KR102232336B1 - Learning control device of rolling process - Google Patents

Learning control device of rolling process Download PDF

Info

Publication number
KR102232336B1
KR102232336B1 KR1020197020822A KR20197020822A KR102232336B1 KR 102232336 B1 KR102232336 B1 KR 102232336B1 KR 1020197020822 A KR1020197020822 A KR 1020197020822A KR 20197020822 A KR20197020822 A KR 20197020822A KR 102232336 B1 KR102232336 B1 KR 102232336B1
Authority
KR
South Korea
Prior art keywords
learning
layer
learning coefficient
value
control device
Prior art date
Application number
KR1020197020822A
Other languages
Korean (ko)
Other versions
KR20200078418A (en
Inventor
유키히로 야마사키
Original Assignee
도시바 미쓰비시덴키 산교시스템 가부시키가이샤
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 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 filed Critical 도시바 미쓰비시덴키 산교시스템 가부시키가이샤
Publication of KR20200078418A publication Critical patent/KR20200078418A/en
Application granted granted Critical
Publication of KR102232336B1 publication Critical patent/KR102232336B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B21B37/16—Control of thickness, width, diameter or other transverse dimensions
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor

Abstract

이상한 실적값에 의한 학습 계수의 갱신을 피할 수 있는 압연 프로세스의 학습 제어 장치를 제공한다. 압연 프로세스의 학습 제어 장치는, 압연 프로세스의 금회의 실적값과 현시점의 예측 모델에 기초하여 층별 학습 계수 금회값을 계산하고, 층별 학습 계수 금회값과 학습 테이블에 있어서 당해 층별 학습 계수 금회값과 동일한 층별에 기억되어 있는 층별 학습 계수 전회값에 기초하여 층별 학습 계수 갱신값을 계산하고, 층별 학습 계수 금회값과 학습 테이블에 있어서 당해 층별 학습 계수 금회값과 동일한 층별에 기억되어 있는 층별 학습 계수 전회값의 비교 결과에 기초하여, 예측 모델의 학습에 있어서의 이상을 판정하고, 예측 모델의 학습에 있어서의 이상이 있다고 판정된 경우에 층별 학습 계수 전회값을 갱신하지 않는다.There is provided a learning control device for a rolling process capable of avoiding the update of the learning coefficient due to an abnormal performance value. The learning control device of the rolling process calculates the learning coefficient for each floor this time value based on the current performance value of the rolling process and the predicted model at the present time, and the learning coefficient for each floor is equal to the current time value for the learning coefficient for each floor in the learning table. The learning coefficient update value for each layer is calculated based on the previous value of the previous learning coefficient for each layer, and the learning coefficient for each layer is the same as the current value for the learning coefficient for each layer in the learning table and the previous value of the learning coefficient for each floor. Based on the comparison result of, an abnormality in learning of the predictive model is determined, and when it is determined that there is an abnormality in learning of the predictive model, the previous value of the learning coefficient for each layer is not updated.

Description

압연 프로세스의 학습 제어 장치Learning control device of rolling process

본 발명은, 압연 프로세스의 학습 제어 장치에 관한 것이다.The present invention relates to a learning control device for a rolling process.

특허문헌 1은, 압연 프로세스의 학습 제어 장치를 개시한다. 당해 학습 제어 장치에 의하면, 층별 학습 계수가 제한값을 초과한 경우라도, 층별 학습 계수를 수정하여, 제한값 내에서 층별 학습 계수를 제어한다. 이 때문에, 예측 모델의 오차를 효율적으로 수정할 수 있다.Patent Document 1 discloses a learning control device for a rolling process. According to the learning control device, even when the learning coefficient for each layer exceeds the limit value, the learning coefficient for each layer is corrected and the learning coefficient for each layer is controlled within the limit value. For this reason, it is possible to efficiently correct the error of the prediction model.

일본 특허 제5759206호 공보Japanese Patent No. 5759206

그러나, 특허문헌 1에 기재된 학습 제어 장치에 있어서는, 실적값이 이상한 경우라도, 학습 계수가 제한값을 초과하지 않으면, 학습 계수가 갱신된다. 이 경우, 층별 학습 계수가 안정되지 않는다. 층별 학습 계수가 안정되지 않으면, 설정 계산도 안정되지 않는다. 설정 계산이 안정되지 않으면, 압연 상태가 불안정해진다.However, in the learning control device described in Patent Document 1, even when the actual value is abnormal, the learning coefficient is updated if the learning coefficient does not exceed the limit value. In this case, the learning coefficient for each layer is not stable. If the learning coefficient for each layer is not stable, then the setting calculation is also not stable. If the setting calculation is not stable, the rolling state becomes unstable.

본 발명은 상술한 과제를 해결하기 위해 이루어졌다. 본 발명의 목적은, 이상한 실적값에 의한 학습 계수의 갱신을 피할 수 있는 압연 프로세스의 학습 제어 장치를 제공하는 것이다.The present invention was made to solve the above-described problems. It is an object of the present invention to provide a learning control device for a rolling process that can avoid updating a learning coefficient due to an abnormal performance value.

본 발명에 관한 압연 프로세스의 학습 제어 장치는, 압연 프로세스의 실적값과 예측 모델에 의해 얻어진 모델 예측값의 오차를 보정하는 학습 계수를 층별로 층별 학습 계수로서 관리하는 학습 테이블에 대해, 상기 압연 프로세스의 금회의 실적값과 현시점의 예측 모델에 기초하여 층별 학습 계수 금회값을 계산하는 층별 학습 계수 금회값 계산부와, 상기 층별 학습 계수 금회값 계산부에 의해 계산된 층별 학습 계수 금회값과 상기 학습 테이블에 있어서 당해 층별 학습 계수 금회값과 동일한 층별에 기억되어 있는 층별 학습 계수 전회값에 기초하여 층별 학습 계수 갱신값을 계산하는 층별 학습 계수 갱신값 계산부와, 상기 층별 학습 계수 금회값 계산부에 의해 계산된 층별 학습 계수 금회값과 상기 학습 테이블에 있어서 당해 층별 학습 계수 금회값과 동일한 층별에 기억되어 있는 층별 학습 계수 전회값의 비교 결과에 기초하여, 예측 모델의 학습에 있어서의 이상을 판정하는 이상 판정부와, 상기 이상 판정부에 의해 예측 모델의 학습에 있어서의 이상이 있다고 판정된 경우에 층별 학습 계수 전회값을 갱신하지 않는 층별 학습 계수 갱신부를 구비하였다.The learning control device for a rolling process according to the present invention includes, for a learning table that manages a learning coefficient for correcting an error between the performance value of the rolling process and the model predicted value obtained by the prediction model as a learning coefficient for each layer, The learning coefficient for each floor this time value calculation unit for calculating the current time value of the learning coefficient for each floor based on the current performance value and the current prediction model, and the learning coefficient for each floor and the learning table calculated by the learning coefficient for each floor at this time value calculation unit. In each layer, the learning coefficient update value calculation unit for each layer calculates an update value of the learning coefficient for each layer based on the previous value of the previous learning coefficient for each floor that is the same as the current learning coefficient for each layer, and the learning coefficient for each layer current value calculation unit. An abnormality in determining an abnormality in learning of the predictive model based on the comparison result of the calculated learning coefficient current value for each layer and the previous value of the learning coefficient for each layer stored in the same layer as the current learning coefficient for each layer in the learning table. A determination unit and a learning coefficient update unit for each layer that do not update the previous value of the learning coefficient for each layer are provided when the abnormality determination unit determines that there is an abnormality in learning of the predictive model.

본 발명에 따르면, 예측 모델의 학습에 있어서의 이상이 있다고 판정된 경우, 층별 학습 계수는 갱신되지 않는다. 이 때문에, 이상한 실적값에 의한 학습 계수의 갱신을 피할 수 있다.According to the present invention, when it is determined that there is an abnormality in learning of the predictive model, the learning coefficient for each layer is not updated. For this reason, it is possible to avoid the update of the learning coefficient due to the abnormal performance value.

도 1은 실시 형태 1에 있어서의 압연 프로세스의 학습 제어 장치가 적용되는 압연 프로세스의 구성도이다.
도 2는 실시 형태 1에 있어서의 압연 프로세스의 학습 제어 장치의 동작의 개요를 설명하기 위한 흐름도이다.
도 3은 실시 형태 1에 있어서의 압연 프로세스의 학습 제어 장치의 하드웨어 구성도이다.
도 4는 실시 형태 2에 있어서의 압연 프로세스의 학습 제어 장치가 적용되는 압연 프로세스의 구성도이다.
도 5는 실시 형태 2에 있어서의 압연 프로세스의 학습 제어 장치의 제1 동작의 개요를 설명하기 위한 흐름도이다.
도 6은 실시 형태 2에 있어서의 압연 프로세스의 학습 제어 장치에 의한 층별 학습 계수의 갱신 횟수의 정보의 갱신을 설명하기 위한 흐름도이다.
도 7은 실시 형태 2에 있어서의 압연 프로세스의 학습 제어 장치의 제2 동작의 개요를 설명하기 위한 흐름도이다.
도 8은 실시 형태 3에 있어서의 압연 프로세스의 학습 제어 장치가 적용되는 압연 프로세스의 구성도이다.
도 9는 실시 형태 3에 있어서의 압연 프로세스의 학습 제어 장치의 동작의 개요를 설명하기 위한 흐름도이다.1 is a configuration diagram of a rolling process to which a learning control device for a rolling process in Embodiment 1 is applied.
2 is a flowchart for explaining an outline of the operation of the learning control device of the rolling process in the first embodiment.
3 is a hardware configuration diagram of a learning control device for a rolling process according to the first embodiment.
4 is a configuration diagram of a rolling process to which the learning control device of the rolling process according to the second embodiment is applied.
5 is a flowchart for explaining an outline of the first operation of the learning control device of the rolling process in the second embodiment.
6 is a flowchart for explaining the update of information on the number of times the learning coefficient is updated for each layer by the learning control device of the rolling process in the second embodiment.
7 is a flowchart for explaining an outline of the second operation of the learning control device of the rolling process in the second embodiment.
8 is a configuration diagram of a rolling process to which the learning control device of the rolling process in the third embodiment is applied.
9 is a flowchart for explaining an outline of the operation of the learning control device of the rolling process in the third embodiment.

본 발명을 실시하기 위한 형태에 대하여 첨부의 도면을 따라서 설명한다. 또한, 각 도면 중, 동일 또는 상당하는 부분에는 동일한 부호가 부여된다. 당해 부분의 중복 설명은 적절하게 간략화 내지 생략한다.DESCRIPTION OF THE PREFERRED EMBODIMENTS An embodiment of the present invention will be described with reference to the accompanying drawings. In addition, in each drawing, the same code|symbol is attached|subjected to the same or corresponding part. The redundant description of this part is appropriately simplified or omitted.

실시 형태 1.Embodiment 1.

도 1은 실시 형태 1에 있어서의 압연 프로세스의 학습 제어 장치가 적용되는 압연 프로세스의 구성도이다.1 is a configuration diagram of a rolling process to which a learning control device for a rolling process in Embodiment 1 is applied.

도 1에 있어서, 압연 프로세스는, 압연재를 압연하는 프로세스이다. 상세한 설명은 생략되지만, 예를 들어 압연 프로세스는, 가열로, 조압연기, 마무리 압연기, 권취기 등을 구비한다.In FIG. 1, the rolling process is a process of rolling a rolled material. Although detailed description is omitted, for example, the rolling process includes a heating furnace, a rough rolling mill, a finish rolling mill, a take-up machine, and the like.

도 1에 도시된 바와 같이, 학습 제어 장치(1)는, 학습 테이블 기억부(2)와 층별 학습 계수 금회값 계산부(3)와 층별 학습 계수 갱신값 계산부(4)와 층별 학습 계수 차분 판정부(5)와 층별 학습 계수 갱신부(6)를 구비한다.As shown in Fig. 1, the learning control device 1 includes a learning table storage unit 2, a learning coefficient for each layer, this current value calculation unit 3, a learning coefficient update value calculation unit 4 for each layer, and a learning coefficient difference for each layer. A determination unit 5 and a learning coefficient update unit 6 for each layer are provided.

학습 테이블 기억부(2)는, 학습 테이블의 정보를 기억한다. 학습 테이블은, 압연 프로세스의 복수의 조건에 의해 층별화된다. 학습 테이블은, 압연 프로세스에 마련된 도시되지 않는 계측기로부터 얻어진 실적값과 당해 실적값에 기초하여 설정 계산과 동일한 예측 모델에 의해 얻어진 모델 재계산 예측값의 오차를 보정하는 학습 계수를 층별로 층별 학습 계수로서 관리한다. 예를 들어, 압연 하중의 학습 테이블은, 강종, 판 두께의 2개의 층별에 의해 구성된다. 또한, 압연 하중의 학습 테이블의 층별수는, 학습 계수에 따라서 적절히 설정된다. 예를 들어, 압연의 학습 테이블의 층별수는, 3개 혹은 4개 등, 보다 많이 설정되는 경우도 있다.The learning table storage unit 2 stores information on the learning table. The learning table is layered according to a plurality of conditions of the rolling process. In the learning table, a learning coefficient for correcting an error in a model recalculation predicted value obtained by a predictive model identical to a set calculation based on the performance value obtained from an unillustrated measuring instrument provided in the rolling process and the performance value is a learning coefficient for each layer. Manage. For example, the learning table of the rolling load is constituted by two layers of steel type and sheet thickness. In addition, the number of layers of the learning table of the rolling load is appropriately set according to the learning coefficient. For example, the number of floors of the rolling learning table may be set more, such as three or four.

층별 학습 계수 금회값 계산부(3)는, 압연 프로세스에 마련된 도시되지 않는 계측기로부터 얻어진 실적값과 당해 실적값에 기초하여 설정 계산과 동일한 예측 모델에 의해 얻어진 모델 재계산 예측값을 사용하여, 층별 학습 계수 금회값을 계산한다. 구체적으로는, 층별 학습 계수 금회값 계산부(3)는, 다음 (1)식 및 (2)식을 사용하여, 층별 학습 계수 금회값을 계산한다.The floor-by-floor learning coefficient current-time value calculation unit 3 uses the performance value obtained from an unillustrated measuring instrument provided in the rolling process and the model recalculation predicted value obtained by the same predictive model as the setting calculation based on the performance value, and learns by floor. Calculate the coefficient this time value. Specifically, the learning coefficient current-time value calculation unit 3 for each layer calculates the learning coefficient current-time value for each layer using the following equations (1) and (2).

Figure 112019073065713-pct00001
Figure 112019073065713-pct00001

Figure 112019073065713-pct00002
Figure 112019073065713-pct00002

단, (1)식 및 (2)식에 있어서,

Figure 112019073065713-pct00003
는, 압연 하중의 층별 학습 계수 금회값을 나타낸다.
Figure 112019073065713-pct00004
는, 압연 하중 실적값을 나타낸다.
Figure 112019073065713-pct00005
은, 압연 하중 모델 재계산 예측값을 나타낸다.
Figure 112019073065713-pct00006
는, 압연 하중 예측 모델을 나타낸다.
Figure 112019073065713-pct00007
는, 입구측 판 두께 실적값을 나타낸다.
Figure 112019073065713-pct00008
는, 출구측 판 두께 실적값을 나타낸다.
Figure 112019073065713-pct00009
는, 판폭 실적값을 나타낸다.
Figure 112019073065713-pct00010
는, 압연기의 롤 반경 실적값을 나타낸다.
Figure 112019073065713-pct00011
는, 압연재의 전방 장력 실적값을 나타낸다.
Figure 112019073065713-pct00012
는, 압연재의 후방 장력 실적값을 나타낸다.However, in formulas (1) and (2),
Figure 112019073065713-pct00003
Denotes the current time value of the learning coefficient for each layer of the rolling load.
Figure 112019073065713-pct00004
Represents the rolling load performance value.
Figure 112019073065713-pct00005
Represents the rolling load model recalculation predicted value.
Figure 112019073065713-pct00006
Represents a rolling load prediction model.
Figure 112019073065713-pct00007
Represents an inlet side plate thickness actual value.
Figure 112019073065713-pct00008
Represents the actual value of the exit-side plate thickness.
Figure 112019073065713-pct00009
Represents the plate width performance value.
Figure 112019073065713-pct00010
Represents the roll radius performance value of the rolling mill.
Figure 112019073065713-pct00011
Represents the performance value of the forward tension of the rolled material.
Figure 112019073065713-pct00012
Represents the performance value of the rear tension of the rolled material.

층별 학습 계수 갱신값 계산부(4)는, 압연 프로세스에 있어서, 현시점의 강종의 층별이 m, 판 두께의 층별이 n일 때, 학습 테이블 기억부(2)에 있어서 동일한 층별(m, n)에 기억되어 있는 층별 학습 계수 전회값과 (1)식으로 계산된 층별 학습 계수 금회값에 기초하여 층별 학습 계수 갱신값을 계산한다. 구체적으로는, 층별 학습 계수 갱신값 계산부(4)는, 다음 (3)식을 사용하여, 층별 학습 계수 갱신값을 계산한다.The learning coefficient update value calculation unit 4 for each layer is the same for each layer (m, n) in the learning table storage unit 2 when the current steel type layer is m and the sheet thickness layer is n in the rolling process. An updated value of the learning coefficient for each layer is calculated based on the previous value of the learning coefficient for each layer and the current value for the learning coefficient for each layer calculated by Equation (1). Specifically, the learning coefficient update value calculation unit 4 for each layer calculates the learning coefficient update value for each layer using the following equation (3).

Figure 112019073065713-pct00013
Figure 112019073065713-pct00013

단, (3)식에 있어서,

Figure 112019073065713-pct00014
는, 층별 학습 계수 갱신 게인을 나타낸다.
Figure 112019073065713-pct00015
는, 층별 학습 계수 갱신값을 나타낸다.
Figure 112019073065713-pct00016
는, 층별 학습 계수 전회값을 나타낸다. 또한, 미학습 시, 층별 학습 계수 전회값은, 미리 설정된 초기값으로 된다.However, in formula (3),
Figure 112019073065713-pct00014
Denotes the learning coefficient update gain for each layer.
Figure 112019073065713-pct00015
Denotes the learning coefficient update value for each layer.
Figure 112019073065713-pct00016
Represents the previous value of the learning coefficient for each layer. In addition, when not learning, the previous value of the learning coefficient for each layer becomes a preset initial value.

층별 학습 계수 차분 판정부(5)는, 이상 판정부로서, 층별 학습 계수 전회값과 층별 학습 계수 금회값의 비교 결과에 기초하여 예측 모델의 학습에 있어서의 이상을 판정한다. 구체적으로는, 층별 학습 계수 차분 판정부(5)는, 다음 (4)식을 사용하여, 학습 계수 차분 절댓값이 역치 이내인지 여부를 판정한다.The learning coefficient difference determining unit 5 for each layer is an abnormality determining unit and determines an abnormality in learning of the predictive model based on the comparison result of the previous value of the learning coefficient for each layer and the current value of the learning coefficient for each layer. Specifically, the learning coefficient difference determining unit 5 for each layer determines whether or not the absolute value of the learning coefficient difference is within a threshold value using the following equation (4).

Figure 112019073065713-pct00017
Figure 112019073065713-pct00017

단, (4)식에 있어서, ε은 역치를 나타낸다.However, in Formula (4), ε represents a threshold value.

층별 학습 계수 갱신부(6)는, (4)식에 있어서 좌변의 학습 계수 차분 절댓값이 역치 이내인 경우, 학습 테이블 기억부(2)에 기억되어 있는 층별 학습 전회값을 (3)식에 있어서 계산된 층별 학습 계수 갱신값으로 갱신한다. 층별 학습 계수 갱신부(6)는, (4)식에 있어서 좌변의 학습 계수 차분 절댓값이 역치를 초과한 경우, 학습 테이블 기억부(2)에 기억되어 있는 층별 학습 계수를 갱신하지 않는다.When the absolute difference of the learning coefficient difference on the left side in the equation (4) is within the threshold value, the learning coefficient update unit 6 for each layer calculates the previous learning value for each layer stored in the learning table storage unit 2 in the equation (3). It is updated with the calculated learning coefficient update value for each layer. The learning coefficient update unit 6 for each layer does not update the learning coefficient for each layer stored in the learning table storage unit 2 when the absolute difference between the learning coefficients on the left side in the equation (4) exceeds the threshold value.

다음에, 도 2를 사용하여, 학습 제어 장치(1)의 동작의 개요를 설명한다.Next, an outline of the operation of the learning control device 1 will be described with reference to FIG. 2.

도 2는 실시 형태 1에 있어서의 압연 프로세스의 학습 제어 장치의 동작의 개요를 설명하기 위한 흐름도이다.2 is a flowchart for explaining an outline of the operation of the learning control device of the rolling process in the first embodiment.

스텝 S1에서는, 학습 제어 장치(1)는, 층별 학습 계수 금회값을 계산한다. 그 후, 학습 제어 장치는, 스텝 S2의 동작을 행한다. 스텝 S2에서는, 학습 제어 장치(1)는, 층별 학습 계수 갱신값을 계산한다.In step S1, the learning control device 1 calculates the learning coefficient for each layer this time value. After that, the learning control device performs the operation of Step S2. In step S2, the learning control device 1 calculates a learning coefficient update value for each layer.

그 후, 학습 제어 장치(1)는, 스텝 S3의 동작을 행한다. 스텝 S3에서는, 학습 제어 장치(1)는, 층별 학습 계수의 판정을 행한다. 구체적으로는, 학습 제어 장치(1)는, 층별 학습 계수 금회값과 층별 학습 계수 전회값의 차분의 절댓값이 역치 이내인지 여부를 판정한다. 예를 들어, 역치는 0.2로 설정된다.After that, the learning control device 1 performs the operation of Step S3. In step S3, the learning control device 1 determines a learning coefficient for each layer. Specifically, the learning control device 1 determines whether or not the absolute value of the difference between the learning coefficient current value for each layer and the previous learning coefficient value for each layer is within a threshold value. For example, the threshold is set to 0.2.

스텝 S3에서 층별 학습 계수 금회값과 층별 학습 계수 전회값의 차분의 절댓값이 역치 이내인 경우, 학습 제어 장치(1)는, 스텝 S4의 동작을 행한다. 스텝 S4에서는, 학습 제어 장치(1)는, 층별 학습 계수를 갱신한다. 그 후, 학습 제어 장치(1)는 동작을 종료한다.In Step S3, when the absolute value of the difference between the current learning coefficient for each layer and the previous learning coefficient for each layer is within the threshold value, the learning control device 1 performs the operation of Step S4. In step S4, the learning control device 1 updates the learning coefficient for each layer. After that, the learning control device 1 ends the operation.

스텝 S3에서 층별 학습 계수 금회값과 층별 학습 계수 전회값의 차분의 절댓값이 역치 이내가 아닌 경우, 학습 제어 장치(1)는, 층별 학습 계수를 갱신하지 않고 동작을 종료한다.In step S3, when the absolute value of the difference between the current learning coefficient for each layer and the previous value of the learning coefficient for each layer is not within the threshold value, the learning control device 1 ends the operation without updating the learning coefficient for each layer.

이상에서 설명한 실시 형태 1에 의하면, 층별 학습 계수 차분 판정부(5)는, (4)식을 사용하여 예측 모델에 있어서의 이상을 판정한다. 이 때문에, 압연 상태에 있어서 무언가 이상이 발생하여, 층별 학습 계수의 변화가 큰 경우, 층별 학습 계수는 갱신되지 않는다. 그 결과, 층별 학습 계수가 불안정해지는 것을 방지할 수 있다. 이 때문에, 이상한 압연 상태에 의해 갱신된 층별 학습 계수를 사용하는 경우가 적어진다. 그 결과, 안정된 설정 계산에 의한 안정된 압연 상태를 유지하여, 제품의 품질을 향상시킬 수 있다.According to the first embodiment described above, the learning coefficient difference determining unit 5 for each layer determines an abnormality in the predictive model using Equation (4). For this reason, when something abnormal occurs in the rolling state and the change in the learning coefficient for each layer is large, the learning coefficient for each layer is not updated. As a result, it is possible to prevent the learning coefficient for each layer from becoming unstable. For this reason, there are fewer cases of using the learning coefficient for each layer updated due to an abnormal rolling state. As a result, it is possible to improve the quality of the product by maintaining a stable rolling state by stable setting calculation.

또한, 학습 계수 전회값과 학습 계수 금회값의 비에 기초하여, 예측 모델에 있어서의 이상이 발생하였는지 여부를 판정해도 된다. 이 경우도, 안정된 설정 계산에 의한 안정된 압연 상태를 유지하여, 제품의 품질을 향상시킬 수 있다.Further, based on the ratio of the previous learning coefficient value and the current learning coefficient value, it may be determined whether or not an abnormality in the predictive model has occurred. Also in this case, it is possible to improve the quality of the product by maintaining a stable rolling state by stable setting calculation.

다음에, 도 3을 사용하여, 학습 제어 장치(1)의 예를 설명한다.Next, an example of the learning control device 1 will be described using FIG. 3.

도 3은 실시 형태 1에 있어서의 압연 프로세스의 학습 제어 장치의 하드웨어 구성도이다.3 is a hardware configuration diagram of a learning control device for a rolling process according to the first embodiment.

학습 제어 장치의 각 기능은, 처리 회로에 의해 실현할 수 있다. 예를 들어, 처리 회로는, 적어도 하나의 프로세서(100a)와 적어도 하나의 메모리(100b)를 구비한다. 예를 들어, 처리 회로는, 적어도 하나의 전용의 하드웨어(200)를 구비한다.Each function of the learning control device can be realized by a processing circuit. For example, the processing circuit includes at least one processor 100a and at least one memory 100b. For example, the processing circuit includes at least one dedicated hardware 200.

처리 회로가 적어도 하나의 프로세서(100a)와 적어도 하나의 메모리(100b)를 구비하는 경우, 학습 제어 장치의 각 기능은, 소프트웨어, 펌웨어 또는 소프트웨어와 펌웨어의 조합으로 실현된다. 소프트웨어 및 펌웨어 중 적어도 한쪽은, 프로그램으로서 기술된다. 소프트웨어 및 펌웨어 중 적어도 한쪽은, 적어도 하나의 메모리(100b)에 기억된다. 적어도 하나의 프로세서(100a)는, 적어도 하나의 메모리(100b)에 기억된 프로그램을 판독하여 실행함으로써, 학습 제어 장치의 각 기능을 실현한다. 적어도 하나의 프로세서(100a)는, 중앙 처리 장치, 처리 장치, 연산 장치, 마이크로프로세서, 마이크로컴퓨터, DSP라고도 한다. 예를 들어, 적어도 하나의 메모리(100b)는, RAM, ROM, 플래시 메모리, EPROM, EEPROM 등의, 불휘발성 또는 휘발성 반도체 메모리, 자기 디스크, 플렉시블 디스크, 광 디스크, 콤팩트 디스크, 미니 디스크, DVD 등이다.When the processing circuit includes at least one processor 100a and at least one memory 100b, each function of the learning control device is realized by software, firmware, or a combination of software and firmware. At least one of software and firmware is described as a program. At least one of software and firmware is stored in at least one memory 100b. At least one processor 100a reads and executes a program stored in at least one memory 100b, thereby realizing each function of the learning control device. The at least one processor 100a is also referred to as a central processing unit, a processing unit, a computing unit, a microprocessor, a microcomputer, and a DSP. For example, the at least one memory 100b is a nonvolatile or volatile semiconductor memory such as RAM, ROM, flash memory, EPROM, EEPROM, magnetic disk, flexible disk, optical disk, compact disk, mini disk, DVD, etc. to be.

처리 회로가 적어도 하나의 전용의 하드웨어(200)를 구비하는 경우, 처리 회로는, 예를 들어 단일 회로, 복합 회로, 프로그램화한 프로세서, 병렬 프로그램화한 프로세서, ASIC, FPGA, 또는 이들의 조합으로 실현된다. 예를 들어, 학습 제어 장치의 각 기능은, 각각 처리 회로로 실현된다. 예를 들어, 학습 제어 장치의 각 기능은, 통합하여 처리 회로로 실현된다.When the processing circuit includes at least one dedicated hardware 200, the processing circuit is, for example, a single circuit, a complex circuit, a programmed processor, a parallel programmed processor, an ASIC, an FPGA, or a combination thereof. Come true. For example, each function of the learning control device is realized by a processing circuit, respectively. For example, each function of the learning control device is integrated and realized as a processing circuit.

학습 제어 장치 각 기능에 대하여, 일부를 전용의 하드웨어(200)로 실현하고, 타부를 소프트웨어 또는 펌웨어로 실현해도 된다. 예를 들어, 층별 학습 계수 갱신부(6)의 기능에 대해서는 전용의 하드웨어(200)로서의 처리 회로로 실현하고, 층별 학습 계수 갱신부(6)의 기능 이외의 기능에 대해서는 적어도 하나의 프로세서(100a)가 적어도 하나의 메모리(100b)에 기억된 프로그램을 판독하여 실행함으로써 실현해도 된다.For each function of the learning control device, a part may be realized by dedicated hardware 200, and the other part may be realized by software or firmware. For example, the function of the learning coefficient update unit 6 for each layer is realized by a processing circuit as a dedicated hardware 200, and at least one processor 100a for functions other than the function of the learning coefficient update unit 6 for each layer ) May be realized by reading and executing a program stored in at least one memory 100b.

이와 같이, 처리 회로는, 하드웨어(200), 소프트웨어, 펌웨어, 또는 이들의 조합으로 학습 제어 장치의 각 기능을 실현한다.In this way, the processing circuit realizes each function of the learning control device by using the hardware 200, software, firmware, or a combination thereof.

실시 형태 2.Embodiment 2.

도 4는 실시 형태 2에 있어서의 압연 프로세스의 학습 제어 장치가 적용되는 압연 프로세스의 구성도이다. 또한, 실시 형태 1의 부분과 동일하거나 또는 상당 부분에는 동일 부호가 부여된다. 당해 부분의 설명은 생략된다.4 is a configuration diagram of a rolling process to which the learning control device of the rolling process according to the second embodiment is applied. In addition, the same code|symbol is attached|subjected to the part which is the same as or corresponds to the part of Embodiment 1. Description of this part is omitted.

층별 학습 계수의 갱신의 횟수가 적을 때, 층별 학습 계수 갱신 게인에 따라서는, 학습 테이블 기억부(2)에 기억되어 있는 층별 학습 계수 전회값이 초기값으로부터 크게 변화되는 일은 적다. 한편, 예측 모델의 파라미터의 조정 등이 불충분하여 예측 모델의 오차가 큰 경우, 학습 계수 금회값이 커지거나, 혹은, 작아져, 층별 학습 계수 차분 판정부(5)에 있어서 학습 계수 차분 절댓값이 역치보다도 크다고 판정되면, 층별 학습 계수의 갱신이 진행되지 않는다.When the number of updates of the learning coefficients for each layer is small, the previous value of the learning coefficients for each layer stored in the learning table storage unit 2 rarely changes significantly from the initial value, depending on the learning coefficient update gains for each layer. On the other hand, when the error of the prediction model is large due to insufficient adjustment of the parameters of the prediction model, the learning coefficient current value increases or decreases, and the learning coefficient difference absolute value in the learning coefficient difference determination unit 5 for each layer becomes a threshold value. If it is determined that it is larger than, the update of the learning coefficient for each layer is not performed.

또한, 압연 프로세스의 롤의 교환 직후의 압연 상태와 롤의 교환으로부터 압연의 개수가 증가된 후의 압연 상태는 상이하다. 이 경우, 동일한 역치에서는, 층별 학습 갱신이 진행되지 않는 경우도 있다.Further, the rolling state immediately after the roll exchange in the rolling process and the rolling state after the number of rolls is increased from the roll exchange are different. In this case, at the same threshold, the learning update for each layer may not proceed.

따라서, 실시 형태 2의 학습 제어 장치(1)는, 층별 학습 계수의 갱신의 횟수 또는 압연기의 롤의 교환으로부터의 압연의 개수에 기초하여 역치를 전환한다. 구체적으로는, 실시 형태 2의 학습 제어 장치(1)는, 층별 학습 계수 갱신 횟수 기억부(7)와 압연 개수 기억부(8)와 판정 역치 전환부(9)를 구비한다.Accordingly, the learning control device 1 according to the second embodiment switches the threshold value based on the number of updates of the learning coefficient for each layer or the number of rolling from the exchange of the rolls of the rolling mill. Specifically, the learning control device 1 according to the second embodiment includes a learning coefficient update number storage unit 7 for each layer, a rolling number storage unit 8, and a determination threshold value switching unit 9.

층별 학습 계수 갱신 횟수 기억부(7)는, 층별 학습 계수의 갱신의 횟수의 정보를 기억한다. 압연 개수 기억부(8)는, 압연 프로세스의 조업 데이터에 기초하여 압연기의 롤의 교환 후로부터의 압연의 개수의 정보를 기억한다. 판정 역치 전환부(9)는, 다음 (5)식을 사용하여, 층별 학습 계수의 갱신 횟수 또는 압연기의 롤의 교환 후로부터의 압연의 개수에 기초하여 역치를 전환한다.The learning coefficient update number storage unit 7 for each layer stores information on the number of times the learning coefficient is updated for each layer. The rolling number storage unit 8 stores information on the number of rolling after the rolls of the rolling mill are exchanged based on the operation data of the rolling process. The determination threshold value switching unit 9 switches the threshold value based on the number of updates of the learning coefficient for each layer or the number of rolling after the roll of the rolling mill is replaced, using the following equation (5).

Figure 112019073065713-pct00018
Figure 112019073065713-pct00018

단, (5)식에 있어서,

Figure 112019073065713-pct00019
는, 층별 학습 계수의 갱신의 횟수에 따른 역치를 나타낸다.
Figure 112019073065713-pct00020
는, 압연기의 롤의 교환에 따른 역치이다.
Figure 112019073065713-pct00021
은, 그 이외에서의 역치를 나타낸다.
Figure 112019073065713-pct00022
는, 층별 학습 계수의 갱신의 횟수를 나타낸다.
Figure 112019073065713-pct00023
는, 압연기의 롤의 교환 후로부터의 압연의 개수를 나타낸다. i는, 층별 학습 계수의 갱신의 횟수 자체의 역치를 나타낸다. j는 압연기의 롤의 교환 후로부터의 압연의 개수 자체의 역치를 나타낸다.However, in formula (5),
Figure 112019073065713-pct00019
Denotes a threshold value according to the number of updates of the learning coefficients for each layer.
Figure 112019073065713-pct00020
Is a threshold value according to the exchange of the rolls of the rolling mill.
Figure 112019073065713-pct00021
Represents a threshold value other than that.
Figure 112019073065713-pct00022
Denotes the number of times the learning coefficient is updated for each layer.
Figure 112019073065713-pct00023
Represents the number of rolling after replacement of the rolls of the rolling mill. i denotes a threshold value of the number of updates of the learning coefficient for each layer itself. j denotes the threshold value of the number of rolling itself after the rolls of the rolling mill are replaced.

판정 역치 전환부(9)는, 미학습의 층별 구분 또한 압연기의 롤의 교환 직후의 경우에, 어느 한쪽의 역치를 선택하는 플래그를 갖는다. 예를 들어, 플래그는, 외부로부터의 조작에 기초하여 입력된다.The determination threshold value switching unit 9 has a flag for selecting one of the threshold values in the case of unlearned layer division or immediately after the roll of the rolling mill is replaced. For example, the flag is input based on an operation from the outside.

다음에, 도 5를 사용하여, 학습 제어 장치(1)의 제1 동작의 개요를 설명한다.Next, an outline of the first operation of the learning control device 1 will be described with reference to FIG. 5.

도 5는 실시 형태 2에 있어서의 압연 프로세스의 학습 제어 장치의 제1 동작의 개요를 설명하기 위한 흐름도이다.5 is a flowchart for explaining an outline of the first operation of the learning control device of the rolling process in the second embodiment.

스텝 S11에서는, 층별 학습 계수의 갱신 횟수의 정보를 기억한다. 또한, 미학습의 층별 구분에 있어서는, 층별 학습 계수의 갱신 횟수는 0이다. 그 후, 학습 제어 장치(1)는, 스텝 S12의 동작을 행한다. 스텝 S12에서는, 학습 제어 장치(1)는, 층별 학습 계수의 갱신 횟수의 판정을 행한다. 구체적으로는, 학습 제어 장치(1)는, 층별 학습 계수의 갱신 횟수가 미리 설정된 횟수보다도 많은지 여부를 판정한다. 예를 들어, 학습 제어 장치(1)는, 층별 학습 계수의 갱신 횟수가 5회보다도 많은지 여부를 판정한다.In step S11, information on the number of times the learning coefficient for each layer is updated is stored. In addition, in the classification of non-learning by layer, the number of updates of the learning coefficient by layer is 0. After that, the learning control device 1 performs the operation of Step S12. In step S12, the learning control device 1 determines the number of times the learning coefficients for each layer are updated. Specifically, the learning control device 1 determines whether or not the number of times the learning coefficient for each layer is updated is greater than a preset number. For example, the learning control device 1 determines whether or not the number of updates of the learning coefficients for each layer is greater than five times.

스텝 S12에서 갱신 횟수가 미리 설정된 횟수보다도 많지 않은 경우, 학습 제어 장치(1)는, 스텝 S13의 동작을 행한다. 스텝 S13에서는, 학습 제어 장치(1)는, 역치의 값을 0.3으로 한다.When the number of updates in step S12 is not greater than the preset number, the learning control device 1 performs the operation of step S13. In step S13, the learning control device 1 sets the threshold value to 0.3.

스텝 S12에서 갱신 횟수가 미리 설정된 횟수보다도 많은 경우, 학습 제어 장치(1)는, 스텝 S14의 동작을 행한다. 스텝 S14에서는, 학습 제어 장치(1)는, 역치의 값을 0.2로 한다.When the number of updates in step S12 is greater than the preset number, the learning control device 1 performs the operation of step S14. In step S14, the learning control device 1 sets the threshold value to 0.2.

스텝 S13 또는 스텝 S14 후, 학습 제어 장치(1)는, 스텝 S15의 동작을 행한다. 스텝 S15에서는, 학습 제어 장치(1)는, 층별 학습 계수 금회값을 계산한다. 그 후, 학습 제어 장치(1)는, 스텝 S16의 동작을 행한다. 스텝 S16에서는, 학습 제어 장치(1)는, 층별 학습 계수 갱신값을 계산한다.After step S13 or step S14, the learning control device 1 performs the operation of step S15. In step S15, the learning control device 1 calculates the learning coefficient for each layer this time value. After that, the learning control device 1 performs the operation of Step S16. In step S16, the learning control device 1 calculates a learning coefficient update value for each layer.

그 후, 학습 제어 장치는, 스텝 S17의 동작을 행한다. 스텝 S17에서는, 학습 제어 장치(1)는, 층별 학습 계수의 판정을 행한다. 구체적으로는, 학습 제어 장치(1)는, 층별 학습 계수 금회값과 층별 학습 계수 전회값의 차분의 절댓값이 역치 이내인지 여부를 판정한다.After that, the learning control device performs the operation of Step S17. In step S17, the learning control device 1 determines a learning coefficient for each layer. Specifically, the learning control device 1 determines whether or not the absolute value of the difference between the learning coefficient current value for each layer and the previous learning coefficient value for each layer is within a threshold value.

스텝 S17에서 층별 학습 계수 금회값과 층별 학습 계수 전회값의 차분의 절댓값이 역치 이내인 경우, 학습 제어 장치(1)는, 스텝 S18의 동작을 행한다. 스텝 S18에서는, 학습 제어 장치(1)는, 층별 학습 계수를 갱신한다. 그 후, 학습 제어 장치(1)는 동작을 종료한다.In Step S17, when the absolute value of the difference between the current learning coefficient for each layer and the previous learning coefficient for each layer is within the threshold value, the learning control device 1 performs the operation of Step S18. In step S18, the learning control device 1 updates the learning coefficient for each layer. After that, the learning control device 1 ends the operation.

스텝 S17에서 층별 학습 계수 금회값과 층별 학습 계수 전회값의 차분의 절댓값이 역치 이내가 아닌 경우, 학습 제어 장치는, 층별 학습 계수를 갱신하지 않고 동작을 종료한다.In step S17, when the absolute value of the difference between the current learning coefficient value for each layer and the previous value of the learning coefficient for each layer is not within the threshold value, the learning control device ends the operation without updating the learning coefficient for each layer.

다음에, 도 6을 사용하여, 학습 제어 장치(1)에 의한 층별 학습 계수의 갱신 횟수의 정보의 갱신을 설명한다.Next, the update of information on the number of times the learning coefficient is updated for each layer by the learning control device 1 will be described with reference to FIG. 6.

도 6은 실시 형태 2에 있어서의 압연 프로세스의 학습 제어 장치에 의한 층별 학습 계수의 갱신 횟수의 정보의 갱신을 설명하기 위한 흐름도이다.6 is a flowchart for explaining the update of information on the number of times the learning coefficient is updated for each layer by the learning control device of the rolling process in the second embodiment.

스텝 S19에서는, 학습 제어 장치(1)는, 도 5의 플로우에 있어서 층별 학습 계수가 갱신되었는지 여부를 판정한다.In step S19, the learning control device 1 determines whether or not the learning coefficient for each layer has been updated in the flow of FIG. 5.

스텝 S19에서 층별 학습 계수가 갱신되지 않은 경우, 학습 제어 장치(1)는, 층별 학습 계수의 갱신 횟수의 정보를 갱신하지 않고 동작을 종료한다.When the learning coefficient for each layer is not updated in step S19, the learning control device 1 ends the operation without updating information on the number of times the learning coefficient for each layer is updated.

스텝 S19에서 층별 학습 계수가 갱신된 경우, 학습 제어 장치(1)는, 스텝 S20의 동작을 행한다. 스텝 S20에서는, 학습 제어 장치(1)는, 층별 학습 계수의 갱신 횟수의 정보를 갱신한다. 그 후, 학습 제어 장치(1)는 동작을 종료한다.When the learning coefficient for each layer is updated in step S19, the learning control device 1 performs the operation of step S20. In step S20, the learning control device 1 updates information on the number of times the learning coefficient for each layer is updated. After that, the learning control device 1 ends the operation.

도 6의 플로우에 있어서 얻어지는 층별 학습 계수의 갱신 횟수의 정보는, 차회의 학습에 이용된다.The information on the number of updates of the learning coefficient for each layer obtained in the flow of Fig. 6 is used for the next learning.

다음에, 도 7을 사용하여, 학습 제어 장치의 제2 동작의 개요를 설명한다.Next, an outline of the second operation of the learning control device will be described with reference to Fig. 7.

도 7은 실시 형태 2에 있어서의 압연 프로세스의 학습 제어 장치의 제2 동작의 개요를 설명하기 위한 흐름도이다.7 is a flowchart for explaining an outline of the second operation of the learning control device of the rolling process in the second embodiment.

스텝 S21에서는, 학습 제어 장치(1)는, 롤의 교환 후에 있어서의 압연의 개수의 정보를 기억한다. 그 후, 학습 제어 장치(1)는, 스텝 S22의 동작을 행한다. 스텝 S22에서는, 학습 제어 장치(1)는, 롤의 교환 후에 있어서의 압연의 개수가 미리 설정된 개수보다도 많은지 여부를 판정한다. 예를 들어, 학습 제어 장치(1)는, 롤의 교환 후에 있어서의 압연의 개수가 10개보다도 많은지 여부를 판정한다.In step S21, the learning control device 1 stores information on the number of rolling after the roll is exchanged. After that, the learning control device 1 performs the operation of Step S22. In step S22, the learning control device 1 determines whether or not the number of rolls after the roll exchange is greater than a preset number. For example, the learning control device 1 determines whether or not the number of rolls after replacing the rolls is greater than ten.

스텝 S22에서 롤의 교환 후에 있어서의 압연의 개수가 미리 설정된 개수보다도 많지 않은 경우, 학습 제어 장치(1)는, 스텝 S23의 동작을 행한다. 스텝 S23에서는, 학습 제어 장치(1)는 역치를 0.25로 한다.When the number of rolls after the roll exchange in step S22 is not larger than the preset number, the learning control device 1 performs the operation of step S23. In step S23, the learning control device 1 sets the threshold value to 0.25.

스텝 S22에서 롤의 교환 후에 있어서의 압연의 개수가 미리 설정된 개수보다도 많은 경우, 학습 제어 장치(1)는, 스텝 S24의 동작을 행한다. 스텝 S24에서는, 학습 제어 장치(1)는 역치를 0.2로 한다.When the number of rolls after the roll exchange in step S22 is larger than the preset number, the learning control device 1 performs the operation of step S24. In step S24, the learning control device 1 sets the threshold value to 0.2.

스텝 S23 또는 스텝 S24 후, 학습 제어 장치(1)는, 스텝 S25의 동작을 행한다. 스텝 S25에서는, 학습 제어 장치(1)는, 층별 학습 계수 금회값을 계산한다. 그 후, 학습 제어 장치(1)는, 스텝 S26의 동작을 행한다. 스텝 S26에서는, 학습 제어 장치(1)는, 층별 학습 계수 갱신값을 계산한다.After step S23 or step S24, the learning control device 1 performs the operation of step S25. In step S25, the learning control device 1 calculates the learning coefficient for each layer this time value. After that, the learning control device 1 performs the operation of Step S26. In step S26, the learning control device 1 calculates a learning coefficient update value for each layer.

그 후, 학습 제어 장치는, 스텝 S27의 동작을 행한다. 스텝 S27에서는, 학습 제어 장치(1)는, 층별 학습 계수의 판정을 행한다. 구체적으로는, 학습 제어 장치(1)는, 층별 학습 계수 금회값과 층별 학습 계수 전회값의 차분의 절댓값이 역치 이내인지 여부를 판정한다.After that, the learning control device performs the operation of Step S27. In step S27, the learning control device 1 determines a learning coefficient for each layer. Specifically, the learning control device 1 determines whether or not the absolute value of the difference between the learning coefficient current value for each layer and the previous learning coefficient value for each layer is within a threshold value.

스텝 S27에서 층별 학습 계수 금회값과 층별 학습 계수 전회값의 차분의 절댓값이 역치 이내인 경우, 학습 제어 장치(1)는, 스텝 S28의 동작을 행한다. 스텝 S28에서는, 학습 제어 장치(1)는, 층별 학습 계수를 갱신한다. 그 후, 학습 제어 장치(1)는 동작을 종료한다.In Step S27, when the absolute value of the difference between the current learning coefficient for each layer and the previous learning coefficient for each layer is within the threshold value, the learning control device 1 performs the operation of Step S28. In step S28, the learning control device 1 updates the learning coefficient for each layer. After that, the learning control device 1 ends the operation.

스텝 S27에서 층별 학습 계수 금회값과 층별 학습 계수 전회값의 차분의 절댓값이 역치 이내가 아닌 경우, 학습 제어 장치는, 층별 학습 계수를 갱신하지 않고 동작을 종료한다.In step S27, when the absolute value of the difference between the current learning coefficient for each layer and the previous value of the learning coefficient for each layer is not within the threshold, the learning control device ends the operation without updating the learning coefficient for each layer.

이상에서 설명한 실시 형태 2에 의하면, 판정 역치 전환부(9)는, 층별 학습 계수 갱신 횟수 기억부(7)에 의해 기억된 정보에 기초하여, 예측 모델에 있어서의 이상의 판정에 사용되는 역치를 전환한다. 이 때문에, 층별 학습 계수의 갱신의 횟수가 적은 경우에 층별 학습 계수의 갱신이 진행되지 않는 것을 피할 수 있다.According to the second embodiment described above, the determination threshold value switching unit 9 switches the threshold value used for abnormality determination in the predictive model based on the information stored by the learning coefficient update number storage unit 7 for each layer. do. For this reason, when the number of times of updating the learning coefficient for each layer is small, it can be avoided that the update of the learning coefficient for each layer does not proceed.

또한, 판정 역치 전환부(9)는, 압연 개수 기억부(8)에 의해 기록된 정보에 기초하여, 예측 모델에 있어서의 이상의 판정에 사용되는 역치를 전환한다. 이 때문에, 압연기의 롤의 교환에 의해 압연 상태의 변화에 의해 층별 학습 계수의 갱신이 진행되지 않는 것을 피할 수 있다.Further, the determination threshold value switching unit 9 switches a threshold value used for abnormality determination in the predictive model based on the information recorded by the rolling number storage unit 8. For this reason, it can be avoided that the update of the learning coefficient for each layer does not proceed due to changes in the rolling state due to the exchange of the rolls of the rolling mill.

실시 형태 3.Embodiment 3.

도 8은 발명의 실시 형태 3에 있어서의 압연 프로세스의 학습 제어 장치가 적용되는 압연 프로세스의 구성도이다. 또한, 실시 형태 1의 부분과 동일하거나 또는 상당 부분에는 동일 부호가 부여된다. 당해 부분의 설명은 생략된다.Fig. 8 is a configuration diagram of a rolling process to which the learning control device of the rolling process according to the third embodiment of the invention is applied. In addition, the same code|symbol is attached|subjected to the part which is the same as or corresponds to the part of Embodiment 1. Description of this part is omitted.

재료간 학습 계수는, 층별 학습 계수와는 달리, 재료간의 변화에 대응한 학습 계수이다. 재료간 학습 계수는, 차회의 압연재에 적용된다.The inter-material learning coefficient, unlike the layer-by-layer learning coefficient, is a learning coefficient corresponding to a change between materials. The inter-material learning factor is applied to the next rolled material.

따라서, 실시 형태 3의 학습 제어 장치(1)는, 층별 학습 계수가 갱신되지 않은 경우라도 재료간 학습 계수를 갱신한다. 구체적으로는, 실시 형태 3의 학습 제어 장치(1)는, 재료간 학습 계수 금회값 계산부(10)와 재료간 학습 계수 갱신 게인 전환부(11)와 재료간 학습 계수 갱신값 계산부(12)와 재료간 학습 계수 갱신부(13)와 재료간 학습 계수 기억부(14)를 구비한다.Therefore, the learning control device 1 according to the third embodiment updates the learning coefficients between materials even when the learning coefficients for each layer are not updated. Specifically, the learning control device 1 according to the third embodiment includes the material-to-material learning coefficient current-time value calculation unit 10, the material-to-material learning coefficient update gain switching unit 11, and the material-to-material learning coefficient update value calculation unit 12. ), an inter-material learning coefficient update unit 13, and an inter-material learning coefficient storage unit 14.

재료간 학습 계수 금회값 계산부(10)는, 다음 (6)식을 사용하여, 재료간 학습 계수를 계산한다.Inter-material learning coefficient This time value calculation unit 10 calculates an inter-material learning coefficient using the following equation (6).

Figure 112019073065713-pct00024
Figure 112019073065713-pct00024

단, (6)식에 있어서,

Figure 112019073065713-pct00025
는, 압연 하중의 재료간 학습 계수 금회값을 나타낸다.However, in formula (6),
Figure 112019073065713-pct00025
Denotes the current time value of the inter-material learning coefficient of the rolling load.

재료간 학습 계수 갱신 게인 전환부(11)는, 층별 학습 계수 차분 판정부(5)에 있어서 학습 계수 차분 절댓값이 역치를 초과하는 경우, 다음 (7)식을 사용하여, 학습 계수 갱신 게인을 전환한다.The learning coefficient update gain switching unit 11 between materials switches the learning coefficient update gain using the following equation (7) when the absolute value of the learning coefficient difference exceeds the threshold value in the learning coefficient difference determining unit 5 for each layer. do.

Figure 112019073065713-pct00026
Figure 112019073065713-pct00026

단, (7)식에 있어서,

Figure 112019073065713-pct00027
는, 학습 계수 갱신 게인을 나타낸다.
Figure 112019073065713-pct00028
는, 학습 계수 차분 절댓값이 역치 내일 때의 게인을 나타낸다.
Figure 112019073065713-pct00029
는, 학습 계수 차분 절댓값이 역치를 초과하였을 때의 게인을 나타낸다. 이 경우, 다음 (8)식이 성립한다.However, in formula (7),
Figure 112019073065713-pct00027
Denotes a learning coefficient update gain.
Figure 112019073065713-pct00028
Denotes a gain when the absolute value of the difference between the learning coefficients is within the threshold value.
Figure 112019073065713-pct00029
Denotes a gain when the absolute value of the learning coefficient difference exceeds the threshold value. In this case, the following equation (8) holds.

Figure 112019073065713-pct00030
Figure 112019073065713-pct00030

즉, 재료간 학습 계수 갱신 게인 전환부(11)는, 학습 계수 차분 절댓값이 역치를 초과한 경우에 학습 계수 갱신 게인을 크게 한다.That is, the learning coefficient update gain switching unit 11 between materials increases the learning coefficient update gain when the absolute value of the learning coefficient difference exceeds the threshold value.

재료간 학습 계수 갱신 게인 전환부(11)에 의해 결정된 학습 계수 갱신 게인을 사용하여, 재료간 학습 계수 갱신값 계산부(12)는, 다음 (9)식을 사용하여, 재료간 학습 계수 갱신값을 계산한다.Using the learning coefficient update gain determined by the inter-material learning coefficient update gain switching unit 11, the inter-material learning coefficient update value calculation unit 12 uses the following equation (9), and the inter-material learning coefficient update value Calculate

Figure 112019073065713-pct00031
Figure 112019073065713-pct00031

재료간 학습 계수 갱신부(13)는, 재료간 학습 계수 전회값을 (9)식으로 계산된 재료간 학습 계수 갱신값으로 갱신한다.The inter-material learning coefficient update unit 13 updates the previous value of the inter-material learning coefficient with the updated value of the inter-material learning coefficient calculated by Equation (9).

재료간 학습 계수 기억부(14)는, 재료간 학습 전회값의 정보를 소거하여 재료간 학습 계수 갱신값의 정보를 기억한다. 갱신된 재료간 학습 계수는, 재료간의 설정 계산에 사용된다.The inter-material learning coefficient storage unit 14 erases information on the previous value of inter-material learning, and stores information on the updated value of the inter-material learning coefficient. The updated inter-material learning coefficient is used to calculate the inter-material setting.

다음에, 도 9를 사용하여, 학습 제어 장치의 동작의 개요를 설명한다.Next, an outline of the operation of the learning control device will be described with reference to Fig. 9.

도 9는 실시 형태 3에 있어서의 압연 프로세스의 학습 제어 장치의 동작의 개요를 설명하기 위한 흐름도이다.9 is a flowchart for explaining an outline of the operation of the learning control device of the rolling process in the third embodiment.

스텝 S31에서는, 학습 제어 장치(1)는, 층별 학습 계수 금회값을 계산한다. 그 후, 학습 제어 장치는, 스텝 S32의 동작을 행한다. 스텝 S32에서는, 학습 제어 장치(1)는, 층별 학습 계수 갱신값을 계산한다.In step S31, the learning control device 1 calculates the learning coefficient for each layer this time value. After that, the learning control device performs the operation of Step S32. In step S32, the learning control device 1 calculates a learning coefficient update value for each layer.

그 후, 학습 제어 장치는, 스텝 S33의 동작을 행한다. 스텝 S33에서는, 학습 제어 장치(1)는, 재료간 학습 계수 금회값을 계산한다. 그 후, 학습 제어 장치(1)는, 스텝 S34의 동작을 행한다. 스텝 S34에서는, 학습 제어 장치(1)는, 층별 학습 계수의 판정을 행한다. 구체적으로는, 학습 제어 장치(1)는, 층별 학습 계수 금회값과 층별 학습 계수 전회값의 차분의 절댓값이 역치 이내인지 여부를 판정한다.After that, the learning control device performs the operation of Step S33. In step S33, the learning control device 1 calculates the learning coefficient between materials this time value. After that, the learning control device 1 performs the operation of Step S34. In step S34, the learning control device 1 determines a learning coefficient for each layer. Specifically, the learning control device 1 determines whether or not the absolute value of the difference between the learning coefficient current value for each layer and the previous learning coefficient value for each layer is within a threshold value.

스텝 S34에서 층별 학습 계수 금회값과 층별 학습 계수 전회값의 차분의 절댓값이 역치 이내인 경우, 학습 제어 장치(1)는, 스텝 S35의 동작을 행한다. 스텝 S35에서는, 학습 제어 장치(1)는, 층별 학습 계수를 갱신한다. 그 후, 학습 제어 장치(1)는, 스텝 S36의 동작을 행한다. 스텝 S36에서는, 학습 제어 장치(1)는, 비교적 작은 학습 계수 갱신 게인으로 재료간 학습 계수 갱신값을 계산한다. 그 후, 학습 제어 장치(1)는 동작을 종료한다.In Step S34, when the absolute value of the difference between the current learning coefficient for each layer and the previous learning coefficient for each layer is within the threshold value, the learning control device 1 performs the operation of Step S35. In step S35, the learning control device 1 updates the learning coefficient for each layer. After that, the learning control device 1 performs the operation of Step S36. In step S36, the learning control device 1 calculates an inter-material learning factor update value with a relatively small learning factor update gain. After that, the learning control device 1 ends the operation.

스텝 S34에서 층별 학습 계수 금회값과 층별 학습 계수 전회값의 차분의 절댓값이 역치 이내가 아닌 경우, 학습 제어 장치(1)는, 스텝 S37의 동작을 행한다. 스텝 S37에서는, 학습 제어 장치(1)는, 비교적 큰 학습 계수 갱신 게인으로 재료간 학습 계수 갱신값을 계산한다. 그 후, 학습 제어 장치(1)는 동작을 종료한다.In Step S34, when the absolute value of the difference between the current learning coefficient for each layer and the previous learning coefficient for each layer is not within the threshold value, the learning control device 1 performs the operation of Step S37. In step S37, the learning control device 1 calculates an inter-material learning factor update value with a relatively large learning factor update gain. After that, the learning control device 1 ends the operation.

이상에서 설명한 실시 형태 3에 의하면, 예측 모델에 있어서의 이상의 판정 결과에 기초하여, 재료간 학습 계수의 갱신 게인이 전환된다. 예를 들어, 층별 학습 계수 갱신부(6)가 층별 학습 계수를 갱신하지 않은 경우에, 재료간 학습 계수는, 비교적 큰 학습 계수 갱신 게인으로 갱신된다. 이 때문에, 연속적으로 발생하는 이상한 실적값에 대한 예측 모델의 오차를 작게 할 수 있다. 그 결과, 압연 상태를 안정시킬 수 있다.According to the third embodiment described above, the update gain of the learning coefficient between materials is switched based on the abnormality determination result in the predictive model. For example, when the learning coefficient update unit 6 for each layer does not update the learning coefficient for each layer, the learning coefficient between materials is updated with a relatively large learning coefficient update gain. For this reason, it is possible to reduce the error of the prediction model with respect to the abnormal performance values that occur continuously. As a result, the rolling state can be stabilized.

또한, 압연 프로세스에 있어서, 실시 형태 1 내지 실시 형태 3의 학습 제어 장치(1)를 압연 하중 이외의 예측 모델에 적용해도 된다.Further, in the rolling process, the learning control device 1 of the first to third embodiments may be applied to predictive models other than the rolling load.

이상과 같이, 본 발명에 관한 압연 프로세스의 학습 제어 장치는, 압연 프로세스의 예측 모델의 학습에 이용할 수 있다.As described above, the learning control device for a rolling process according to the present invention can be used for learning a predictive model for a rolling process.

1 : 학습 제어 장치
2 : 학습 테이블 기억부
3 : 층별 학습 계수 금회값 계산부
4 : 층별 학습 계수 갱신값 계산부
5 : 층별 학습 계수 차분 판정부
6 : 층별 학습 계수 갱신부
7 : 층별 학습 계수 갱신 횟수 기억부
8 : 압연 개수 기억부
9 : 판정 역치 전환부
10 : 재료간 학습 계수 금회값 계산부
11 : 재료간 학습 계수 갱신 게인 전환부
12 : 재료간 학습 계수 갱신값 계산부
13 : 재료간 학습 계수 갱신부
14 : 재료간 학습 계수 기억부
100a : 프로세서
100b : 메모리
200 : 하드웨어1: learning control device
2: learning table storage unit
3: Learning coefficient for each floor, this time value calculation unit
4: learning coefficient update value calculation unit for each floor
5: learning coefficient difference determination unit for each floor
6: learning coefficient update unit for each floor
7: learning coefficient update count storage unit for each floor
8: rolling number storage unit
9: judgment threshold switching unit
10: learning coefficient between materials, this time value calculation unit
11: learning coefficient update gain switching unit between materials
12: learning coefficient update value calculation unit between materials
13: learning coefficient update unit between materials
14: learning coefficient storage unit between materials
100a: processor
100b: memory
200: hardware

Claims (5)

압연 프로세스의 실적값과 예측 모델에 의해 얻어진 모델 예측값의 오차를 보정하는 학습 계수를 층별로 층별 학습 계수로서 관리하는 학습 테이블에 대해, 상기 압연 프로세스의 금회의 실적값과 현시점의 예측 모델에 기초하여 층별 학습 계수 금회값을 계산하는 층별 학습 계수 금회값 계산부와,
상기 층별 학습 계수 금회값 계산부에 의해 계산된 층별 학습 계수 금회값과 상기 학습 테이블에 있어서 당해 층별 학습 계수 금회값과 동일한 층별에 기억되어 있는 층별 학습 계수 전회값에 기초하여 층별 학습 계수 갱신값을 계산하는 층별 학습 계수 갱신값 계산부와,
상기 층별 학습 계수 금회값 계산부에 의해 계산된 층별 학습 계수 금회값과 상기 학습 테이블에 있어서 당해 층별 학습 계수 금회값과 동일한 층별에 기억되어 있는 층별 학습 계수 전회값의 비교 결과에 기초하여, 예측 모델의 학습에 있어서의 이상을 판정하는 이상 판정부와,
상기 이상 판정부에 의해 예측 모델의 학습에 있어서의 이상이 있다고 판정된 경우에 층별 학습 계수 전회값을 갱신하지 않는 층별 학습 계수 갱신부
를 구비한 압연 프로세스의 학습 제어 장치.Based on the current performance value of the rolling process and the current prediction model for a learning table that manages the learning coefficient for correcting the error of the performance value of the rolling process and the model prediction value obtained by the prediction model as a learning coefficient for each layer for each layer. A floor-by-floor learning coefficient current-time value calculator that calculates the floor-by-floor learning coefficient current-time value
An updated value of the learning coefficient for each layer based on the learning coefficient current value for each layer calculated by the learning coefficient current value calculation unit for each layer and the previous value of the previous learning coefficient for each layer stored in the same layer as the current value for the learning coefficient for each layer in the learning table. A learning coefficient update value calculation unit for each layer to be calculated,
A prediction model based on a comparison result of the layer-by-layer learning coefficient current-time value calculated by the layer-by-layer learning coefficient current-time value calculation unit and the layer-by-layer learning coefficient previous value stored in the same layer as the corresponding layer-by-layer learning coefficient current value in the learning table. An abnormality determination unit that determines abnormalities in learning of,
A learning coefficient update unit for each floor that does not update the previous value of the learning coefficient for each floor when it is determined that there is an abnormality in learning of the predictive model by the abnormality determination unit.
Learning control device of the rolling process provided. 제1항에 있어서,
상기 이상 판정부는, 상기 층별 학습 계수 금회값 계산부에 의해 계산된 층별 학습 계수 금회값과 상기 학습 테이블에 있어서 당해 층별 학습 계수 금회값과 동일한 층별에 기억되어 있는 층별 학습 계수 전회값의 차분의 절댓값이 역치를 초과한 경우에 예측 모델의 학습에 있어서의 이상이 있다고 판정하는 압연 프로세스의 학습 제어 장치.The method of claim 1,
The abnormality determining unit is an absolute value of a difference between the learning coefficient current value for each layer calculated by the learning coefficient current time value calculation unit for each layer and the previous learning coefficient value for each layer stored in the same layer in the learning table. A learning control device for a rolling process that determines that there is an abnormality in learning a predictive model when this threshold is exceeded. 제2항에 있어서,
상기 층별 학습 계수 갱신부에 의한 상기 학습 테이블의 층별 학습 계수의 갱신 횟수의 정보를 기억하는 층별 학습 계수 갱신 횟수 기억부와,
상기 층별 학습 계수 갱신 횟수 기억부에 의해 기억된 정보에 기초하여, 상기 이상 판정부의 판정에 사용되는 역치를 전환하는 판정 역치 전환부를 구비한 압연 프로세스의 학습 제어 장치.The method of claim 2,
A learning coefficient update number storage unit for each layer for storing information on the number of updates of learning coefficients for each layer of the learning table by the layer learning coefficient update unit;
A learning control device for a rolling process including a determination threshold value switching unit that switches a threshold value used for determination of the abnormality determination unit based on information stored by the learning coefficient update number storage unit for each layer. 제2항 또는 제3항에 있어서,
상기 압연 프로세스에 있어서 롤이 교환되고 나서의 압연재의 압연의 개수의 정보를 기억하는 압연 개수 기억부와,
상기 압연 개수 기억부에 의해 기억된 정보에 기초하여, 상기 이상 판정부의 판정에 사용되는 역치를 전환하는 판정 역치 전환부를 구비한 압연 프로세스의 학습 제어 장치.The method according to claim 2 or 3,
A rolling number storage unit for storing information on the number of rolls of the rolled material after the rolls are exchanged in the rolling process;
A learning control device for a rolling process including a determination threshold value switching unit that switches a threshold value used for determination of the abnormality determination unit based on information stored by the rolling number storage unit. 제2항 또는 제3항에 있어서,
차회의 압연재에 적용되는 재료간 학습 계수에 대해, 상기 압연 프로세스의 실적값과 모델 예측값의 오차에 기초하여 재료간 학습 계수 금회값을 계산하는 재료간 학습 계수 금회값 계산부와,
상기 이상 판정부의 판정 결과에 기초하여 재료간 학습 계수 갱신값을 계산할 때의 갱신 게인을 전환하는 재료간 학습 계수 갱신 게인 전환부와,
상기 재료간 학습 계수 금회값 계산부에 의해 계산된 재료간 학습 계수 금회값과 재료간 학습 계수 전회값과 상기 재료간 학습 계수 갱신 게인 전환부에 의해 전환된 갱신 게인에 기초하여 재료간 학습 계수 갱신값을 계산하는 재료간 학습 계수 갱신값 계산부와,
재료간 학습 계수 전회값을 상기 재료간 학습 계수 갱신값 계산부에 의해 계산된 재료간 학습 계수 갱신값으로 갱신하는 재료간 학습 계수 갱신부를 구비한 압연 프로세스의 학습 제어 장치.The method according to claim 2 or 3,
An inter-material learning coefficient current-time value calculation unit for calculating an inter-material learning coefficient current-time value based on an error between the performance value of the rolling process and the model predicted value with respect to the inter-material learning coefficient applied to the next rolled material;
An inter-material learning coefficient update gain switching unit for switching an update gain when calculating an inter-material learning coefficient update value based on the determination result of the abnormality determination unit;
Inter-material learning coefficient updated by the inter-material learning coefficient current-time value calculation unit, based on the inter-material learning coefficient current value and the inter-material learning coefficient previous value, and the inter-material learning coefficient update gain converted by the gain switching unit An inter-material learning coefficient update value calculation unit that calculates a value,
A learning control device for a rolling process having an inter-material learning coefficient update unit that updates the previous value of the inter-material learning coefficient with the inter-material learning coefficient update value calculated by the inter-material learning coefficient update value calculation unit.
KR1020197020822A 2018-12-19 2018-12-19 Learning control device of rolling process KR102232336B1 (en)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/046736 WO2020129173A1 (en) 2018-12-19 2018-12-19 Learning control device for rolling process

Publications (2)

Publication Number Publication Date
KR20200078418A KR20200078418A (en) 2020-07-01
KR102232336B1 true KR102232336B1 (en) 2021-03-25

Family

ID=71101147

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020197020822A KR102232336B1 (en) 2018-12-19 2018-12-19 Learning control device of rolling process

Country Status (4)

Country Link
JP (1) JP6819791B2 (en)
KR (1) KR102232336B1 (en)
CN (1) CN111587156B (en)
WO (1) WO2020129173A1 (en)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022172524A1 (en) * 2021-02-15 2022-08-18 Ｊｆｅスチール株式会社 Method for calculating rolling condition for cold rolling mill, device for calculating rolling condition for cold rolling mill, cold rolling method, cold rolling mill, and method for manufacturing steel sheet
US11919060B2 (en) * 2021-08-16 2024-03-05 The Bradbury Co., Inc. Methods and apparatus to control roll-forming processes

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011221642A (en) 2010-04-06 2011-11-04 Nippon Steel Corp Quality prediction device, quality prediction method, computer program and computer-readable recording medium
JP5759206B2 (en) 2011-03-01 2015-08-05 東芝三菱電機産業システム株式会社 Learning coefficient controller

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5335712A (en) 1976-09-15 1978-04-03 Uni Charm Corp Manufacture of active carbon sheets
JPH04162905A (en) * 1990-10-24 1992-06-08 Toshiba Corp Method for controlling rolling mill
JPH06348677A (en) * 1993-06-07 1994-12-22 Toshiba Corp Learning term calculation device
JPH07200005A (en) * 1993-12-28 1995-08-04 Mitsubishi Electric Corp Learning control method
JPH1031505A (en) * 1996-07-16 1998-02-03 Mitsubishi Electric Corp Learning control method for process line
KR20010064348A (en) * 1999-12-29 2001-07-09 이구택 Fuzzy Compensation Method for Rolling Force Prediction in Rolling-Mills
JP2004227163A (en) * 2003-01-21 2004-08-12 Fanuc Ltd Servo control device
JP5519472B2 (en) * 2010-10-27 2014-06-11 株式会社日立製作所 Rolled material tension control device, rolled material tension control method, and hot tandem rolling mill
JP5939175B2 (en) * 2013-02-19 2016-06-22 東芝三菱電機産業システム株式会社 Learning control device for rolling process
US10124381B2 (en) * 2014-02-17 2018-11-13 Toshiba Mitsubishi-Electric Industrial Systems Corporation Rolling process learning control device
KR101749018B1 (en) * 2014-09-25 2017-06-19 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 Flatness control device
KR101951583B1 (en) * 2015-02-02 2019-02-22 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 Undulation control device for rolling line

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011221642A (en) 2010-04-06 2011-11-04 Nippon Steel Corp Quality prediction device, quality prediction method, computer program and computer-readable recording medium
JP5759206B2 (en) 2011-03-01 2015-08-05 東芝三菱電機産業システム株式会社 Learning coefficient controller

Also Published As

Publication number Publication date
CN111587156B (en) 2022-04-22
KR20200078418A (en) 2020-07-01
CN111587156A (en) 2020-08-25
JPWO2020129173A1 (en) 2021-02-15
WO2020129173A1 (en) 2020-06-25
JP6819791B2 (en) 2021-01-27

Similar Documents

Publication Publication Date Title
KR102232336B1 (en) Learning control device of rolling process
JP6233423B2 (en) Learning control device for rolling process
JP5759206B2 (en) Learning coefficient controller
KR101419998B1 (en) Method of flatness control of a strip and a control system therefor
JP4847111B2 (en) Multistage rolling mill and control method of multistage rolling mill
KR101749018B1 (en) Flatness control device
JP5939175B2 (en) Learning control device for rolling process
JP4682150B2 (en) Multiple profile control method and rolling mill
TW202116432A (en) Method for calculating plate thickness schedule for tandem rolling machine and rolling plant
US11086277B2 (en) System and method for determining the parameters of a controller
JP7102962B2 (en) Control set value determination device, control set value determination method, and program
JP5727865B2 (en) Rolling model optimization device
JP2829697B2 (en) Plate rolling method
KR100690463B1 (en) Rolling control method and rolling control apparatus
CN110730695B (en) Mathematical model calculation device and control device for rolling production line
CN111299330B (en) Mathematical model calculation device and control device for rolling production line
JP2001025807A (en) Learning control device of reverse rolling mill
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
JPH09192715A (en) Automatic load balance regulation in multistand hot rolling
KR101622068B1 (en) Setting calculation system learning device and learning method
JPH04135007A (en) Method for adjusting shape of rolled stock with rolling mill
JP6176260B2 (en) Steel plate shape control device and shape control method
CN115502217A (en) Snake control device
JP2003236605A (en) Method for controlling thickness and flatness in multiple pass rolling
KR20240039161A (en) Plate thickness schedule calculation method for tandem rolling mill and rolling plant

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant