JP7494867B2

JP7494867B2 - 熱延板の温度予測モデルおよび熱延板の変態エンタルピ予測モデルの生成方法、熱延板の巻取温度予測方法、温度制御方法、製造方法

Info

Publication number: JP7494867B2
Application number: JP2022042395A
Authority: JP
Inventors: 広和杉原; 雄太田村
Original assignee: JFE Steel Corp
Current assignee: JFE Steel Corp
Priority date: 2021-06-30
Filing date: 2022-03-17
Publication date: 2024-06-04
Anticipated expiration: 2042-03-17
Also published as: JP2023007380A

Description

本発明は、熱間圧延ラインのランアウトテーブルにおいて、熱延板の巻取温度を予測し、かつ制御する熱延板の温度予測モデルの生成方法、熱延板の変態エンタルピ予測モデルの生成方法、熱延板の巻取温度予測方法、熱延板の温度制御方法および熱延板の製造方法に関する。

熱延鋼板（熱延板）の製造工程では、例えば図１に示すように、スラブを加熱炉１によって所定温度まで加熱し、加熱したスラブを粗圧延機２で圧延することにより粗バーを製造する。次いで、この粗バーを、複数基の圧延スタンドからなる仕上げ圧延機（連続熱間仕上げ圧延機）３によって所定の厚みまで圧延することにより、熱延鋼板（以下、単に「鋼板」という）Ｓを製造する。

そして、ランアウトテーブル４に設置された冷却装置５によって、鋼板Ｓの上面および下面に冷媒を噴射して冷却した後、鋼板Ｓを巻取機６によって巻き取る。この巻取機６で巻き取る前の鋼板Ｓの温度（板温）は、「巻取温度」と呼ばれる。この巻取温度は、鋼板Ｓの材料特性に大きな影響を与えるため、品質管理の重要な指標となる。

巻取温度は、ランアウトテーブル４上における鋼板Ｓの搬送速度に応じて、冷却装置５における冷媒の噴射流量（以下、単に「流量」という）により制御されるが、鋼板Ｓの表面温度変化に伴う冷却能力の変化、鋼板Ｓの変態に伴う熱量変化等により、特定の材料においては巻取温度の制御が非常に困難となる。

一般的には、鋼板Ｓの冷却条件に応じて巻取温度が的中するように、冷却能力を何らかの関数によって与えたり、あるいは補正係数を与えて巻取温度の制御を実施したりする。例えば、特許文献１では、冷媒の水温、鋼板の温度および冷媒の水量密度を関数とした冷却能力の式を作成し、更に補正係数を乗じることにより、巻取温度の制御を行う技術が開示されている。

特開２０１５－１６７９７６号公報

しかしながら、特許文献１の方法では、実際の運用上において、巻取温度の精度が補正係数に依存するため、補正係数の決め方が重要となる。また、特許文献１の方法では、冷却能力を何らかの関数によって与えるが、その関数が正しくない場合や、鋼板の変態に伴う熱量変化の影響等により、巻取温度の精度が却って低下する場合がある。

特に、高炭素鋼や、含有合金成分の多いハイテン鋼については、鋼板の変態温度が一般的な低炭素鋼に対して低い。そのため、巻取温度を的中させるための補正係数が、一般的な低炭素鋼に対して大きく異なる。また、一般的に、ランアウトテーブル上では、鋼板の搬送速度が圧延方向の位置によって変化するため、同一の圧延材であっても、ランアウトテーブル上での鋼板の冷却時間が変化する。従って、同一の圧延材内でも、巻取温度を的中させるための補正係数が変化する場合があるため、巻取温度の精度の低下を招きやすい。また、Ｓｉ等の鋼板の含有成分の影響や、仕上げ圧延前のデスケーラ噴射条件により、鋼板表面のスケール状態が変化し、それにより冷却能力が変化する場合もある。

本発明は、上記に鑑みてなされたものであって、熱間圧延ラインにおいて、冷却中の熱延板の温度（巻取温度）を高精度に予測し、かつ制御することができる熱延板の温度予測モデルの生成方法、熱延板の変態エンタルピ予測モデルの生成方法、熱延板の巻取温度予測方法、熱延板の温度制御方法および熱延板の製造方法を提供することを目的とする。

上述した課題を解決し、目的を達成するために、本発明に係る熱延板の温度予測モデルの生成方法は、熱間圧延ラインで、仕上げ圧延後の熱延板がランアウトテーブルで冷却され、巻き取られる工程において、板の含有成分、仕上げ圧延機および前記ランアウトテーブルの操業パラメータ、前記仕上げ圧延機の出側から前記ランアウトテーブル上で測定された前記熱延板の温度の実績データを入力データとし、前記熱延板の巻取温度の実績データを出力データとした、複数の教師データを用いて、前記熱延板の巻取温度を予測する温度予測モデルを生成する。

また、本発明に係る熱延板の温度予測モデルの生成方法は、上記発明において、前記仕上げ圧延機および前記ランアウトテーブルの操業パラメータとして、仕上げ圧延後の板厚、前記ランアウトテーブルの搬送速度、前記ランアウトテーブルの冷媒の流量、仕上げ圧延前のデスケーリング噴射実績データを含み、前記熱延板の温度の実績データとして、仕上げ圧延後の前記熱延板の温度を含む。

また、本発明に係る熱延板の温度予測モデルの生成方法は、上記発明において、ニューラルネットワーク、決定木学習、ランダムフォレストおよびサポートベクター回帰から選択した一以上の機械学習モデルによって前記温度予測モデルを生成する。

上述した課題を解決し、目的を達成するために、本発明に係る熱延板の変態エンタルピ予測モデルの生成方法は、熱間圧延ラインで、仕上げ圧延後の熱延板がランアウトテーブルで冷却され、巻き取られる工程において、板の含有成分、仕上げ圧延機および前記ランアウトテーブルの操業パラメータ、前記仕上げ圧延機の出側から前記ランアウトテーブル上で測定された前記熱延板の温度の実績データを入力データとし、前記熱延板の温度の実績データに基づいて算出された前記熱延板の変態エンタルピを出力データとした、複数の教師データを用いて、前記熱延板の変態エンタルピを予測する変態エンタルピ予測モデルを生成する。

また、本発明に係る熱延板の変態エンタルピ予測モデルの生成方法は、上記発明において、前記仕上げ圧延機および前記ランアウトテーブルの操業パラメータとして、仕上げ圧延後の板厚、前記ランアウトテーブルの搬送速度、前記ランアウトテーブルの冷媒の流量、仕上げ圧延前のデスケーリング噴射実績データを含み、前記熱延板の温度の実績データとして、仕上げ圧延後の前記熱延板の温度および前記熱延板の巻取温度を含む。

また、本発明に係る熱延板の変態エンタルピ予測モデルの生成方法は、上記発明において、ニューラルネットワーク、決定木学習、ランダムフォレストおよびサポートベクター回帰から選択した一以上の機械学習モデルによって前記変態エンタルピ予測モデルを生成する。

上述した課題を解決し、目的を達成するために、本発明に係る熱延板の巻取温度予測方法は、上記の熱延板の変態エンタルピ予測モデルの生成方法によって生成された変態エンタルピ予測モデルを用いて、前記熱延板の変態エンタルピを予測し、予測した前記熱延板の変態エンタルピに基づいて、前記熱延板の巻取温度を算出する。

上述した課題を解決し、目的を達成するために、本発明に係る熱延板の温度制御方法は、上記の熱延板の温度予測モデルの生成方法によって生成された温度予測モデルを用いて、前記熱延板の巻取温度を予測し、予測した前記熱延板の巻取温度に基づいて、ランアウトテーブルの操業パラメータを再設定する。

上述した課題を解決し、目的を達成するために、本発明に係る熱延板の温度制御方法は、上記の熱延板の変態エンタルピ予測モデルの生成方法によって生成された変態エンタルピ予測モデルを用いて、前記熱延板の変態エンタルピを予測し、予測した前記熱延板の変態エンタルピから算出した前記熱延板の巻取温度に基づいて、ランアウトテーブルの操業パラメータを再設定する。

上述した課題を解決し、目的を達成するために、本発明に係る熱延板の製造方法は、上記の熱延板の温度制御方法によって、ランアウトテーブルの操業パラメータを再設定し、再設定した操業パラメータに基づいてランアウトテーブル上で冷却することにより、熱延板を製造する。

本発明に係る熱延板の温度予測モデルの生成方法、熱延板の変態エンタルピ予測モデルの生成方法、熱延板の巻取温度予測方法、熱延板の温度制御方法および熱延板の製造方法によれば、熱間圧延ラインにおいて、冷却中の熱延板の温度（巻取温度）を高精度に予測し、かつ制御することができるとともに、巻取温度が精度よく制御された熱延板を製造することができる。

図１は、本発明の実施形態に係る熱延板の温度予測モデルの生成方法、熱延板の変態エンタルピ予測モデルの生成方法、熱延板の巻取温度予測方法および熱延板の温度制御方法が適用される熱間圧延ラインの設備構成の一例を示す図である。図２は、図１のランアウトテーブルの構成の一例を示す図である。図３は、鋼板の変態エンタルピの温度変化を説明するためのグラフである。図４は、鋼板の温度に対する比熱の変化の一例を示す図である。図５は、オーステナイト系ステンレス鋼板の測定温度とエンタルピとの関係の一例を示す図である。図６は、低炭素鋼の測定温度とエンタルピとの関係の一例を示す図である。図７は、本発明の実施形態に係る熱延板の温度制御装置の構成の一例を示す図である。

本発明の実施形態に係る熱延板の温度予測モデルの生成方法、熱延板の変態エンタルピ予測モデルの生成方法、熱延板の巻取温度予測方法、熱延板の温度制御方法および熱延板の製造方法について、図面を参照しながら説明する。なお、下記実施形態における構成要素には、当業者が置換可能かつ容易なもの、あるいは実質的に同一のものが含まれる。

〔熱間圧延ライン〕
本発明の実施形態に係る熱延板の温度予測モデルの生成方法、熱延板の変態エンタルピ予測モデルの生成方法、熱延板の巻取温度予測方法、熱延板の温度制御方法および熱延板の製造方法が適用される熱間圧延ラインの設備構成について、図１および図２を参照しながら説明する。熱間圧延ラインは、加熱炉１と、粗圧延機２と、仕上げ圧延機３と、ランアウトテーブル４と、巻取機６と、を備えている。

加熱炉１は、スラブを所定の温度まで加熱する。粗圧延機２は、複数基の圧延スタンドからなり、加熱されたスラブを粗圧延して粗バーを製造する。仕上げ圧延機３は、複数基の圧延スタンドからなり、粗バーを所定の厚みまで圧延して鋼板Ｓを製造する。

ランアウトテーブル４には、冷却装置５が設置されており、当該冷却装置５により、熱間圧延ラインで圧延される鋼板Ｓを冷却する。巻取機６は、ランアウトテーブル４で冷却された鋼板Ｓを巻き取る。なお、熱間圧延ラインは、必要に応じて、幅調整の幅圧下設備、溶接機、スケールを除去するデスケーラ等の多数の付帯設備を有している。そして、このような熱間圧延ラインを所望の条件で通板させることにより、スラブは所望の厚さ、組織を持つ熱延コイルとなる。

仕上げ圧延機３の前には、デスケーラ１４が設置されていてもよい。このデスケーラ１４は、１０ＭＰａ以上の高圧水（冷媒）を噴射することにより、鋼板Ｓ表面のスケールを除去するための設備であり、鋼板Ｓの上面および下面のそれぞれに対向するように設けられた噴射ノズルを備えている。また、デスケーラ１４は、例えば噴射圧力２０ＭＰａ、３０ＭＰａ、５０ＭＰａで噴射可能な装置が長手方向に複数配置された構成であってもよく、材料に応じて適用される装置を使い分けてもよい。スケールの種類や厚みによって水冷時の冷却能力が変化して、鋼板の変態状況にも影響するため、鋼板Ｓの含有成分やデスケーラ噴射条件は、巻取温度の予測にとって重要である。

ランアウトテーブル４は、図２に示すように、複数（同図では９個）の冷却ゾーンに区分されており、各冷却ゾーンにおいて、冷媒の噴射の有無、冷媒の流量の制御を個別に行うことが可能である。また、冷媒としては、例えば水を使用することができ、鋼板Ｓの上側および下側にそれぞれ設置された冷却装置５から、加圧された冷媒が噴射されることにより、鋼板Ｓの上面および下面が冷却される。

上側の冷却装置５としては、例えばパイプラミナー冷却装置と呼ばれる、ノズルが単純なパイプのものを用いることができる。また、下側の冷却装置５としては、例えばスプレー冷却装置と呼ばれる、扇形の噴射パターンのスプレーノズルのものを用いることができる。また、上側および下側の冷却装置５では、鋼板Ｓの幅方向に均等な冷却能力を持つように、いずれも複数個のノズルが設置されている。そして、このようなノズルが鋼板Ｓの長手方向に複数列設置されることにより、各冷却ゾーンが構成され、この冷却ゾーン単位で冷媒の流量の制御が実施される。

ランアウトテーブル４には、冷却ゾーンごとに、鋼板Ｓの表面温度を測定するための複数の温度計が設置されている。すなわち、仕上げ圧延機３の出側には、仕上げ圧延機出側温度計７が設置されている。また、ランアウトテーブル４の機長の約１／３の位置には、第一の中間温度計８が設置されている。また、ランアウトテーブル４の機長の約２／３の位置には、第二の中間温度計９が設置されている。また、ランアウトテーブル４の最後端の位置には、巻取温度計１０が設置されている。これらの温度計によって測定された温度測定情報は、後記するデータベース１３に入力される。

各温度計は、鋼板Ｓの幅方向の特定箇所をスポット測定し、代表温度とする方式のものを用いることができる。但し、鋼板Ｓの幅方向の温度分布を測定可能な走査型の温度計を用いてもよく、鋼板Ｓの幅方向に複数の温度計を設置して温度を測定してもよく、二次元熱画像データを取得して温度を解析してもよく、鋼板Ｓの幅方向の特定位置の温度または温度平均値を測定し、そこから代表温度を求めてもよい。

なお、これらの温度計とともに、例えば参考文献（特公昭５６－２４０１７号公報）で提案されているような変態率計測装置を設置し、変態率に関わるデータ取得を実施してもよい。更に、入力データとして用いる温度は、板表面温度ででも、板厚中央部の計算温度でも構わないが、取得データおよび予測データは誤差を無くすために、いずれかに揃える必要がある。

〔温度予測モデルの生成方法〕
本発明の実施形態に係る熱延板の温度予測モデルの生成方法について説明する。温度予測モデルの生成方法では、熱間圧延ラインで、仕上げ圧延後の鋼板Ｓがランアウトテーブル４で冷却された後、巻取機６で巻き取られる工程において、鋼板Ｓの巻取温度を予測する温度予測モデルを生成する。

本実施形態に係る熱延板の温度予測モデルの生成方法では、具体的には、鋼板Ｓの含有成分、仕上げ圧延機３およびランアウトテーブル４の操業パラメータ、仕上げ圧延機３の出側からランアウトテーブル４上で測定された鋼板Ｓの温度の実績データを入力データとし、鋼板Ｓの巻取温度の実績データを出力データとした、複数の教師データを用いて、鋼板Ｓの巻取温度を予測する温度予測モデルを生成する。

仕上げ圧延機３およびランアウトテーブル４の操業パラメータとしては、例えば仕上げ圧延後の鋼板Ｓの板厚、ランアウトテーブル４における鋼板Ｓの搬送速度、ランアウトテーブル４に設置された冷却装置５における冷媒の流量、ランアウトテーブル４で測定された鋼板Ｓの温度等が挙げられる。また、鋼板Ｓの温度の実績データとしては、仕上げ圧延後の鋼板Ｓの温度等が挙げられる。以下、温度予測モデルを生成する際の入力データおよび出力データの詳細について説明する。

＜入力データ＞
（１）鋼板の含有成分
鋼板Ｓの含有成分のデータは、鋼板Ｓの変態を予測する上で不可欠な情報である。すなわち、鋼板Ｓの含有成分は、鋼板Ｓの変態温度や変態前後の相分率を決定付ける情報である。
（２）操業パラメータ
入力データとしては、ランアウトテーブル４に設置された冷却装置５の操業パラメータを用いることが望ましいが、後記する冷却条件演算部１２１で決定された操業パラメータの設定値を用いてもよい。具体的に必要な情報としては、仕上げ圧延後つまりランアウトテーブル４上での鋼板Ｓの板厚、鋼板Ｓの搬送速度、冷却装置５における冷媒の流量、鋼板Ｓの複数の温度の測定値である。

また、仕上げ圧延前のデスケーリング噴射実績データを、操業パラメータとして採用することも望ましい。スケールの種類や厚みによって水冷時の冷却能力が変化するため、巻取温度を精度よく予測するためには、スケールの種類や厚みを予測することができるパラメータを入力データとして用いることが望ましい。具体的には、鋼板Ｓの含有成分や操業パラメータに加えて、デスケーリング噴射実績データを用いる必要がある。

ここで、デスケーリング噴射実績データとは、仕上げ圧延機３の前に設置されているデスケーラ１４のデスケーリング噴射実績（水量、噴射圧力、噴射角度等）に関する情報やデスケーラ１４を通過する際の搬送速度、デスケーリング噴射前の鋼板表面温度等のことである。この中でも、特に噴射圧力はスケール除去に大きく影響するため、重要なパラメータである。なお、デスケーリング噴射前の鋼板表面温度は、仕上げ圧延機３のデスケーラ１４前に設置されている放射温度計で測定された温度データである。

鋼板Ｓの温度の測定値としては、例えば図２に示した、仕上げ圧延機出側温度計７、第一の中間温度計８、第二の中間温度計９のいずれかの測定値を用いることが望ましい。これらの温度の測定値は、鋼板Ｓの変態挙動がどの冷却位置で生じたのかを把握するためのものであるため、仕上げ圧延機３から巻取機６までの間を可能な限り細分化して、鋼板Ｓの温度を取得することが望ましい。鋼板Ｓの温度は、実用的には、冷媒の影響による測定誤差の小さい、冷却ゾーンの間で取得することが望ましい。具体的には、仕上げ圧延機３から巻取機６までの間で、３０ｍ程度あるいはそれ以下の距離に細分化して温度を取得することが好ましい。

また、鋼板Ｓの温度は、コイル先端が巻取機６に到達した時点で測定することが好ましい。これは、鋼板Ｓに張力が掛かっていない状態では、鋼板Ｓの形状が乱れやすく、温度測定の精度が低下しやすいこと、またフィードフォワード制御のみで温度予測の必要がある先端の予測精度を重視したためである。

更に、入力データには、その他にもデータベース１３に保存される各種情報を含めることができる。巻取温度に直接的または間接的に影響を与え得る操業実績データを用いることで、巻取温度の予測精度が高まる場合もあるためである。各種情報としては、例えば鋼板Ｓの板幅、外気温等の環境温度、加熱条件等の熱間圧延情報等が挙げられる。

＜出力データ＞
（１）巻取温度
出力データとしては、鋼板Ｓの巻取温度の実績データを用いる。鋼板Ｓの巻取温度の実績データは、例えば図２に示した、巻取温度計１０の測定値である。

温度予測モデルの生成方法では、これらの入力データおよび出力データを用いて、鋼板Ｓの巻取温度を予測する温度予測モデルを生成する。温度予測モデルの生成方法では、入力データとして鋼板Ｓの含有成分、仕上げ圧延機３の出側における鋼板Ｓの温度、冷却装置５における冷媒の流量を用いることにより、鋼板Ｓの変態挙動を考慮した巻取温度を予測する温度予測モデルを生成することができる。

なお、温度予測モデルを生成する際の入力データは、実績値だけではなく、圧延実績情報から算出した設定値および計算値を用いてもよい。また、鋼板Ｓの搬送状況や、鋼板Ｓの含有成分、要求特性に応じて、適宜入力データとして用いる鋼板Ｓの温度の取得位置や数を変更してもよい。更に、巻取温度に限らず、ランアウトテーブル４上の任意の位置における鋼板Ｓの温度を予測する温度予測モデルを生成することも可能である。これにより、ランアウトテーブル４上での鋼板Ｓの変態による温度変化量を把握することができるため、冷却ゾーンごとに必要な冷却条件を再設定することが可能となる。

〔変態エンタルピ予測モデルの生成方法〕
本発明の実施形態に係る熱延板の変態エンタルピ予測モデルの生成方法について説明する。変態エンタルピ予測モデルでは、熱間圧延ラインで、仕上げ圧延後の鋼板Ｓがランアウトテーブル４で冷却された後、巻取機６で巻き取られる工程において、ランアウトテーブル４上での鋼板Ｓの変態エンタルピを予測する変態エンタルピ予測モデルを生成する。

本実施形態に係る熱延板の変態エンタルピ予測モデルの生成方法では、具体的には、鋼板Ｓの含有成分、仕上げ圧延機３およびランアウトテーブル４の操業パラメータ、仕上げ圧延機３の出側からランアウトテーブル４上で測定された鋼板Ｓの温度の実績データを入力データとし、鋼板Ｓの温度の実績データに基づいて算出された、当該鋼板Ｓの変態エンタルピを出力データとした、複数の教師データを用いて、鋼板Ｓの変態エンタルピを予測する変態エンタルピ予測モデルを生成する。

仕上げ圧延機３およびランアウトテーブル４の操業パラメータとしては、例えば仕上げ圧延後の鋼板Ｓの板厚、ランアウトテーブル４における鋼板Ｓの搬送速度、ランアウトテーブル４に設置された冷却装置５における冷媒の流量、ランアウトテーブル４で測定された鋼板Ｓの温度等が挙げられる。また、鋼板Ｓの温度の実績データとして、仕上げ圧延後の鋼板Ｓの温度、鋼板Ｓの巻取温度等が挙げられる。以下、変態エンタルピ予測モデルを生成する際の入力データおよび出力データの詳細について説明する。

＜入力データ＞
（１）鋼板の含有成分
鋼板Ｓの含有成分のデータは、鋼板Ｓの変態を予測する上で不可欠な情報である。すなわち、鋼板Ｓの含有成分は、鋼板Ｓの変態温度や変態前後の相分率を決定付ける情報である。
（２）操業パラメータ
入力データとしては、ランアウトテーブル４に設置された冷却装置５の操業パラメータを用いることが望ましいが、後記する冷却条件演算部１２１で決定された操業パラメータの設定値を用いてもよい。具体的に必要な情報としては、鋼板Ｓの板厚、鋼板Ｓの搬送速度、冷却装置５における冷媒の流量、鋼板Ｓの複数の温度の測定値である。

更に、ランアウトテーブル上での冷却能力を予測し、鋼板Ｓの変態を精度よく予測するためには、デスケーリング噴射実績データを用いることが好ましい。ここでデスケーリング噴射実績データとは、仕上げ圧延機３の前に設置されているデスケーラ１４のデスケーリング噴射実績（水量、噴射圧力、噴射角度等）に関する情報やデスケーラ１４を通過する際の搬送速度、デスケーリング噴射前の鋼板表面温度等のことである。この中でも、特に噴射圧力はスケール除去に大きく影響するため、重要なパラメータである。なお、デスケーリング噴射前の鋼板表面温度は、仕上げ圧延機３のデスケーラ１４前に設置されている放射温度計で測定された温度データである。

鋼板Ｓの温度の測定値としては、例えば図２に示した、仕上げ圧延機出側温度計７、第一の中間温度計８、第二の中間温度計９、巻取温度計１０のいずれかの測定値を用いることが望ましい。これらの温度の測定値は、鋼板Ｓの変態挙動がどの冷却位置で生じたのかを把握するためのものであるため、仕上げ圧延機３から巻取機６までの間を可能な限り細分化して、鋼板Ｓの温度を取得することが望ましい。そのため、前出の仕上げ圧延機出側温度計７に加え、ランアウトテーブル４上で２ヶ所以上の温度を得ることが望ましい。鋼板Ｓの温度は、実用的には、冷媒の影響による測定誤差の小さい、冷却ゾーンの間で取得することが望ましい。

＜出力データ＞
（１）変態エンタルピ
出力データとしては、鋼板Ｓの各位置での変態エンタルピ（以下、「エンタルピ」ともいう）の算出値を用いる。鋼は、変態によって比熱変化や潜熱が生じる。鋼板Ｓの巻取温度の制御においては、冷却開始である仕上げ圧延機３の出側温度から、冷却終了である巻取温度までに必要なエネルギー、つまりエンタルピの差が重要である。エンタルピの温度変化が分かれば、仕上げ圧延機３の出側と巻取機６の入側とのエンタルピの差、すなわちランアウトテーブル４で必要な冷却量が分かる。

図３は、一般的な低炭素鋼と高炭素鋼のエンタルピの例を示している。エンタルピは、比熱を温度で積分したものであり、温度の関数で表現される。低炭素鋼に対して、高炭素鋼では、変態温度が低温となっているため、低温で急激にエンタルピが増加している。また、一般的な低炭素鋼では、巻取温度計１０までに変態が既に完了しているため、変態によるエンタルピ変化の影響は受けにくい。但し、本発明で対象とするような高炭素鋼や高張力鋼では、巻取温度計１０までに変態が完了していないケースがあり、変態によるエンタルピ変化の影響を受けやすい。

エンタルピは、温度情報から計算モデルを使用して求めてもよいし、操業で想定される範囲の鋼板Ｓの含有成分と温度履歴をもとに、公開されているデータや独自に取得したデータから複数のエンタルピの温度依存パターンを作成し、その中のいずれのパターンに当てはまるかを求めてもよい。また、実験的に全データを取得しなくても、１つ以上のパラメータからエンタルピを算出する式を作成し、そのパラメータを同定する形式でエンタルピを求める方式でもよい。

計算モデルを使用してエンタルピを求める具体的な方法は、熱伝導方程式に、モデル化された冷却能力式を境界条件として与えるものであるが、必要な鋼板Ｓの物性情報として、密度・比熱・熱伝導率を与える必要がある。密度や熱伝導率は、鋼板Ｓの含有成分をもとに、公開されている近しいデータを使用すればよい。

エンタルピを算出する式の一例について、以下で説明する。比熱は、エンタルピを温度で微分したものであるため、比熱の温度依存性を表す式があれば、エンタルピを算出可能である。

図４は、鋼板Ｓの温度に対する比熱の変化の一例を示している。同図におけるＡ～Ｅは、以下を示している。
Ａ：オーステナイト相の比熱（基準比熱）
Ｂ：相変態前のフェライト相の比熱
Ｃ：磁気変態比熱
Ｄ：フェライト相の変態熱
Ｅ：パーライト層の変態熱

一般的な熱延鋼板は、仕上げ圧延後に、オーステナイト相からフェライト相、パーライト相等に相変態する。また、フェライト相に変態した後に、磁気変態が生じる。比熱は、変態前のオーステナイト相、変態後のフェライト相で異なり、磁気変態前のフェライト相と磁気変態後のフェライト相でも異なる。比熱の測定結果から、フェライト相等の相変態前において、オーステナイト相と磁気変態前のフェライト相は、概ね比熱が同じである。

また、オーステナイト相からフェライト相、オーステナイト相からパーライト相といった相変態時には発熱が生じる。今回は、簡単のため、図４に示すように、相変態前のフェライト相の比熱Ｂは、基準となるオーステナイト相の比熱Ａの延長線上に来るものとし、ＡとＢとの差分を、フェライト相の変態熱Ｄに含めるものとする。

比熱の測定結果より、図４のＢ～Ｅの近似式を、下記式（１）～（４）のように示す。

上記式（１）～（４）に対して、変態温度および相分率を与えることにより、比熱を表すことができ、これを温度で積分することにより、エンタルピを算出することができる。

ここで、オーステナイト系ステンレス鋼板の測定温度とエンタルピとの関係の一例を、図５に示す。同図におけるＦ～Ｉは、以下を示している。
Ｆ：仕上げ圧延機出側温度計７の測定温度と物理モデルによって算出されたエンタルピ
Ｇ：第一の中間温度計８の測定温度と物理モデルによって算出されたエンタルピ
Ｈ：第二の中間温度計９の測定温度と物理モデルによって算出されたエンタルピ
Ｉ：巻取温度計１０の測定温度と物理モデルによって算出されたエンタルピ
Ｊ：オーステナイト相のエンタルピ（基準エンタルピ）線図

図５の曲線Ｊは、オーステナイト相のエンタルピ線図であり、その線上に、各温度計の測定温度と物理モデルによって算出されたエンタルピＦ，Ｇ，Ｈ，Ｉのプロットが乗る。

また、低炭素鋼の測定温度とエンタルピとの関係の一例を、図６に示す。同図におけるＫ，Ｌは、以下を示している。
Ｋ：変態完了時のエンタルピ線図
Ｌ：エンタルピ曲線

図６では、図５と同じ搬送速度、冷却パターンで冷却を行った。同図の曲線Ｋは、フェライト相およびパーライト相への変態と磁気変態とが完了した場合のエンタルピ線図である。同図では、前記した図５とは異なり、第二の中間温度計９および巻取温度計１０の位置について、エンタルピの低下に対して温度低下量が小さくなっている。これが変態による熱量変化の影響であり、上記式（１）～（４）に対して変態温度を与えることにより、この鋼種のエンタルピ曲線Ｌを求めることが可能である。

更に、上記の計算と入力データとに基づいて、エンタルピの教師データを取得する方法について説明する。仮に、対象がオーステナイト系ステンレス鋼板であれば、相変態、磁気変態ともに生じないため、上記式（１）のみで比熱を表現することができる。これを用いて、ランアウトテーブル４の冷却装置５における温度履歴を表現する物理モデルを作成する。そして、この物理モデルを用いて、仕上げ圧延後の鋼板Ｓの板厚、仕上げ圧延機３の出側の温度、中間温度、巻取温度の測定値、鋼板Ｓの搬送速度、仕上げ圧延前のデスケーリング噴射実績、冷媒の流量のデータを入力することにより、鋼板Ｓの測定温度とエンタルピとの関係を求めることができる。

変態エンタルピ予測モデルの生成方法では、これらの入力データおよび出力データを用いて、鋼板Ｓの変態エンタルピを予測する変態エンタルピ予測モデルを生成する。なお、ここでは変態エンタルピを教師データとして用いて予測モデルを生成する場合について説明したが、鋼板Ｓの変態を温度変化に対して一義的に示せる指標であればよく、変態エンタルピ以外を教師データとして用いてもよい。

変態エンタルピ予測モデルの生成方法では、入力データとして鋼板Ｓの含有成分、仕上げ圧延機３の出側における鋼板Ｓの温度と板厚、仕上げ圧延前のデスケーリング噴射実績、冷却装置５における冷媒の流量を用いることにより、変態エンタルピを予測する変態エンタルピ予測モデルを生成することができる。更に、冷媒条件を用いた伝熱計算によって、予測した変態エンタルピに基づいて巻取温度を予測し、予測した巻取温度を出力することが可能である。これにより、変態挙動の予測に基づいて算出された巻取温度の予測値に基づいて、冷却ゾーンごとに必要な冷却条件を再設定することが可能となる。

〔温度制御装置〕
以下、本発明の実施形態に係る熱延板の温度制御装置１００の構成について、図３を参照しながら説明する。温度制御装置１００は、例えばパーソナルコンピュータやワークステーション等の汎用の情報処理装置によって構成されている。温度制御装置１００は、上位コンピュータ１１と、制御装置１２と、データベース１３と、を備えている。

制御装置１２は、上位コンピュータ１１から、鋼板Ｓの搬送速度、鋼板Ｓの板厚、鋼板Ｓの幅等のサイズ情報の他に、鋼板Ｓを所定の特性とするために必要な目標巻取温度等を取得する。そして、制御装置１２は、上記のような条件を実現するための操業条件を算出し、冷却装置５の操業パラメータを決定する。

なお、上位コンピュータ１１から制御装置１２には、仕上げ圧延前のデスケーラ噴射条件、仕上げ圧延前後の鋼板Ｓの温度等を含む仕上げ圧延条件と、冷却装置５の冷却パターン等を含む冷却条件と、鋼板Ｓの含有成分、鋼板Ｓの搬送速度、鋼板Ｓの板厚、鋼板Ｓの幅等を含むその他の操業条件とが入力される。

制御装置１２は、冷却条件演算部１２１と、予測モデル１２２と、冷却条件出力部１２３と、を備えている。

冷却条件演算部１２１は、伝熱計算を行い、目標巻取温度の範囲を満たすように、冷却装置５における冷媒の流量、ランアウトテーブル４における鋼板Ｓの搬送速度等の冷却条件（操業パラメータ）を決定する。冷却条件出力部１２３は、冷却条件演算部１２１によって決定された冷却条件を、冷却装置５に出力する。

ここで、冷却装置５の操業パラメータとしては、各冷却ゾーンにおける冷媒の噴射有無と、冷媒の流量とがある。冷媒の総流量が同じであっても、冷媒を噴射する冷却ゾーンとその際の冷媒の流量とが異なる場合、巻取温度が変化する場合もある。冷媒を噴射する冷却ゾーンと冷媒の流量の組み合わせは多数あるが、目標巻取温度や鋼板Ｓの含有成分に応じて、ある程度パターン化することが望ましい。例えば、巻取温度が高い条件では、冷媒の流量を定流量設定にし、前のゾーンから優先的に噴射すればよい。

データベース１３には、各温度計（仕上げ圧延機出側温度計７、第一の中間温度計８、第二の中間温度計９、巻取温度計１０）によって測定された温度測定情報が保存される。また、データベース１３には、温度測定情報とともに、冷却後の鋼板Ｓの板厚、板幅、含有成分、目標巻取温度度等の、上位コンピュータ１１によって設定される情報も併せて保存される。

また、データベース１３には、冷却条件出力部１２３（または冷却条件演算部１２１）から入力される冷却装置５の操業パラメータの設定値も、温度測定情報とともに保存される。更に、データベース１３には、冷却装置５における冷媒の流量や鋼板Ｓの搬送速度の実績値等を保存することが好ましい。

予測モデル１２２は、機械学習モデルによって生成された温度予測モデル、または変態エンタルピ予測モデルである。予測モデル１２２は、実用上十分な温度または変態エンタルピの予測が可能であれば、どの機械学習モデルを用いて生成してもよい。予測モデル１２２は、例えば、一般的に用いられるニューラルネットワーク、決定木学習、ランダムフォレストおよびサポートベクター回帰から選択した一以上の機械学習モデルによって生成することができる。また、予測モデル１２２は、複数の機械学習モデルを組み合わせたアンサンブルモデルによって生成してもよい。

〔温度予測方法〕
温度制御装置１００は、鋼板Ｓの冷却を行う際に、予測モデル１２２を用いて、鋼板Ｓの巻取温度を予測する。この場合、図７に示すように、まず上位コンピュータ１１から制御装置１２へと、鋼板Ｓの諸元や操業条件に関する情報が入力される。

続いて、制御装置１２の冷却条件演算部１２１は、予め設定された目標巻取温度の範囲を満たすように、冷却装置５における冷媒の流量、ランアウトテーブル４における鋼板Ｓの搬送速度等の冷却条件（操業パラメータ）を決定する。続いて、冷却条件演算部１２１は、これらの冷却条件および必要な諸元、操業条件等を入力データとして、予測モデル１２２によって巻取温度の予測値を算出する。なお、予測モデル１２２が変態エンタルピ予測モデルである場合、まず変態エンタルピ予測モデルによって変態エンタルピを予測した後、当該変態エンタルピの予測値から、伝熱計算によって巻取温度の予測値を算出する。

なお、操業条件の初期条件としては、鋼板Ｓの板厚、板幅、鋼種等の製造条件で区分したテーブル値により設定することができる。また、操業の経験から得られる関係を近似式により整理したものを用いてもよい。

〔温度制御方法〕
冷却条件演算部１２１は、予測した巻取温度が、予め設定した目標巻取温度に近付くように、冷却装置５の操業パラメータを再設定する。すなわち、冷却条件演算部１２１は、上記のようにして得た巻取温度の予測値を、予め設定された巻取温度の温度偏差許容範囲と比較し、巻取温度の予測値が当該温度偏差許容範囲内であれば合格と判定する。

一方、冷却条件演算部１２１は、巻取温度の予測値が温度偏差許容範囲外である場合、温度偏差許容範囲内となるように、操業条件の初期条件を変更する。更に、設備的な不具合が発生しているかどうかの確認作業を行ってもよい。温度偏差許容範囲は、例えば「目標巻取温度の±２５℃以内」とすることが好ましい。これ以上の温度偏差が生じると、品質不良を生じる可能性が増加するためである。

続いて、冷却条件出力部１２３は、再設定された冷却装置５の操業パラメータを、冷却装置５に出力する。なお、再設定する操業パラメータとしては、例えば冷却装置５の冷媒の流量であることが望ましい。これにより、各鋼板Ｓの属性や製造条件に応じて、適正な冷却装置５の操業条件を実現することができる。

以上説明した実施形態に係る熱延板の温度予測モデルの生成方法、熱延板の変態エンタルピ予測モデルの生成方法、熱延板の巻取温度予測方法、熱延板の温度制御方法および熱延板の製造方法によれば、熱間圧延ラインにおいて、冷却中の熱延板の温度（巻取温度）を高精度に予測し、かつ制御することができるとともに、巻取温度が精度よく制御された熱延板を製造することができる。

また、実施形態に係る熱延板の温度予測モデルの生成方法、熱延板の変態エンタルピ予測モデルの生成方法、熱延板の巻取温度予測方法、熱延板の温度制御方法および熱延板の製造方法によれば、ランアウトテーブル４上における鋼板Ｓの変態挙動に着目することにより、ランアウトテーブル４上で変態が生じる位置、変態に要する熱量を予測することができる。そして、これを冷却条件に反映させることにより、より精度よく巻取温度を制御することが可能となる。また、実施形態に係る予測モデルに基づいて、ランアウトテーブル４の冷却条件を制御することにより、目標温度により近い巻取温度で精度よく制御された熱延板を製造することが可能である。

〔実施例〕
本発明に係る熱延板の温度予測モデルの生成方法、熱延板の変態エンタルピ予測モデルの生成方法、熱延板の巻取温度予測方法、熱延板の温度制御方法および熱延板の製造方法の効果を実証するための実施例について説明する。本実施例では、熱間圧延ラインにおいてハイテン鋼の製造を行った。なお、本実施例で説明する数値等は、本発明の更なる理解のために示したものであり、本発明はこの実施例によって何ら限定されるものではない。

本実施例におけるランアウトテーブルは、図２と同様の構成である。ランアウトテーブルの機長は１３０ｍであり、１個当たり１０ｍの冷却ゾーンが９個配置されている。仕上げ圧延機から３つの冷却ゾーンを「前段」とし、次の３つの冷却ゾーンを「中段」とし、最後の３つの冷却ゾーンを「後段」とする。

また、図２と同様に、仕上げ圧延機の出側に仕上げ圧延機出側温度計が、ランアウトテーブルの機長の約１／３の位置に第一の中間温度計が、ランアウトテーブルの機長の約２／３の位置に第二の中間温度計が、ランアウトテーブルの最後端の位置に巻取温度計１０が、設置されている。仕上げ圧延機前のデスケーラは、搬送方向に複数設置されており、噴射圧力１８ＭＰａ、３０ＭＰａ、５０ＭＰａのデスケーラが設置されている。

予測モデルを生成する際の入力データとして、鋼板の板厚は「１．８～４．５ｍｍ」のデータを、鋼板の板幅は「８００～１２００ｍｍ」のデータを、鋼板の含有成分は「Ｃ：０．０１～０．１％、Ｓｉ：０．１～１．０％、Ｍｎ：０．５～２．０％」のデータを、鋼板の搬送速度は「材料の先端で８～１２ｍ／ｓ」のデータを、仕上げ圧延前のデスケーラの噴射圧力は「１８ＭＰａ、３０ＭＰａ、５０ＭＰａ」のデータを、それぞれ用いた。また、冷媒には水を使用し、冷却装置から噴射した冷媒の温度および気温は「３０℃」、仕上げ圧延機の出側の目標温度は「９００℃」、目標巻取温度は「５５０～６５０℃」とした。

また、入力データとして、仕上げ圧延機出側温度計の測定温度、第一の中間温度計の測定温度、第二の中間温度計の測定温度を用いた。鋼板の温度については、鋼板の幅方向中央部の温度をスポット式放射温度計によって測定し、鋼板の上面の温度を測定した結果を用いた。

このように、鋼板の含有成分、冷却装置の操業パラメータ、温度測定情報を入力データとし、前記した方法によって求めたエンタルピ情報を出力データとして、ニューラルネットワークを用いて変態エンタルピ予測モデルを生成した。なお、エンタルピ情報は、成分のばらつき等あるため、成分に対して変態温度の近似式を作成し、成分影響を考慮した。

変態エンタルピ予測モデルを用いた巻取温度の予測に用いた鋼板の代表的な成分は、変態エンタルピ予測モデルを生成する際に用いた鋼板と同じ鋼種であり、板厚は「３．２ｍｍ」、板幅は「１０００ｍｍ」であった。また、鋼板の搬送速度は「材料の先端で１０ｍ／ｓ」、目標巻取温度は「６００℃」であった。

変態エンタルピ予測モデルによって、鋼板の変態エンタルピを予測し、それらの予測値から伝熱計算により巻取温度を算出した。このように算出した巻取温度が、目標巻取温度となるように、冷却パターン、特に冷却水量を各々の冷却ゾーンで調整した。その結果、１コイル内での巻取温度のばらつきは低減し、目標値±２５℃以下への低減を達成できた。

以上、本発明に係る熱延板の温度予測モデルの生成方法、熱延板の変態エンタルピ予測モデルの生成方法、熱延板の巻取温度予測方法、熱延板の温度制御方法および熱延板の製造方法について、発明を実施するための形態および実施例により具体的に説明したが、本発明の趣旨はこれらの記載に限定されるものではなく、特許請求の範囲の記載に基づいて広く解釈されなければならない。また、これらの記載に基づいて種々変更、改変等したものも本発明の趣旨に含まれることはいうまでもない。

例えば、実施形態に係る変態エンタルピ予測モデルの生成方法では、学習用の出力データとして鋼板Ｓの変態エンタルピを用いていたが、鋼板Ｓの冷却中の変態挙動の把握に際し、当該鋼板Ｓの変態によって変化する情報であれば、変態エンタルピ以外のデータを用いてもよい。また、冷却過程に変態を生じる材料であれば、鋼板Ｓ以外の材料にも適用可能である。

１加熱炉
２粗圧延機
３仕上げ圧延機
４ランアウトテーブル
５冷却装置
６巻取機
７仕上げ圧延機出側温度計
８第一の中間温度計
９第二の中間温度計
１０巻取温度計
１１上位コンピュータ
１２制御装置
１３データベース
１００温度制御装置
１２１冷却条件演算部
１２２予測モデル
１２３冷却条件出力部
１４デスケーラ
Ｓ鋼板

Claims

熱間圧延ラインで、仕上げ圧延後の熱延板がランアウトテーブルで冷却され、巻き取られる工程において、
板の含有成分、仕上げ圧延機および前記ランアウトテーブルの操業パラメータ、前記仕上げ圧延機の出側から前記ランアウトテーブル上で測定された前記熱延板の温度の実績データを入力データとし、前記熱延板の巻取温度の実績データを出力データとした、複数の教師データを用いて、前記熱延板の巻取温度を予測する温度予測モデルを生成し、
前記仕上げ圧延機および前記ランアウトテーブルの操業パラメータとして、仕上げ圧延後の板厚、前記ランアウトテーブルの搬送速度、前記ランアウトテーブルの冷媒の流量、仕上げ圧延前のデスケーリング噴射実績データを含み、
前記熱延板の温度の実績データとして、前記熱延板の先端が巻取機に到達した時点で測定された、仕上げ圧延後の前記熱延板の温度を含む、
熱延板の温度予測モデルの生成方法。
ニューラルネットワーク、決定木学習、ランダムフォレストおよびサポートベクター回帰から選択した一以上の機械学習モデルによって前記温度予測モデルを生成する、
請求項１に記載の熱延板の温度予測モデルの生成方法。
熱間圧延ラインで、仕上げ圧延後の熱延板がランアウトテーブルで冷却され、巻き取られる工程において、
板の含有成分、仕上げ圧延機および前記ランアウトテーブルの操業パラメータ、前記仕上げ圧延機の出側から前記ランアウトテーブル上で測定された前記熱延板の温度の実績データを入力データとし、前記熱延板の温度の実績データに基づいて算出された前記熱延板の変態エンタルピを出力データとした、複数の教師データを用いて、
前記熱延板の変態エンタルピを予測する変態エンタルピ予測モデルを生成し、
前記仕上げ圧延機および前記ランアウトテーブルの操業パラメータとして、仕上げ圧延後の板厚、前記ランアウトテーブルの搬送速度、前記ランアウトテーブルの冷媒の流量、仕上げ圧延前のデスケーリング噴射実績データを含み、
前記熱延板の温度の実績データとして、前記熱延板の先端が巻取機に到達した時点で測定された、仕上げ圧延後の前記熱延板の温度および前記熱延板の巻取温度を含む、
熱延板の変態エンタルピ予測モデルの生成方法。
ニューラルネットワーク、決定木学習、ランダムフォレストおよびサポートベクター回帰から選択した一以上の機械学習モデルによって前記変態エンタルピ予測モデルを生成する、
請求項３に記載の熱延板の変態エンタルピ予測モデルの生成方法。
請求項３または請求項４に記載の熱延板の変態エンタルピ予測モデルの生成方法によって生成された変態エンタルピ予測モデルを用いて、前記熱延板の変態エンタルピを予測し、予測した前記熱延板の変態エンタルピに基づいて、前記熱延板の巻取温度を算出する、
熱延板の巻取温度予測方法。
請求項１または請求項２に記載の熱延板の温度予測モデルの生成方法によって生成された温度予測モデルを用いて、前記熱延板の巻取温度を予測し、予測した前記熱延板の巻取温度に基づいて、ランアウトテーブルの操業パラメータを再設定する、
熱延板の温度制御方法。
請求項３または請求項４に記載の熱延板の変態エンタルピ予測モデルの生成方法によって生成された変態エンタルピ予測モデルを用いて、前記熱延板の変態エンタルピを予測し、予測した前記熱延板の変態エンタルピから算出した前記熱延板の巻取温度に基づいて、ランアウトテーブルの操業パラメータを再設定する、
熱延板の温度制御方法。
請求項６または請求項７に記載の熱延板の温度制御方法によって、ランアウトテーブルの操業パラメータを再設定し、再設定した操業パラメータに基づいてランアウトテーブル上で冷却することにより、熱延板を製造する熱延板の製造方法。