータを前記第3入力ユニットに入力することにより、前記第3出力ユニットから前記誤差温度を出力させ、前記指標値と前記誤差温度との和を前記冷却設備の出側における前記予測値として算出し、
前記冷却設備の入側から前記出側までの途中に位置する途中箇所における前記予測値を算出する場合、前記鋼板が前記入側から前記途中箇所までの前記セクションを通過したときの前記冷却パラメータの合計値を前記第2入力ユニットに入力することにより、前記第2出力ユニットから前記指標値を出力させ、前記鋼板が前記入側から前記途中箇所までの前記セクションを通過したときの前記冷却パラメータを前記第3入力ユニットに入力し、かつ、前記途中箇所から前記出側までの前記セクションでの前記冷却パラメータとして、前記予め定められた値を前記第3入力ユニットに入力することにより、前記第3出力ユニットから前記誤差温度を出力させ、前記指標値と前記誤差温度との和を前記途中箇所における前記予測値として算出する、
請求項1または2に記載の鋼板温度予測装置。 - 前記第1記憶部は、前記複数のセクションを順番が連続する2以上のセクションから成る2以上のグループに予め分けた条件下で、前記2以上のグループのそれぞれに対応して構築された2以上の前記概算温度予測モデルおよび前記誤差温度予測モデルそれぞれを記憶し、
前記予測フェーズ実行部は、前記2以上のグループのそれぞれについて前記指標値および前記誤差温度それぞれを出力させ、前記2以上のグループのそれぞれについて出力させた各前記指標値と各前記誤差温度との各和を算出する、
請求項3に記載の鋼板温度予測装置。 - 前記第1記憶部は、前記鋼板の長手方向に沿って前記鋼板を2以上の区間に予め分けた条件下で、前記2以上の区間のそれぞれに対応して構築された2以上の前記概算温度予測モデルおよび前記誤差温度予測モデルそれぞれを記憶し、
前記予測フェーズ実行部は、前記2以上の区間のそれぞれについて前記指標値および前記誤差温度それぞれを出力させ、前記2以上の区間のそれぞれについて出力させた各前記指標値と各前記誤差温度との各和を算出する、
請求項3に記載の鋼板温度予測装置。 - 熱間圧延後の鋼板を複数のセクションを順番に通過させて冷却する冷却設備の制御に用いられる鋼板温度予測方法であって、
複数の前記セクションのそれぞれでの前記鋼板の冷却パラメータを入力する第1入力ユニットを含む第1入力層と、第1中間層と、前記鋼板の温度の予測値を出力する第1出力ユニットを含む第1出力層と、を備える、第1訓練用データで学習したディープラーニングの温度予測モデルを用いて、前記予測値を算出する予測フェーズ実行ステップを備え、
前記予測フェーズ実行ステップは、
前記冷却設備の出側における前記予測値を算出する場合、前記鋼板が複数の前記セクションを通過したときの前記冷却パラメータを前記第1入力ユニットに入力することにより、前記第1出力ユニットから前記予測値を出力させ、
前記冷却設備の入側から前記出側までの途中に位置する途中箇所における前記予測値を算出する場合、前記鋼板が前記入側から前記途中箇所までの前記セクションを通過したときの前記冷却パラメータを前記第1入力ユニットに入力し、かつ、前記途中箇所から前記出側までの前記セクションでの前記冷却パラメータとして、前記鋼板が未通過の前記セクションに対する前記冷却パラメータとなる予め定められた値を前記第1入力ユニットに入力することにより、前記第1出力ユニットから前記予測値を出力させ、
前記第1訓練用データは、前記冷却設備の出側における前記予測値を学習する場合の、前記鋼板が複数の前記セクションを通過したときの前記冷却パラメータを有するデータと、前記冷却設備の入側から前記出側までの途中に位置する途中箇所における前記予測値を学習する場合の、前記鋼板が前記入側から前記途中箇所までの前記セクションを通過したときの前記冷却パラメータを有し、かつ、前記途中箇所から前記出側までの前記セクションでの前記冷却パラメータとして、前記鋼板が未通過の前記セクションに対する前記冷却パラメータとなる予め定められた値を有するデータとを備え、
前記冷却パラメータは、複数の前記セクションのそれぞれでの前記鋼板の搬送時間および前記鋼板に供給される冷却水の量であり、
前記予め定められた値は、ゼロである、
鋼板温度予測方法。 - 熱間圧延後の鋼板を複数のセクションを順番に通過させて冷却する冷却設備の制御に用いられる鋼板温度予測装置に備えられる、ディープラーニングの温度予測モデルに学習させる学習装置であって、
複数の前記セクションのそれぞれでの前記鋼板の冷却パラメータを入力する第1入力ユニットを含む第1入力層と、第1中間層と、前記鋼板の温度の予測値を出力する第1出力ユニットを含む第1出力層と、を備える前記温度予測モデルに、第1訓練用データを学習させる学習フェーズ実行部を備え、
前記学習フェーズ実行部は、
前記冷却設備の出側における前記予測値を学習する場合、前記鋼板が複数の前記セクションを通過したときの前記冷却パラメータを有する前記第1訓練用データを、前記温度予測モデルに学習させ、
前記冷却設備の入側から前記出側までの途中に位置する途中箇所における前記予測値を学習する場合、前記鋼板が前記入側から前記途中箇所までの前記セクションを通過したときの前記冷却パラメータを有し、かつ、前記途中箇所から前記出側までの前記セクションでの前記冷却パラメータとして、前記鋼板が未通過の前記セクションに対する前記冷却パラメータとなる予め定められた値を有する前記第1訓練用データを、前記温度予測モデルに学習させ、
前記冷却パラメータは、複数の前記セクションのそれぞれでの前記鋼板の搬送時間および前記鋼板に供給される冷却水の量であり、
前記予め定められた値は、ゼロである、
学習装置。 - 前記第1訓練用データに付けられる正解ラベルが示す前記途中箇所の前記予測値は、熱伝導方程式により構成される物理モデルを基にして算出される、
請求項7に記載の学習装置。 - 前記温度予測モデルは、複数の前記セクションのそれぞれでの前記鋼板の冷却パラメータの合計値を入力する第2入力ユニットを含む第2入力層と、第2中間層と、前記冷却設備による前記鋼板の冷却効果を示す所定の指標値の予測値を出力する第2出力ユニットを含む第2出力層と、を備える、ディープラーニングの概算温度予測モデル、および、複数の前記セクションのそれぞれでの前記鋼板の冷却パラメータを入力する第3入力ユニットを含む第3入力層と、第3中間層と、前記鋼板の誤差温度の予測値を出力する第3出力ユニットを含む第3出力層と、を備える、ディープラーニングの誤差温度予測モデルを備え、
前記学習フェーズ実行部は、
前記冷却設備の出側における前記予測値を算出する場合、複数の前記セクションのそれぞれでの前記鋼板の冷却パラメータの合計値を有する第A訓練用データを、前記概算温度予測モデルに学習させ、前記鋼板が複数の前記セクションを通過したときの前記冷却パラメータを有する第B訓練用データを、前記誤差温度予測モデルに学習させ、
前記冷却設備の入側から前記出側までの途中に位置する途中箇所における前記予測値を算出する場合、前記鋼板が前記入側から前記途中箇所までの前記セクションを通過したときの前記冷却パラメータの合計値を有する第C訓練用データを、前記概算温度予測モデルに学習させ、前記鋼板が前記入側から前記途中箇所までの前記セクションを通過したときの前記冷却パラメータを有し、かつ、前記途中箇所から前記出側までの前記セクションでの前記冷却パラメータとして、前記鋼板が未通過の前記セクションに対する前記冷却パラメータとなる予め定められた値を有する第D訓練用データを、前記誤差温度予測モデルに学習させ、
前記鋼板の冷却効果を示す所定の指標値は、前記冷却設備の出側における前記鋼板の温度、あるいは、前記冷却設備の入側に対する出側もしくは前記途中箇所における前記鋼板の温度降下量である、
請求項7に記載の学習装置。 - 熱間圧延後の鋼板を複数のセクションを順番に通過させて冷却する冷却設備の制御に用いられる鋼板温度予測装置に備えられる、ディープラーニングの温度予測モデルに学習させる学習方法であって、
複数の前記セクションのそれぞれでの前記鋼板の冷却パラメータを入力する第1入力ユニットを含む第1入力層と、第1中間層と、前記鋼板の温度の予測値を出力する第1出力ユニットを含む第1出力層と、を備える前記温度予測モデルに、第1訓練用データを学習させる学習フェーズ実行ステップを備え、
前記学習フェーズ実行ステップは、
前記冷却設備の出側における前記予測値を学習する場合、前記鋼板が複数の前記セクションを通過したときの前記冷却パラメータを有する前記第1訓練用データを、前記温度予測モデルに学習させ、
前記冷却設備の入側から前記出側までの途中に位置する途中箇所における前記予測値を学習する場合、前記鋼板が前記入側から前記途中箇所までの前記セクションを通過したときの前記冷却パラメータを有し、かつ、前記途中箇所から前記出側までの前記セクションでの前記冷却パラメータとして、前記鋼板が未通過の前記セクションに対する前記冷却パラメータとなる予め定められた値を有する前記第1訓練用データを、前記温度予測モデルに学習させ、
前記冷却パラメータは、複数の前記セクションのそれぞれでの前記鋼板の搬送時間および前記鋼板に供給される冷却水の量であり、
前記予め定められた値は、ゼロである、
学習方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019150362 | 2019-08-20 | ||
JP2019150362 | 2019-08-20 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021035693A JP2021035693A (ja) | 2021-03-04 |
JP7387552B2 true JP7387552B2 (ja) | 2023-11-28 |
Family
ID=74716479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020126763A Active JP7387552B2 (ja) | 2019-08-20 | 2020-07-27 | 鋼板温度予測装置および鋼板温度予測方法、ならびに、学習装置および学習方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7387552B2 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113849020B (zh) * | 2021-09-22 | 2022-04-19 | 北京科技大学 | 一种基于人工智能算法的钢坯升温曲线设计方法及装置 |
CN114323672B (zh) * | 2021-11-19 | 2023-08-11 | 中国电器科学研究院股份有限公司 | 一种基于深度学习的汽车耐候性零部件温度预测方法 |
KR102610145B1 (ko) * | 2021-11-26 | 2023-12-06 | 현대제철 주식회사 | 온도 예측을 통한 연주 슬라브 등급 판정방법 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007044715A (ja) | 2005-08-08 | 2007-02-22 | Kobe Steel Ltd | 冷却制御モデルの学習方法及び圧延材の冷却方法。 |
JP2018010521A (ja) | 2016-07-14 | 2018-01-18 | 新日鐵住金株式会社 | 製品の状態予測装置、製品の状態制御装置、製品の状態予測方法及びプログラム |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102045652B1 (ko) * | 2017-12-26 | 2019-11-15 | 주식회사 포스코 | 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치 |
-
2020
- 2020-07-27 JP JP2020126763A patent/JP7387552B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007044715A (ja) | 2005-08-08 | 2007-02-22 | Kobe Steel Ltd | 冷却制御モデルの学習方法及び圧延材の冷却方法。 |
JP2018010521A (ja) | 2016-07-14 | 2018-01-18 | 新日鐵住金株式会社 | 製品の状態予測装置、製品の状態制御装置、製品の状態予測方法及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2021035693A (ja) | 2021-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7387552B2 (ja) | 鋼板温度予測装置および鋼板温度予測方法、ならびに、学習装置および学習方法 | |
JP6292309B2 (ja) | 圧延シミュレーション装置 | |
JP4744226B2 (ja) | 冷却制御モデルの学習方法及び圧延材の冷却方法。 | |
JP5012660B2 (ja) | 製品品質予測および制御方法 | |
KR101832653B1 (ko) | 압연 프로세스의 학습 제어 장치 | |
US20200393800A1 (en) | Future State Estimation Device and Future State Estimation Method | |
JP2012081518A (ja) | 厚鋼板の冷却制御方法、冷却制御装置及び厚鋼板の製造方法 | |
JP2019087152A (ja) | 製造プロセスの状態予測装置、方法及びプログラム、並びに製造プロセスの制御システム | |
JP2008112288A (ja) | 予測式作成装置、結果予測装置、品質設計装置、予測式作成方法及び製品の製造方法 | |
JP2017120640A (ja) | 電磁鋼板の磁気特性予測装置及び磁気特性制御装置 | |
WO2018131214A1 (ja) | 予測装置及び予測方法 | |
JP7135962B2 (ja) | 鋼板の仕上出側温度制御方法、鋼板の仕上出側温度制御装置、及び鋼板の製造方法 | |
JP5962290B2 (ja) | 鋼材の熱伝達係数予測装置及び冷却制御方法 | |
JP2018010521A (ja) | 製品の状態予測装置、製品の状態制御装置、製品の状態予測方法及びプログラム | |
JP2007245204A (ja) | 圧延荷重モデルの学習方法及びその装置 | |
JP2009072807A (ja) | 圧延材の平面形状制御方法および平面形状制御装置ならびに厚鋼板の製造方法 | |
JP7040506B2 (ja) | 工場内ライン負荷予測モデル作成方法、工場内ライン負荷予測モデル、工場内ライン生産計画作成方法、工場内ライン負荷予測モデル作成プログラム、工場内ライン負荷予測モデル作成装置、及び工場内ライン生産計画作成装置 | |
JP6874909B1 (ja) | タンデム圧延機の板厚スケジュール計算方法および圧延プラント | |
JP2011220708A (ja) | 鋼材の材質予測装置 | |
JPH10254504A (ja) | 自律的制御方法および制御システム | |
JP5007630B2 (ja) | 製品品質の制御方法及び制御装置 | |
JP2007050413A (ja) | 板幅制御方法および装置 | |
JP6665475B2 (ja) | 炉温設定方法及び炉温設定装置 | |
JP2006281258A (ja) | 非線形の水冷熱伝達係数モデルの自動調整装置 | |
JP6485196B2 (ja) | 厚鋼板の冷却制御方法、冷却制御装置、製造方法、および、製造装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221101 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230804 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230822 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231018 |
|
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: 20231114 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231115 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7387552 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |