JPH04190910A - 圧延機の設定計算装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 ［発明の目的コ （産業上の利用分野） 本発明は鉄鋼等の圧延プロセスにおいて、圧延すべき材
料に適合した圧延機設定を得るための設定計算装置に係
り、特に圧延機運転データを学習することにより設定計
算の精度を向上させ得るようにした圧延機の設定計算装
置に関するものである。

（従来の技術） 一般に、圧延機においては、あらかしめ与えられる操業
条件や製品品質を考慮して、圧延材料の圧延前に運転状
態の設定値を計算し、それらの値を圧延機に設定するよ
うにしている。この種の設定値の計算方法については、
例えば“（社）日本鉄鋼協会・報告書Ｎｏ、３６ｒ板圧
延の理論と実際」”に示されている。

以下に、従来の圧延機の設定計算について簡単に説明す
る。　。

第４図は、タンデム圧延機の概略構成例を示す図である
。第４図にお■てミ圧延材料はＮ０１１スタンドからＮ
ｏ、ｍスタンドで圧延される。このとき、所望の製品品
質を達成するように圧延機の設定を行なうが、この設定
計算は製品品質、圧延すべき材料の特性、圧延機自体の
操業条件なとを考慮して行なわなければならない。これ
らの条件を運転条件と称することにすると、具体的な運
転条件には、例えば製品品質としては、厚み、幅、温度
、平坦度など、また圧延すべき材料の特性としては、圧
延機に入る材料の厚み、幅、温度、鋼種など、さらに圧
延機の操業条件としては、駆動電動機の容量、制御装置
の制約、ロールの状態、どのスタンドを使用するかなど
がある。

そして、これらの運転条件から、各スタンドごとの負荷
配分を最初に決定するのが一般的な方法である。また、
この負荷配分の決定についても、各スタンドごとの出側
板厚を目標運転状態になるように決定する方法、あるい
は各スタンドの圧延荷重を目標運転状態とするように決
定する方法などがある。

ところで、この種の従来の設定計算方法としては、過去
の運転データおよび操業データを収集および蓄積し、そ
れらのデータを解析し分類し、設定計算用データテーブ
ル（以下、「データテーブル」と称する）を作成して、
計算機にそのデータテーブルを組み込み、圧延機の運転
時に計算機か圧延材料の特性をパラメータとして、その
データテーブルを参照して設定計算に必要なデータを取
り出し、設定計算を行なう方法が一般的となっている。

また、データテーブルの精度向上を目的として、あるい
は圧延材料の変化や圧延プロセスの経年変化に対応でき
るデータテーブルの確保を目的として、圧延機の運転お
よび操業データを収集し解析し、データテーブルの内容
を更新することが、−船釣に行なわれてきている。

しかしながら、上記の運転データおよび操業データの解
析、およびデータテーブル作成の作業と、データテーブ
ルの内容の更新は人手によるものであり、メンテナンス
か困難である。また、圧延材料の種類や製品品質は非常
に多く、それらの値をパラメータとするデータテーブル
の中のデータは膨大になることが普通であり、従来の方
法では省力化や作業の効率化を図ることが難しい。

さらに、このデータテーブルは、すべての圧延材料に最
適な設定データを有しているわけではなく、そのためデ
ータテーブルの中にない特性を持つ圧延材料に対しては
、その圧延材料の特性に類似し、かつデータテーブル上
に存在する他の圧延材料の特性を用いて近似した特性に
よって、設定計算に必要なデータを作成し、設定計算を
行なっているが、このような方法では必すしも精度のよ
い最適な設定値が得られるとは限らない。

一方、最近では、この種の設定方法として、例えば“特
開平１−１６２５０６号公報「連続圧延機のセットアツ
プ方法」”、あるいは“特願昭６３−４９３’１５号公
報［圧延スケジュールのセットアツプ方法」“か提案さ
れてきている。

すなわち、前者の方法は、連続圧延機の定常ＦＥ延延中
おける圧延機間張力、各圧延機の負荷率。

先頭／最終圧延機の圧下率を予め設定された関係式に基
づいて算出してから、圧延状態を表わす方程式を解き各
圧延機における圧下位置および圧下速度を設定するに際
して、方程式の解として得られた圧下位置および圧下速
度の設定値による各圧延機におけるパターンで、各圧延
機の圧延荷重。

圧下率が各々の規制範囲を超えた場合、各圧延機の圧延
荷重５圧下率か規制範囲内に入るための圧延条件範囲を
探索し、設定値を圧延条件範囲内に入るように修正する
方法である。

また、後者の方法は、ワークロールを組み替んずに引き
続いてコイルを圧延する際に、摩擦係数モデル式により
仮想摩擦係数を求め、この仮想摩擦係数に基づいて先進
率値を演算するか、または先行コイルの圧延中に先進率
を実測して先行コイルに続く次コイルの圧延における先
進率を予ｉ’１ｌｌｌ　Ｌ、この次コイルの予測先進率
値と先進率の目標範囲とを比較し、予測先進率値が目標
範囲内ならばこの予測先進率値に対応する仮想摩擦係数
を目標仮想摩擦係数とし、予測先進率値が目標範囲から
外れているならば予測先進率値が目標範囲内となる目標
仮想摩擦係数を演算し、これら目標仮想摩擦係数を摩擦
係数モデル式に代入して圧下率、板張力および圧延速度
の少なくとも一つを求め、圧下率、板張力および圧延速
度の少なくと訃−つを求めた値に設定変更する方法であ
る。

しかしながら、前者の方法では、簡易に短時間°゛　　
て設定値を修正でき、簡潔な連続圧延機の設定制御を行
なうことができるが、計算精度か悪いという問題かある
。また、後者の方法では、圧延中、先進率を適性範囲内
に保ち、チャタリングやヒートストリーク等の圧延異常
の発生を防止でき、ワークロール交換に伴なう圧延作業
能率およびワークロール原単位を向上させることかでき
るが、前者の方法と同様に計算精度が悪いという問題か
ある。

（発明か解決しようとする課題） 以上のように、従来による圧延機の設定計算方法におい
ては、運転データおよび操業データの解析にデータテー
ブルを用いる必要かあるばかりでなく、省力化や作業の
効率化を図ることかできず、その上に精度のよい最適な
設定値を得ることができないという問題かあった。

本発明の目的は、従来のデータテーブルを必要とするこ
となく、運転データおよび操業データを自動的に解析し
、自動的に学習しなから計算精度の向上ならびに省力化
や作業の効率化を図ることか可能な極めて信頼性の高い
圧延機の設定計算装置を提供することにある。

［発明の構成］ （課題を解決するための手段） 上記の目的を達成するために本発明では、圧延機の操業
条件、圧延材料の品質および製品品質等の運転条件に基
づいて、圧延機の各種設定値を計算する圧延機の設定計
算装置を、 圧延機の運転条件に基づいて、ニューラルネットワーク
により圧延機の最適な運転状態を計算する運転状態計算
装置と、運転状態計算装置により計算された最適な運転
状態に基づいて、圧延機の設定値を計算する設定計算装
置と、設定計算装置により計算された設定値による圧延
機の運転状態を学習することにより、運転状態計算装置
を管理する学習管理装置とを備えて構成し、 圧延機の運転条件の違いに応して、運転状態計算装置内
で使用すべきニューラルネットワークと学習管理装置内
で学習の対象とすべきニューラルネットワークとを選択
するようにしている。

（作用） 従って、本発明の圧延機の設定計算装装置においては、
あらかじめオフラインで圧延機の運転状態を学習したニ
ューラルネットワークを備えた運転状態計算装置により
、圧延機の操業条件、圧延材料の特性および製品品質等
に適合した運転状態が計算され、この運転状態を用いて
設定計算装置により設定計算が行なわれる。そして、学
習管理装置では、設定計算装置により設定された値と、
その設定値により運転された圧延機の状態とか比較され
、その差異を学習して運転状態計算装置の内部データが
適宜更新される。この場合、運転状態計算装置での内部
データの更新方法としては、圧延機の操業条件、圧延材
料の品質、および製品品質で分類して学習され、内部デ
ータが更新される。

（実施例） 以下、本発明の一実施例について図面を参照して詳細に
説明する。

第１図は、本発明による圧延機の設定計算装置の構成例
を示すブロック図である。本実施例による圧延機の設定
計算装置は、運転状態計算装置１と、設定計算装置２と
、学習管理装置３とから構成している。

ここで、運転状態計算装置１は、圧延機４の運転条件に
基づいて、ニューラルネットワークにより圧延機４の最
適な運転状態を計算するものである。また、設定計算装
置２は、運転状態計算装置１により計算された最適な運
転状態に基づいて、圧延機４の設定値を計算するもので
ある。さらに、学習管理装置３は、設定計算装置２によ
り計算された設定値による圧延機４の運転状態を学習す
ることにより、運転状態計算装置１を管理するものであ
る。

次に、第２図は、上記運転状態計算装置１と学習管理装
置３の詳細な構成例を示すブロック図であり、第１図と
同一部分には同一符号を付して示している。

第２図において、運転状態計算装置１は、入力データ変
換部５と、運転状態計算部６と、計算結果出力部７とか
らなっている。

ここで、入力データ変換部５は、数値化して入力されて
いる運転条件を、ニューラルネットワークに適する入力
パターンに変換する機能を有するものである。

また、運転状態計算部６は、ニューラルネットワークで
構成されており、圧延機４の最適な運転状態を計算する
機能を有するものである。さらに、計算結果出力部７は
、運転状態計算部６すなわちニューラルネットワークの
出力を、適切な数値に変換する機能を有するものである
。

一方、学習管理装置３は、学習部８と、運転データ管理
部９とからなっている。

ここで、圧延機４から得られる運転データは、運転デー
タ管理部９で収集、保存および管理し、データ個数か一
定以上蓄えられると、学習タイミング起動スイッチ１０
によって学習部８を起動し、学習部８による学習の結果
を運転状態計算部６に補正情報として渡すようにしてい
る。

次に、第３図は、上記運転状態計算部６と学習部８の詳
細な構成例を示すブロック図である。

第３図において、運転状態計算部６は、後述するニュー
ラルネットワーク選択方法を用いて、入力データＩに従
ってニューラルネットワークを選択する機能を有する入
力分類部１１と、入力層１２と中間層１３と出力層１４
とがら構成されるｎ個のニューラルネットワークと、ニ
ューラルネットワークからの出力を選択する圧力選択部
１５とがらなっている。

例えば、人力分類部１１て第１番目（１−１〜ｎ、以下
間し）のニューラルネットワークを選択したとすると、
出力選択部１５でも第１番目のニューラルネットワーク
を選択するというように、入力分類部１１と出力選択部
１５とは連動している。また、第１番目のニューラルネ
ットワークの入力層１２と中間層１３とは、重みＶ、（
本実施例ではすべて１とし、学習しない）を持って接続
しており、中間層１３と出力層１４とは重みＷｌを持っ
て接続している。さらに、ニューラルネットワークの学
習は、重みＷ、を学習部８によって後述する学習方法に
より補正することで達成するようになっている。

一方、学習部８は、実際の圧延機の運転状態のデータと
、目標運転状態とを比較した結果を使用して、学習対象
選択部１８によって選択されたｊ番目のニューラルネッ
トワーク重み補正部１７における重みＷ、の新たな値Ｗ
、を計算するものである。また、学習対象選択部１８は
、後述するニューラルネットワーク選択方法と同し方法
により分類され、保存されている運転データの中で、一
定の個数か蓄えられたものを逐次選択するものである。

さらに、重み補正選択部１６は、学習対象選択部１８と
連動している。

なお、本実施例では、ニューラルネットワークの種類と
して、ＢＰ（Ｂａｃｋ ｐｒｏｐａｇａｔ　１ｏｎ）法を用いている。このＢＰ
法は、−旦重みか決められてしまうと、新しいトレーニ
ングセットで学習する時、それまでの重みを一部修正し
て新しい学習を行なうものである。

次に、以上のように構成した本実施例の圧延機の設定計
算装置の作用について説明する。

第１図において、あらかじめオフラインで圧延機の運転
状態を学習したニューラルネットワークを備えた運転状
態計算装置１により、圧延機４の操業条件、圧延材料の
特性および製品品質等に適合した運転状態が計算され、
この運転状態を用いて設定計算装置２により設定計算が
行なわれる。

そして、学習管理装置３ては、設定計算装置２により設
定された値と、その設定値により運転された圧延機４の
状態とか比較され、その差異を学習して運転状態計算装
置１の内部データが適宜更新される。この場合、運転状
態計算装置］ての内部データの更新は、圧延機４の操業
条件、圧延材料の品質および製品品質で分類して学習さ
れ、内部データか更新される。

次に、学習管理装置３での学習の方法について説明する
（これは、バックプロバケーションと称される一般的な
方法で、例えばＮｅｕｒａｌ　Ｃｏｍｐｕｔｉｎｇ：　
Ｔｈｅｏｒｙ　ａｎｄ　Ｐｒａｃｔｉｃｅ、　Ｐｈ１ｌ
ｉｐ　Ｄ、　Ｗａｓｓｅｒｌａｎ。

Ｖａｎ　Ｎｏ５ｔｒａｎｄ　Ｒｅ１ｎｈｏｌｄ、　Ｎｅ
ｗ　Ｙｏｒｋ　１９８９に記述されている）。

例えば、第に回目の学習を行なおうとしており、ｊ番目
のニューラルネットワークの中間層１３から出力層１４
への重みＷ、”ゝを求めたいとすると、第に一１回目の
重み１ｎｋ−１＋を用いて、下記（１）式のように表わ
される。

Ｗ　、　Ｌｋｌ　＝Ｗ、　１ｋ−１１＋ΔＷ、　　・・
　（１）ΔＷ、−ηδＯＵＴ　　　　　　　　・・・（
２）δ−０ＵＴ　　（１−ＯＵＴ）　　（ＴＲＧ−ＯＵ
Ｔ）・・　（３） η、学習効率 ＯＵＴ　：ニューラルネットワークの実際の出力 ＴＲＧ　：ニューラルネットワークの目標出力ΔＷ、−
ＯあるいはΔＷ、＜ε（εは十分小さい数）となれば、
学習は完了する。そして、学習完了後の重みＷ、か、新
たな重みとして運転状態計算部６に設定される。

次に、運転状態計算装置１てのニューラルネットワーク
選択方法について説明する。

ニューラルネットワーク選択の方法としては、あらかし
め分類された運転条件とニューラルネットワークとを対
応させておき、実際の運転時に運転条件を判別し、分類
された運転条件の中がら適合する範鴫を探索することに
よって、対応するニューラルネットワークが選択される
。

この場合の運転条件の分類の必要性について述べる。ニ
ューラルネットワーク入力層１２への入カデータは、製
品品質、圧延すべき材料の特性、圧延機自体の操業条件
等の多種多様の運転条件か人力データ変換部５て変換さ
れたものであるので、非常に多くの種・類のデータとな
る。そこで、この人力データを分類せずに一括して取り
扱うと、人力データの特殊性を表現できす、特殊な入力
データに対しても平均的な出力しか得られないことかあ
る。

また、ニューラルネットワークにはその記憶容量の制限
かあり、１つのニューラルネットワークに多くのデータ
を記憶させることに限界かある。

そこで、この制限を取り除くための１つの方法として、
ニューラルネットワークの規模を大きくすることがある
か、規模の大きなニューラルネットワークは学習効率か
悪く、学習に多大の時間を要する。そこで、入力データ
を分類して、その分類したデータごとにニューラルネッ
トワークを対応させることにより、個々のニューラルネ
ットワークの大きさを小さくし、学習効率を高めること
かできる。

さらに、分類の基準は、その基準によって学習効率か大
きく異なってくる場合を目安として決定する。例えば、
製品の厚さおよび形状、製品材質の種類なと、あるいは
それらの組み合わせとし、それぞれの基準ごとにある範
囲を設けて分類する。

すなわち、例えば部品厚みの範囲ａ　、Ｍ、。〜ａ　＋
ｍａｒでかつ製品材質Ａ、Ｂ、およびＣのものはニュー
ラルネットワーク１を対応させ、製品厚みの範囲ａ２゜
１゜〜ａ　２，７．、てかつ製品材質り、およびＥのも
のはニューラルネットワーク２を対応させる、というよ
うに分類する。当然のことなから、この分類基準は、製
品や圧延機なとの特性によって変わると考えられ、対象
プロセスによって適宜決定されるものである。

上述したように、本実施例の圧延機の設定計算装置にお
いては、従来のデータテーブルを必要とすることなく、
運転データおよび操業データを自動的に解析し、自動的
に学習しなから計算精度の向上ならびに省力化や作業の
効率化を図ることが可能となる。

すなわち、従来のデータテーブル参照方式による設定計
算に比べて、圧延機設定計算装置で自動的な学習を行な
うことにより、膨大な量のデータテーブルの更新作業を
省略することかてき、また圧延機４の経年変化や圧延す
べき材料の変化に適切に対応することかできる。さらに
、従来のデータテーブル参照方式では、データテーブル
にない材料に対しては、その都度補完計算を行なわなけ
ればならず、そのため最適な設定値か得られる保証はな
かったか、本実施例の設定計算装置によれば補完計算を
行なう必要かなく、常に最適な設定値を得ることができ
る。

尚、上記実施例では、入出力のデータやニューラルネッ
トワークの構成および学習方法の一部を用いて説明した
が、他の態様でも実施することが可能である。

例えば、上記実施例では、ニューラルネットワークの種
類として、ＢＰ法を用いた場合について説明したか、こ
れに限らすＡＲＴ（Ａｄａｐｔｉｖｅ　　Ｒｅ５ｏｎａ
ｎｃｅＴｈｅｏｒｙ）法を用いることも可能である。こ
のＡＲＴ法は、与えられたトレーニングセントの入力パ
ターンを、ＡＲＴか内部に持つパターンと比較し、類似
のパターンかあればその分類の中たけてトレーニングを
行ない、もし類似のパターンがなければ、新しくパター
ンを作成するものである。

このようなＡＲＴ法を用いることにより、既に学習した
入力、出カバターンと全く異なるトレーニングか与えら
れた場合にも、重み行列をほとんど変化させる必要かな
く、トレーニング時間が短かくてきるばかりでなく、確
実に解を得ることができる。

また、本発明が適用させる圧延プロセスとしては、例え
ば冷間タンデム圧延機、または熱間粗タンデム圧延機、
あるいは熱間仕上タンデム圧延機等が挙げられる。

［発明の効果］ 以上説明したように本発明によれば、圧延機の操業条件
、圧延材料の品質および製品品質等の運転条件に基づい
て、ニューラルネットワークにより圧延機の最適な運転
状態を計算し、この計算された最適な運転状態に基づい
て、圧延機の設定値を計算し、この計算された設定値に
よる圧延機の運転状態を学習する二とにより、運転状態
計算装置を管理し、圧延機の運転条件の違いに応じて、
運転状態計算装置内で使用すべきニューラルネットワー
クと学習管理装置内で学習の対象とすべきニューラルネ
ットワークとを選択するようにしたので、従来のデータ
テーブルを必要とすることなく、運転データおよび操業
データを自動的に解析し、自動的に学習しながら計算精
度の向上ならびに省力化や作業の効率化を図ることが可
能な極めて信頼性の高い圧延機の設定計算装置が提供で
きる。

【図面の簡単な説明】

第１図は本発明による圧延機の設定計算装置の一実施例
を示すブロック図、 第２図は同実施例における運転状態計算装置と学習管理
装置の詳細構成例を示すブロック図、第３図は第２図に
おける運転状態計算部と学習部の詳細構成例を示すブロ
ック図、 第４図はタンデム圧延機の概略構成例を示す図である。 １・・運転状態計算装置、２・設定計算装置、３・・学
習管理装置、４・・圧延機、５・・入力データ変換部、
６・・運転状態計算部、７・・計算結果出力部、８・・
学習部、９・運転データ管理部、１０学習タイミング起
動スイツチ、１１・・・入力分類部、１２・・ニューラ
ルネットワーク入力層、１３　ニューラルネットワーク
中間層、１４・・ニューラルネットワーク出力層、１５
・・出力選択部、１６・・重み補正選択部、１７・・・
ニューラルネットワーク重み補正部、１８・・・学習対
象選択部。 出願人代理人　弁理士　鈴江武彦 圧延機の操業条件 ↓ Ｎ０１１スタンド　　　　　Ｎｏ、２スタンド第４図 Ｎｏ、ｍスタンド

Claims (5)

【特許請求の範囲】
1. （１）圧延機の操業条件、圧延材料の品質および製品品
   質等の運転条件に基づいて、圧延機の各種設定値を計算
   する圧延機の設定計算装置において、 前記圧延機の運転条件に基づいて、ニューラルネットワ
   ークにより前記圧延機の最適な運転状態を計算する運転
   状態計算装置と、 前記運転状態計算装置により計算された最適な運転状態
   に基づいて、前記圧延機の設定値を計算する設定計算装
   置と、 前記設定計算装置により計算された設定値による圧延機
   の運転状態を学習することにより、前記運転状態計算装
   置を管理する学習管理装置とを備え、 前記圧延機の運転条件の違いに応じて、前記運転状態計
   算装置内で使用すべきニューラルネットワークと前記学
   習管理装置内で学習の対象とすべきニューラルネットワ
   ークとを選択するようにしたことを特徴とする圧延機の
   設定計算装置。
2. （２）前記運転状態計算装置としては、数値化して入力
   されている運転条件を、ニューラルネットワークに適す
   る入力パターンに変換する入力データ変換部と、ニュー
   ラルネットワークで構成され、前記入力データ変換部か
   らの出力に基づいて、圧延機の最適な運転状態を計算す
   る運転状態計算部と、前記運転状態計算部からの出力を
   、適切な数値に変換する計算結果出力部とからなること
   を特徴とする請求項（１）項に記載の圧延機の設定計算
   装置。
3. （３）前記学習管理装置としては、圧延機から得られる
   運転データを収集、保存および管理する運転データ管理
   部と、前記運転データ管理部からの出力を入力し、デー
   タ個数が一定以上蓄えられると学習部を起動する学習タ
   イミング起動スイッチと、前記学習タイミング起動スイ
   ッチ１０によって起動され、学習の結果を前記運転状態
   計算部に補正情報として与える学習部とからなることを
   特徴とする請求項（１）項に記載の圧延機の設定計算装
   置。
4. （４）前記運転状態計算部としては、ニューラルネット
   ワーク選択方法を用いて、入力データに従ってニューラ
   ルネットワークを選択する入力分類部と、入力層と中間
   層と出力層とで構成され、前記入力分類部からの出力を
   入力する複数個のニューラルネットワークと、前記各ニ
   ューラルネットワークからの出力を選択する出力選択部
   とからなることを特徴とする請求項（２）項に記載の圧
   延機の設定計算装置。
5. （５）前記学習部としては、前記ニューラルネットワー
   ク選択方法と同じ方法により分類され、保存されている
   運転データの中で一定の個数が蓄えられたものを逐次選
   択する学習対象選択部と、前記学習対象選択部と連動し
   、実際の圧延機の運転状態のデータと目標運転状態とを
   比較した結果を用いて、前記学習対象選択部により選択
   された所定番目のニューラルネットワーク重み補正部に
   おける重みの新たな値を計算する重み補正選択部とから
   なることを特徴とする請求項（３）項に記載の圧延機の
   設定計算装置。