JPH04367901A - プロセスラインにおける学習制御方法 - 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】

【０００１】

【産業上の利用分野】本発明は、圧延ライン，冷却ライ
ン等のプロセスラインにおける学習制御方法に関する。

【０００２】

【従来の技術】一般に、圧延ライン，冷却ライン等のプ
ロセスラインにおいては、計算機制御のためのモデルは
理論式あるいは経験式に基づいて構築されているが、プ
ロセスラインでの現象を完全に表現するモデルの構築は
不可能に近いため、前回までにプロセスラインで処理し
たデータに基づいてモデルを修正して制御を行なう方法
、即ち、学習制御方法が行なわれている。

【０００３】例えば、圧延ラインにおける圧延荷重の予
測，冷却ラインにおける温度降下量の予測モデルは、そ
の代表的な例である。

【０００４】プロセスラインで計測される実績値とモデ
ルの予測値との偏差（ズレ）は、上述したように、プロ
セスラインでの現象がモデルに完全に表現されていない
ために生じている。

【０００５】その理由としては、■現象そのものが未解
明であること、■現象は解明されているがモデルの表現
が複雑になり過ぎオンラインでの計算に間にあわないた
め簡略化していること、あるいは、■モデルの計算に必
要なデータの採取が不完全なこと等が挙げられる。

【０００６】

【発明が解決しようとする課題】ところで、上述のモデ
ルと現象との不一致は大別すると、設備あるいは環境の
変化によるプロセスラインの時系列的な変動と、プロセ
スラインで処理される材料の種類，処理パターンの違い
に起因するグループ別の変動とがある。

【０００７】しかしながら、従来のプロセスラインにお
ける学習制御では、これら２種類の変動を適切に分離し
て取り込んでいないため、満足な制御結果が得られない
という課題があった。

【０００８】本発明は、このような課題を解決しようと
するもので、プロセスラインでの制御に際して、現象と
モデルとのズレを適切に修正し、プロセスラインの処理
を高い制御精度で行なえるようにした学習制御方法を提
供することを目的とする。

【０００９】

【課題を解決するための手段】上記目的を達成するため
に、本発明のプロセスラインにおける学習制御方法は、
設定計算用モデルを前回までの実績値に基づいて修正し
ながら、該モデルに基づいてプロセスラインを制御する
ものにおいて、前記プロセスラインで処理する材料の種
類，サイズ，制御目標値，処理パターン等のグループ別
に、実績値と前記モデルにより算出されたモデル計算値
とのズレを学習係数として記憶するテーブルを作成して
おき、■今回材料の実績操業データに基づいて、前記モ
デルによるモデル計算値Ｙｃａｌを算出し、■該モデル
計算値Ｙｃａｌと今回材料の実績値ＹａｃｔとのズレＦ
を算出し、■該ズレＦから、前回材料までの実績値とモ
デル計算値との時系列的なズレの平滑値Ｆｔｏを除去し
た値Ｆｇを算出し、■今回材料の属するグループのグル
ープ別学習係数のテーブル値Ｆｇｏを、前記値Ｆｇで平
滑化したものを、新たなテーブル値として前記テーブル
に記憶し、■前記ズレＦから、今回材料の属するグルー
プのグループ別学習係数のテーブル値Ｆｇｏを除去した
値Ｆｔを算出し、■前記平滑値Ｆｔｏを前記値Ｆｔで平
滑化したものを、新たな時系列学習係数として記憶し、
■次回材料の設定計算に際し、前記モデルから算出され
るモデル計算値を、前記テーブルに記憶された次回材料
の属するグループのグループ別学習係数と新たな時系列
学習係数とに基づいて修正することを特徴としている。

【００１０】

【作用】上述した本発明のプロセスラインにおける学習
制御方法では、設定計算用モデルを前回までの実績値に
基づいて修正しながらプロセスラインを制御する学習制
御を行なうに際し、今回材料の実績操業データからモデ
ルを用いて算出されたモデル計算値Ｙｃａｌと今回材料
の実績値ＹａｃｔとのズレＦが算出され、このズレＦか
ら、前回材料までの実績値とモデル計算値との時系列的
なズレの平滑値Ｆｔｏを除去した値Ｆｇが算出される。

【００１１】この値Ｆｇは、プロセスラインで処理する
材料の種類，サイズ，制御目標値，処理パターン等のグ
ループの違いによる変動に起因するモデルと現象とのズ
レになり、この値Ｆｇにより今回材料の属するグループ
のグループ別学習係数のテーブル値Ｆｇｏを平滑化し、
その結果が、新たなグループ別学習係数として記憶され
る。

【００１２】一方、ズレＦから、今回材料の属するグル
ープのグループ別学習係数のテーブル値Ｆｇｏを除去し
た値Ｆｔが算出される。この値Ｆｔは、時系列的な変動
によるズレであり、この値Ｆｔにより平滑値Ｆｔｏを平
滑化し、その結果が、新たな時系列学習係数としてテー
ブルに記憶される。

【００１３】そして、次回材料の設定計算に際し、モデ
ルから算出される予測値（モデル計算値）が、次回材料
の属するグループのグループ別学習係数と時系列学習係
数とにより修正され、現象とモデルとのズレが適切に修
正されることになる。

【００１４】

【実施例】以下、図面を参照しながら、本発明をホット
ストリップミル仕上げ圧延ライン（プロセスライン）で
の圧延荷重予測に適用した場合について説明する。ホッ
トストリップミル仕上げ圧延ラインでは、板厚制御を行
なうために、各スタンドでの圧延荷重を予測し、この予
測圧延荷重に応じたミル伸びを考慮して各スタンドの圧
下位置が設定される。

【００１５】図２は本発明の方法を適用したホットスト
リップミル仕上げ圧延ラインにおける板厚制御の全体的
な流れを説明するためのフローチャートであり、この全
体的な流れは、従来から行なわれる周知のものであるの
で、詳細な説明は省略するが、基本的には、設定計算を
行なうステップＢ１〜Ｂ４の流れと、これに並行して行
なわれるステップＣ１〜Ｃ４の学習計算の流れとがある
。

【００１６】設定計算では、まず、次回圧延材の指令情
報の読み込み後（ステップＢ１）、各スタンド出側の板
厚を決定し（ステップＢ２）、この出側板厚に対応した
圧下条件から各スタンドでの圧延荷重を計算し（ステッ
プＢ３）、ゲージメータ式を用いて各スタンドのロール
間隙（圧下位置）を設定している（ステップＢ４）。

【００１７】一方、学習計算では、今回圧延材の実績デ
ータの読み込み後（ステップＣ１）、その実績データを
用いて、設定計算と同じモデル（設定計算用モデル）で
圧延荷重を算出し（ステップＣ２）、実績圧延荷重とモ
デル計算値による圧延荷重とのズレを学習し（ステップ
Ｃ３）、その学習結果をステップＢ３での次回圧延材の
圧延荷重の計算に反映している。

【００１８】次に、本発明の一実施例としての学習制御
方法について、図１に従って説明する。ここで、図１は
、図２のステップＣ３，Ｂ３の手順を詳細に示したもの
である。

【００１９】図１は本発明の一実施例としての学習制御
方法を詳細に説明するためのフローチャートであり、本
実施例では、圧延される材料を鋼種別に２００種類、成
品板厚別に１６種類のグループに区分した。また、圧延
荷重モデル（設定計算用モデル）は公知のもであり、下
式（１）で表される。

【００２０】 　　　　　　Ｐｃａｌ＝σ・Ｂ・ｌｄ・Ｑｐ　　　　　
　　　　　　　　　　　　　　　　　　　　　　　　（
１） ここで、σは圧延材の変形抵抗、Ｂは板幅、ｌｄは接触
弧長、Ｑｐは圧下力関数である。

【００２１】今回圧延材の実績データを用いて、（１）
式により各スタンドの計算圧延荷重Ｐｃａｌ（＝Ｙｃａ
ｌ）を算出し（ステップＡ１）、各スタンドに付設され
たロードセルにて検出された今回圧延材の実績圧延荷重
Ｐａｃｔ（＝Ｙａｃｔ）に基づいて、各スタンド毎に、
図１のフローに従い下記（２）〜（６）式を用いて、新
しいグループ別学習係数ＦｇＮと時系列学習係数ＦｔＮ
とを算出し、今回圧延材の属するグループのグループ別
学習係数のテーブル値ならびに時系列学習係数をその新
しい値に書き換える。

【００２２】つまり、本実施例による制御においては、
これまでの実績値に基づいて設定計算用のモデルを修正
するに当り、ラインで処理する圧延材（材料）の種類，
サイズ等のグループ別に実績値とモデルから算出する値
とのズレを記憶するテーブルを予め作成しておく。ここ
では、ズレを比の形で表現した場合について述べる。

【００２３】まず、今回圧延材の実績操業データを用い
て（１）式により算出された計算圧延荷重（モデル計算
値）Ｐｃａｌと、実績圧延荷重（実績値）Ｐａｃｔとの
比Ｆを、次式（２）の通りズレとして算出する（ステッ
プＡ２）。

【００２４】 　　　　　　Ｆ＝Ｐａｃｔ／Ｐｃａｌ（＝Ｙａｃｔ／Ｙ
ｃａｌ）　　　　　　　　　　　　　　　　　　（２） 　　この比Ｆには、圧延ラインの時系列的な変動と、圧
延ラインで処理される圧延材の種類等の違いによる変動
との両者に起因するモデルと現象とのズレが包含されて
いる。

【００２５】次に、下式（３）に示すように、前回圧延
材までの実績値とモデル計算値との時系列的なズレの平
滑値Ｆｔｏで除算した値Ｆｇを算出する（ステップＡ３
）。

【００２６】 　　　　　　Ｆｇ＝Ｆ／Ｆｔｏ　　　　　　　　　　　
　　　　　　　　　　　　　　　　　　　　　　　　　
　　　（３） 　　ここで、平滑値Ｆｔｏは、後述するように、圧延ラ
インの時系列的な変動によるモデルと現象とのズレを表
すものであり、従って、この値Ｆｇは、圧延ラインで処
理する圧延材の種類等のグループの違いによる変動に起
因するモデルと現象とのズレになる。

【００２７】下式（４）により、このズレＦｇで今回圧
延材の属するグループのグループ別学習係数のテーブル
値Ｆｇｏを平滑化し、新たなテーブル値としてテーブル
に記憶する（ステップＡ４）。

【００２８】 　　　　　　ＦｇＮ＝αＦｇ＋（１−α）Ｆｇｏ　　　
　　　　　　　　　　　　　　　　　　　　　　　　（
４） 　　この（４）式中、αは平滑化係数で０＜α＜１であ
り、テーブル値Ｆｇｏはこれまでの学習係数、ＦｇＮは
テーブルに記憶される新たなグループ別学習係数である
。

【００２９】さらに、下式（５）に示すように、ズレＦ
を今回圧延材の属するグループのグループ別学習係数の
テーブル値Ｆｇｏで除算した値Ｆｔを算出する（ステッ
プＡ５）。

【００３０】 　　　　　　Ｆｔ＝Ｆ／Ｆｇｏ　　　　　　　　　　　
　　　　　　　　　　　　　　　　　　　　　　　　　
　　　（５） 　　ここで、値Ｆｔは、今回圧延材のモデルと現象との
ズレから、圧延ラインで処理する圧延材の種類等のグル
ープの違いによる変動に起因するズレを除去したもの、
即ち、時系列的な変動によるズレを表すものとなる。

【００３１】そして、下式（６）式に示すように、前回
圧延材までの実績値とモデル計算値との時系列的なズレ
の平滑値Ｆｔｏを、（５）式によるズレＦｔで平滑化し
、新たな時系列学習係数として記憶する（ステップＡ６
）。

【００３２】 　　　　　　ＦｔＮ＝βＦｔ＋（１−β）Ｆｔｏ　　　
　　　　　　　　　　　　　　　　　　　　　　　　（
６） 　　この（６）式中、βは平滑化係数で０＜β＜１であ
り、Ｆｔｏはこれまでの学習係数、ＦｔＮは新たな時系
列学習係数である。

【００３３】次回圧延材の設定計算に際しては、次回圧
延材の圧延指令情報から（１）式を用いて各スタンドの
圧延荷重Ｐｃａｌを計算するとともに、新しいグループ
別学習係数ＦｇＮと時系列学習係数ＦｔＮとを用いて、
下式（７）にて予測圧延荷重（設定計算用圧延荷重）Ｐ
ｓｅｔを演算する（ステップＡ７）。

【００３４】 　　　　　　Ｐｓｅｔ＝ＦｔＮ・ＦｇＮ・Ｐｃａｌ　　
　　　　　　　　　　　　　　　　　　　　　　　　　
　（７） 　　ここで、Ｐｓｅｔはモデル計算値Ｐｃａｌを新しい
グループ別学習係数ＦｇＮと時系列学習係数ＦｔＮとに
より修正したものである。

【００３５】上述のように算出された予測圧延荷重（設
定計算用圧延荷重）Ｐｓｅｔに基づいて、各スタンドで
の圧下位置Ｓが、ステップＢ４において決定される。こ
の圧下位置Ｓは、公知の次式（８）から求めることがで
きる。

【００３６】 　　　　　　Ｓ＝ｈ−Ｐｓｅｔ／Ｍ＋Ｓｏ　　　　　　
　　　　　　　　　　　　　　　　　　　　　　　　（
８） 　　ここで、Ｓは圧下位置、ｈは各スタンドの出側板厚
、Ｍはミル定数、Ｓｏはロール摩耗，ロールの熱膨張等
によるオフセットである。

【００３７】なお、本実施例においては、（７）式にお
けるグループ別学習係数ＦｇＮの使用に際しては、次回
圧延材が属する成品板厚別グループと隣接する成品板厚
別グループの代表板厚を用いて、両グループのグループ
別学習係数ＦｇＮを次回圧延材の成品板厚に応じて次式
（９）で補間した。

【００３８】

【数１】

【００３９】ここで、Ｈｆは次回圧延材の成品板厚（Ｈ
ｆｊ≦Ｈｆ＜Ｈｆｊ＋１）、Ｈｆｊは次回圧延材が属す
る成品板厚別グループの代表板厚、Ｈｆｊ＋１は次回圧
延材が属する成品板厚別グループと隣接するグループの
代表板厚、ＦｇＮｊは次回圧延材が属する成品板厚別グ
ループのグループ別学習係数、ＦｇＮｊ＋１は次回圧延
材が属する成品板厚別グループと隣接するグループのグ
ループ別学習係数である。

【００４０】なお、Ｈｆ＜Ｈｆｊの場合には、ｊ＋１グ
ループの代わりにｊ−１グループのＨｆｊ−１，ＦｇＮ
ｊ−１を用いて（９）式で補間した。

【００４１】図３は本実施例による学習制御を適用した
圧延荷重の計算値と実績値との比較を示すグラフで、こ
の図３は６号スタンドの例を示すが、図３に示す通り、
計算値が実績値とよく一致していることは明確である。

【００４２】また、図４は本実施例における最終スタン
ド出側での圧延材先端部の板厚的中精度を示すグラフで
、圧延材先端部の実績板厚は目標板厚に対して±５０μ
ｍ以内に制御されており、本実施例による圧延荷重の学
習方法が優れていることが分かる。

【００４３】このように、本実施例のプロセスラインに
おける学習制御方法によれば、圧延ラインにおける圧延
荷重を精度良く推定することができ、圧延材の板厚制御
を著しく向上させることができる。

【００４４】なお、上記実施例では、圧延ラインにおけ
る圧延荷重の学習制御方法について説明したが、本発明
の方法は、圧延ラインにおける各スタンドでのパススケ
ジュール板厚，温度降下量の学習，冷却ラインにおける
温度降下量の学習等、プロセスラインにおける種々の学
習制御に適用され、上記実施例と同様の作用効果が得ら
れる。

【００４５】また、上記実施例では、実績値とモデル計
算値とのズレを比の形で学習する場合について説明した
が、対象量によっては実績値とモデル計算値とのズレを
差の形で表してもよく、この場合でも、上記実施例と全
く同様の方法で学習制御を行なうことができる。

【００４６】

【発明の効果】以上詳述したように、本発明のプロセス
ラインにおける学習制御方法によれば、観測されるモデ
ルと現象とのズレを時系列的な変動とグループの違いに
よる変動とに分離して学習し、学習係数の書き換えを行
ない設定計算に反映させることにより、プロセスライン
での制御に際し、現象とモデルとのズレが適切に修正さ
れ、プロセスラインの処理を極めて高い制御精度で行な
える効果がある。

【図面の簡単な説明】

【図１】本発明の一実施例としてのプロセスラインにお
ける学習制御方法を説明するためのフローチャートであ
る。

【図２】本発明の方法を適用された本実施例のホットス
トリップミル仕上げ圧延ラインにおける板厚制御の全体
的な流れを説明するためのフローチャートである。

【図３】本実施例による圧延荷重の計算値と実績値との
比較を示すグラフである。

【図４】本実施例における最終スタンド出側での圧延材
先端部の板厚的中精度を示すグラフである。

Claims (1)

【特許請求の範囲】
1. 【請求項１】　　設定計算用モデルを前回までの実績値
   に基づいて修正しながら、該モデルに基づいてプロセス
   ラインを制御する学習制御方法において、前記プロセス
   ラインで処理する材料の種類，サイズ，制御目標値，処
   理パターン等のグループ別に、実績値と前記モデルによ
   り算出されたモデル計算値とのズレを学習係数として記
   憶するテーブルを作成しておき、今回材料の実績操業デ
   ータに基づいて、前記モデルによるモデル計算値Ｙｃａ
   ｌを算出し、該モデル計算値Ｙｃａｌと今回材料の実績
   値ＹａｃｔとのズレＦを算出し、該ズレＦから、前回材
   料までの実績値とモデル計算値との時系列的なズレの平
   滑値Ｆｔｏを除去した値Ｆｇを算出し、今回材料の属す
   るグループのグループ別学習係数のテーブル値Ｆｇｏを
   、前記値Ｆｇで平滑化したものを、新たなテーブル値と
   して前記テーブルに記憶し、前記ズレＦから、今回材料
   の属するグループのグループ別学習係数のテーブル値Ｆ
   ｇｏを除去した値Ｆｔを算出し、前記平滑値Ｆｔｏを前
   記値Ｆｔで平滑化したものを、新たな時系列学習係数と
   して記憶し、次回材料の設定計算に際し、前記モデルか
   ら算出されるモデル計算値を、前記テーブルに記憶され
   た次回材料の属するグループのグループ別学習係数と新
   たな時系列学習係数とに基づいて修正することを特徴と
   するプロセスラインにおける学習制御方法。