特開 2024-11328 予測装置、学習装置、予測プログラム、及び学習プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024011328

(43)【公開日】2024-01-25

(54)【発明の名称】予測装置、学習装置、予測プログラム、及び学習プログラム

(51)【国際特許分類】

   B21B 37/00 20060101AFI20240118BHJP

   B21B 38/04 20060101ALI20240118BHJP

   B21B 38/00 20060101ALI20240118BHJP

   B21B 1/22 20060101ALI20240118BHJP

【ＦＩ】

B21B37/00 221

B21B38/04 B

B21B38/00 C

B21B1/22 M

【審査請求】未請求

【請求項の数】9

【出願形態】ＯＬ

(21)【出願番号】P 2022113244

(22)【出願日】2022-07-14

(71)【出願人】

【識別番号】000006655

【氏名又は名称】日本製鉄株式会社

(74)【代理人】

【識別番号】110001519

【氏名又は名称】弁理士法人太陽国際特許事務所

(72)【発明者】

【氏名】富尾 悠索

(72)【発明者】

【氏名】田中 正博

【テーマコード（参考）】

4E002

4E124

【Ｆターム（参考）】

4E002AD04

4E002BA01

4E002BC07

4E002BD07

4E002CA08

4E002CB01

4E124AA07

4E124BB07

4E124BB08

4E124EE01

4E124EE14

4E124FF01

4E124GG10

(57)【要約】

【課題】鋼材の靭性を精度よく特性を予測する。
【解決手段】材質予測装置１０は、製造ラインで製造される、鋼材の靭性を予測する。材質予測装置１０は、前記鋼材について、前記製造ラインにおける複数のセンサで測定される複数の測定データを取得する取得部３２と、予め学習されたニューラルネットワークを用いて、前記取得部により取得された前記複数の測定データから、前記鋼材の靭性を予測する予測部４０と、を含む。
【選択図】図２

【特許請求の範囲】

【請求項1】

製造ラインで製造される鋼材の靭性を予測する予測装置であって、
前記鋼材について、前記製造ラインにおける複数のセンサで測定される複数の測定データを取得する取得部と、
予め学習されたニューラルネットワークを用いて、前記取得部により取得された前記複数の測定データから、前記鋼材の靭性を予測する予測部と、を含み、
前記ニューラルネットワークは、前記製造ラインで製造される前記鋼材についての前記複数の測定データに基づいて、前記鋼材の靭性を表すグラフに関するパラメータを予測するためのニューラルネットワークである予測装置。

【請求項2】

製造ラインで製造される鋼材の靭性を予測するためのニューラルネットワークを学習する学習装置であって、
複数本の前記鋼材の各々について、前記製造ラインにおける複数のセンサで測定される複数の測定データを取得する取得部と、
前記取得部により取得された前記複数の測定データと、計測された前記鋼材の靭性とに基づいて、ニューラルネットワークを学習する学習部と、を含み、
前記ニューラルネットワークは、前記製造ラインで製造される鋼材についての複数の測定データに基づいて、当該鋼材の靭性を表すグラフに関するパラメータを予測するためのニューラルネットワークである学習装置。

【請求項3】

前記鋼材の靭性は、前記鋼材の先端部及び後端部の少なくとも何れか一方から採取した試料について計測されたものである請求項２記載の学習装置。

【請求項4】

製造ラインで製造される鋼材の靭性を予測する予測装置であって、
前記鋼材について、前記製造ラインにおける複数のセンサで測定される複数の測定データを取得する取得部と、
請求項２記載の学習装置により予め学習された前記ニューラルネットワークを用いて、前記取得部により取得された前記鋼材についての前記複数の測定データから、当該鋼材の靭性を表すグラフに関するパラメータを予測する予測部と、
を含む予測装置。

【請求項5】

前記製造ラインは、熱間圧延ラインであり、
前記鋼材は、熱延鋼板である請求項１記載の予測装置。

【請求項6】

前記複数の測定データは、前記製造ラインにおける前記複数のセンサで測定される、前記鋼材の温度及びサイズの少なくとも一方を含む請求項１記載の予測装置。

【請求項7】

前記鋼材の靭性を表すグラフに関するパラメータは、ＤＷＴＴ（Ｄｒｏｐ Ｗｅｉｇｈｔ Ｔｅａｒ Ｔｅｓｔ）における延性破面率が所定値となるときの温度、及びＤＷＴＴにおける破面遷移温度の回帰曲線の形状パラメータを含む請求項１、４～６の何れか１項記載の予測装置。

【請求項8】

製造ラインで製造される鋼材の靭性を予測するための予測プログラムであって、
コンピュータを、
前記鋼材について、前記製造ラインにおける複数のセンサで測定される複数の測定データを取得する取得部、及び
予め学習されたニューラルネットワークを用いて、前記取得部により取得された前記複数の測定データから、前記鋼材の靭性を予測する予測部
として機能させるための予測プログラムであり、
前記ニューラルネットワークは、前記製造ラインで製造される前記鋼材についての前記複数の測定データに基づいて、前記鋼材の靭性を表すグラフに関するパラメータを予測するためのニューラルネットワークである予測プログラム。

【請求項9】

製造ラインで製造される鋼材の靭性を予測するためのニューラルネットワークを学習するための学習プログラムであって、
コンピュータを、
複数本の前記鋼材の各々について、前記製造ラインにおける複数のセンサで測定される複数の測定データを取得する取得部、及び
前記取得部により取得された前記複数の測定データと、計測された前記鋼材の靭性とに基づいて、ニューラルネットワークを学習する学習部
として機能させるための学習プログラムであり、
前記ニューラルネットワークは、前記製造ラインで製造される鋼材についての複数の測定データに基づいて、当該鋼材の靭性を表すグラフに関するパラメータを予測するためのニューラルネットワークである学習プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、鋼材の特性を予測するための予測装置、学習装置、予測プログラム、及び学習プログラムに関する。

【背景技術】

【0002】

従来より、連続焼鈍プロセスについて、階層型ニューラルネットワークを用いて高強度冷延鋼板の材質と複数の材質影響因子との間の非線形な関係式を構築して材質予測に利用する方法が知られている（例えば、特許文献１）。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１０－１０６３１４号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、上記特許文献１に記載の方法では、鋼材の靭性を予測することを考慮していない。

【0005】

本発明は、上記事情に鑑みてなされたものであり、鋼材の靭性を精度よく予測することができる予測装置、学習装置、予測プログラム、及び学習プログラムを提供するものである。

【課題を解決するための手段】

【0006】

上記目的を達成するために、本発明の第１態様に係る予測装置は、製造ラインで製造される鋼材の靭性を予測する予測装置であって、前記鋼材について、前記製造ラインにおける複数のセンサで測定される複数の測定データを取得する取得部と、予め学習されたニューラルネットワークを用いて、前記取得部により取得された前記複数の測定データから、前記鋼材の靭性を予測する予測部と、を含み、前記ニューラルネットワークは、前記製造ラインで製造される前記鋼材についての前記複数の測定データに基づいて、前記鋼材の靭性を表すグラフに関するパラメータを予測するためのニューラルネットワークである。

【0007】

本発明の第１態様に係る予測装置によれば、鋼材について、前記製造ラインにおける複数のセンサで測定される複数の測定データを取得し、ニューラルネットワークを用いて、鋼材の靭性を表すグラフに関するパラメータを予測することにより、鋼材について精度よく靭性を予測することができる。

【0008】

ここで、測定データとは、製造ラインにおいて製造中の鋼材についてセンサによって測定されるデータである。

【0009】

本発明の第２態様に係る予測装置は、第１態様に係る予測装置において、前記製造ラインは、熱間圧延ラインであり、前記鋼材は、熱延鋼板である。

【0010】

本発明の第３態様に係る予測装置は、第１態様又は第２態様に係る予測装置において、前記複数の測定データは、前記製造ラインにおける前記複数のセンサで測定される、前記鋼材の温度及びサイズの少なくとも一方を含む。

【0011】

本発明の第４態様に係る予測装置は、第１態様～第３態様の何れかひとつの態様に係る予測装置において、前記鋼材の靭性を表すグラフに関するパラメータは、ＤＷＴＴ（Ｄｒｏｐ Ｗｅｉｇｈｔ Ｔｅａｒ Ｔｅｓｔ）における延性破面率が所定値となるときの温度、及びＤＷＴＴにおける破面遷移温度の回帰曲線の形状パラメータを含む。

【0012】

本発明の第５態様に係る学習装置は、製造ラインで製造される鋼材の靭性を予測するためのニューラルネットワークを学習する学習装置であって、複数本の前記鋼材の各々について、前記製造ラインにおける複数のセンサで測定される複数の測定データを取得する取得部と、前記取得部により取得された前記複数の測定データと、計測された前記鋼材の靭性とに基づいて、ニューラルネットワークを学習する学習部と、を含み、前記ニューラルネットワークは、前記製造ラインで製造される鋼材についての複数の測定データに基づいて、当該鋼材の靭性を表すグラフに関するパラメータを予測するためのニューラルネットワークである。

【0013】

本発明の第５態様に係る学習装置によれば、複数本の前記鋼材の各々について、前記製造ラインにおける複数のセンサで測定される複数の測定データを取得し、前記複数の測定データと、計測された前記鋼材の靭性とに基づいて、鋼材の靭性を表すグラフに関するパラメータを予測するためのニューラルネットワークを学習することにより、鋼材について精度よく靭性を予測することができる。

【0014】

本発明の第６態様に係る学習装置は、第５態様に係る学習装置において、前記鋼材の靭性は、前記鋼材の先端部及び後端部の少なくとも何れか一方から採取した試料について計測されたものである。

【0015】

本発明の第７態様に係る予測プログラムは、製造ラインで製造される鋼材の靭性を予測するための予測プログラムであって、コンピュータを、前記鋼材について、前記製造ラインにおける複数のセンサで測定される複数の測定データを取得する取得部、及び予め学習されたニューラルネットワークを用いて、前記取得部により取得された前記複数の測定データから、前記鋼材の靭性を予測する予測部として機能させるための予測プログラムであり、前記ニューラルネットワークは、前記製造ラインで製造される前記鋼材についての前記複数の測定データに基づいて、前記鋼材の靭性を表すグラフに関するパラメータを予測するためのニューラルネットワークである。

【0016】

本発明の第８態様に係る学習プログラムは、製造ラインで製造される鋼材の靭性を予測するためのニューラルネットワークを学習するための学習プログラムであって、コンピュータを、複数本の前記鋼材の各々について、前記製造ラインにおける複数のセンサで測定される複数の測定データを取得する取得部、及び前記取得部により取得された前記複数の測定データと、計測された前記鋼材の靭性とに基づいて、ニューラルネットワークを学習する学習部として機能させるための学習プログラムであり、前記ニューラルネットワークは、前記製造ラインで製造される鋼材についての複数の測定データに基づいて、当該鋼材の靭性を表すグラフに関するパラメータを予測するためのニューラルネットワークである。

【発明の効果】

【0017】

本発明によれば、鋼材の靭性を精度よく予測することができる。

【図面の簡単な説明】

【0018】

【図1】熱間圧延ラインの概略構成の一例を示す図である。

【図2】材質予測装置の構成図である。

【図3A】鋼材の靭性を表すグラフに関するパラメータを説明するための図である。

【図3B】鋼材の靭性を表すグラフに関するパラメータを説明するための図である。

【図4】学習処理のフローチャートである。

【図5】材質予測処理のフローチャートである。

【図6】５０％遷移温度α、形状パラメータβ、降伏応力（ＹＰ）、及び引張強度（ＴＳ）についての実測値と予測モデルによる予測値との相関を示す図である。

【発明を実施するための形態】

【0019】

以下、図面を用いて、本発明の実施形態について説明する。なお、本発明の実施形態では、予測装置及び学習装置を、鋼材の材質を予測する材質予測装置に適用した場合を例に説明する。

【0020】

＜本発明の実施の形態の概要＞
これまで製造現場における電縫鋼管用の熱延鋼板の機械特性の予測および制御は、原理原則をもとにした物理冶金モデルも参考にはされるが、主としてプロセスデータの挙動をみて、製造現場の経験と実績を簡単な回帰式に置き換えたものにより行われてきた。しかしこの方法ではまだ予測精度が十分ではなく、特に厚肉材で要求される靭性（シャルピー衝撃試験、またはＤＷＴＴ（Ｄｒｏｐ Ｗｅｉｇｈｔ Ｔｅａｒ Ｔｅｓｔ）にて評価される）では実製造において外れ値が発生することもある。従って、既存の製造結果に基づいたさらに高精度な熱延鋼板の機械的性質の予測技術が必要である。

【0021】

鋼材の材質予測の高精度化には、以下の（１）～（５）のような課題がある。

【0022】

（１）原理原則に基づく物理モデルの高精度化が必要である。

【0023】

（２）工場での鋼板の冷却挙動などを予測するプロセスモデルの高精度化が必要である。

【0024】

（３）プロセス温度などのプロセス状態の測定誤差の同定が必要である。

【0025】

（４）各工場における隠れた変数の明確化が必要である。

【0026】

（５）外乱による確率因子の同定が必要である。

【0027】

これまで原理原則に基づく物理モデルによる材質予測を中心に行われてきたが、これのみでは実際の製品の材質予測には限界がある。なぜならば、予測精度には上記物理モデル以外の要因が大きく影響するからである。

【0028】

近年、物理モデルにかわり、ニューラルネットワーク（ＮＮ）モデルによる材質予測が注目されてきている。実際の製造現場においては、ある範囲のばらつきは存在するものの、製造条件に対して一定の特性が得られている。このことから、製造条件と材質との間に相関関係が存在しているはずである。そこで工場の材質に紐づけられた製造条件に関するビッグデータを教師データに用いて、ＮＮにより相関関係をモデル化できれば、物理モデルに比較して高精度な材質予測モデルが構築できる可能性があり、これまでにもいくつかの先行文献が存在する。例えば、上記特許文献１には、ＮＮを用いて冷延鋼板の材質と複数の材質影響因子との間の非線形な関係式を求め、この非線形な関係式に、冷延鋼板の目標材質と、材質影響因子のうちの１つである意図的制御因子を除く残りの材質影響因子を代入して上記目標材質が得られる意図的制御因子の目標値を求め、この目標値に上記意図的制御因子を制御して冷延鋼板間の材質バラツキが極めて小さい製造方法が記述されている。

【0029】

しかし、従来技術は、薄板での特性と予測に関するものが主であり、肉厚が分厚く、優れた靭性が要求される製品の性能予測に関する技術はまだない。

【0030】

また、ＮＮモデルには問題がある。製造現場では、様々な外乱が存在しており、プロセス条件に関する測定データと材質との関係は決定論的ではない。そのため、通常のＮＮでは、過学習により、汎化誤差を小さくできない可能性が有る。その対策として、ＮＮにベイズ推定を組み合わせたベイジアンニューラルネットワーク（ＢＮＮ）が有効であり、本実施形態では、予測モデルとしてＢＮＮを用いる。

【0031】

また、このＢＮＮを用いた予測モデルから鋼材の靭性を予測する。ここで、靭性（延性破面率）はその遷移温度付近で急激に変化し、遷移温度から離れた温度域では非常に高位、または低位の値のみを取り、モデルでの予測に適さないため、靭性値の遷移カーブを決定したうえで、その曲線の遷移をモデルにより予測し、得られた曲線から所定の温度での値を決定する。

【0032】

＜熱間圧延ラインの構成の概略＞
図１は、材質予測装置１０の適用先の一例である熱間圧延ラインの概略構成の一例を示す図である。

【0033】

図１において、熱間圧延ラインは、加熱炉１１と、幅方向圧延機１３と、粗圧延機１４と、仕上圧延機１５と、冷却装置（ランアウトテーブル）１６と、巻取装置（コイラー）１７と、を有する。

【0034】

加熱炉１１は、スラブ（鋳片）Ｓを加熱する。

【0035】

幅方向圧延機１３は、加熱炉１１で加熱されたスラブＳを幅方向に圧延する。

【0036】

粗圧延機１４は、幅方向圧延機１３で幅方向に圧延されたスラブＳを上下方向から圧延して粗バーにする。図１に示す例では、粗圧延機１４は、ワークロールのみからなる圧延スタンド１４ａと、ワークロールとバックアップロールとを有する圧延スタンド１４ｂ～１４ｅとを有する。

【0037】

仕上圧延機１５は、粗圧延機１４で製造された粗バーをさらに所定の厚みまで連続して熱間仕上圧延を行う。図１に示す例では、仕上圧延機１５は、７つの圧延スタンド１５ａ～１５ｇを有する。

【0038】

冷却装置１６は、仕上圧延機１５により熱間仕上圧延が行われた熱延鋼板Ｈ（以下、単に鋼板Ｈと称する）を冷却水により冷却する。

【0039】

巻取装置１７は、冷却装置１６により冷却された鋼板Ｈをコイル状に巻き取り、熱延コイルとして製造する。

【0040】

尚、熱間圧延ラインは、公知の技術で実現することができ、図１に示す構成に限定されるものではない。

【0041】

また、加熱炉１１の後段箇所において、加熱炉１１から抽出したスラブＳのサイズを計測するセンサ２０が設けられている。これにより、センサ２０は、スラブＳのサイズを計測して出力する。ここで、スラブＳのサイズとは、スラブＳの厚みを意味する。

【0042】

また、粗圧延機１４の後段箇所において、粗バーの温度及びサイズを計測するセンサ２２が設けられている。これにより、センサ２２は、粗バーの温度及びサイズを計測して出力する。ここで、粗バーのサイズとは、粗バーの厚みを意味する。

【0043】

また、仕上圧延機１５の前段箇所において、粗バーの温度を計測するセンサ２３が設けられている。これにより、センサ２３は、粗バーの温度を計測して出力する。

【0044】

また、仕上圧延機１５の後段箇所において、鋼板Ｈの温度及びサイズを計測するセンサ２４が設けられている。これにより、センサ２４は、鋼板Ｈの温度及びサイズを計測して出力する。ここで、鋼板Ｈのサイズとは、鋼板Ｈの厚みを意味する。

【0045】

また、冷却装置１６の後段箇所において、冷却された鋼板Ｈの温度を計測するセンサ２５が設けられている。これにより、センサ２５は、鋼板Ｈの温度を計測して出力する。

【0046】

また、巻取装置１７による巻取り箇所において、コイル状に巻き取られた鋼板Ｈの温度を計測するセンサ２６が設けられている。これにより、センサ２６は、コイル状に巻き取られた鋼板Ｈの温度を計測して出力する。

【0047】

センサ２０、２２、２３、２４、２５、２６は、例えば、温度を計測するための赤外線センサや、画像を撮像し、撮像画像を解析して、サイズを計測するセンサを用いて構成されている。

【0048】

＜材質予測装置の構成＞
次に、材質予測装置の構成について説明する。図２には、材質予測装置１０の機能的な構成を示した。

【0049】

図２に示すように、材質予測装置１０は、測定データ取得部３２、材質データ取得部３４、学習部３６、予測モデル記憶部３８、予測部４０、及び表示部４２を備える。

【0050】

測定データ取得部３２は、学習時に、複数本の鋼材について、熱間圧延ラインにおける複数のセンサ２０、２２、２３、２４、２５、２６で測定される、温度及びサイズの少なくとも一方を取得する。

【0051】

具体的には、測定データ取得部３２は、学習時に、入力部（図示省略）により入力された化学組成を取得する。また、測定データ取得部３２は、スラブＳについて、センサ２０の出力（サイズ）を取得する。また、測定データ取得部３２は、粗バーについて、センサ２２の出力（サイズ及び温度）とセンサ２３の出力（温度）とを取得する。また、測定データ取得部３２は、鋼板Ｈについて、センサ２４、２５、２６の各々の出力（サイズ及び／又は温度）を取得する。

【0052】

測定データ取得部３２は、予測時に、鋼材について、熱間圧延ラインにおける複数のセンサ２０、２２、２３、２４、２５、２６で測定される、温度及びサイズの少なくとも一方を取得する。

【0053】

具体的には、測定データ取得部３２は、予測時に、入力部（図示省略）により入力された化学組成を取得する。また、測定データ取得部３２は、スラブＳについて、センサ２０の出力（サイズ）を取得する。また、測定データ取得部３２は、粗バーについて、センサ２２の出力（サイズ及び温度）とセンサ２３の出力（温度）とを取得する。また、測定データ取得部３２は、鋼板Ｈについて、センサ２４、２５、２６の各々の出力（サイズ及び／又は温度）を取得する。

【0054】

材質データ取得部３４は、学習時に、入力部（図示省略）により入力された、複数本の熱延鋼板の各々の先端部及び後端部の少なくとも何れか一方の各位置から採取した試料について計測された材質データを取得する。材質データは、靭性に関するものであり、具体的には、鋼材の靭性を表すグラフに関するパラメータである。より具体的には、鋼材の靭性を表すグラフは、ＤＷＴＴ（Ｄｒｏｐ Ｗｅｉｇｈｔ Ｔｅａｒ Ｔｅｓｔ）における試験温度と延性破面率との関係を表すグラフであり、材質データは、ＤＷＴＴにおける延性破面率が所定値（５０％）となるときの温度である５０％遷移温度α、及びＤＷＴＴにおける破面遷移温度の回帰曲線の形状パラメータβを含む（図３Ａを参照）。図３Ａでは、ＤＷＴＴにおける試験温度と延性破面率との関係を表すグラフにおける、５０％遷移温度αと形状パラメータβの例を示している。試験温度と延性破面率と５０％遷移温度αと形状パラメータβとの関係は、以下の式で表される。

【0055】

また、形状パラメータβのグラフ曲線への影響を図３Ｂに示す。図３Ｂでは、５０％遷移温度α＝－４０℃であって、形状パラメータβ＝１，２，５，１０である例を示している。

【0056】

試料は、オフラインで、巻取装置１７により巻き取られた熱延コイルを巻き戻ししながら採取される。材質データは、更に、降伏応力と、引張強度とを含んでもよい。

【0057】

学習部３６は、複数本の熱延鋼板の各々について、当該熱延鋼板に対する、測定データ取得部３２によって取得した各種測定データ及び材質データ取得部３４によって取得した材質データからなる教師データを作成する。

【0058】

学習部３６は、熱間圧延ラインで製造される鋼材についての各種測定データに基づいて鋼材の靭性を予測するためのニューラルネットワークである予測モデルを、作成した教師データに基づいて学習し、予測モデル記憶部３８に格納する。本実施形態では、ニューラルネットワークとして、ベイジアンニューラルネットワークを用いる。また、化学組成と、加熱炉１１の後段箇所における、スラブＳのサイズと、粗圧延機１４の後段箇所における、粗バーの温度及びサイズと、仕上圧延機１５の前段箇所における、粗バーの温度と、仕上圧延機１５の後段箇所における、鋼板Ｈの温度及びサイズと、冷却装置１６の後段箇所における、冷却された鋼板Ｈの温度と、巻取装置１７による巻取り箇所における、鋼板Ｈの温度と、をニューラルネットワークの入力とする。また、鋼材の靭性を表すグラフに関するパラメータをニューラルネットワークの出力とする。

【0059】

また、学習部３６は、各教師データについて、当該教師データの各種測定データをニューラルネットワークに入力したときの出力と、当該教師データの材質データ（鋼材の靭性を表すグラフに関するパラメータ）との差分を表す損失関数が最小となるように、ニューラルネットワークを学習する。

【0060】

予測部４０は、予測モデル記憶部３８に格納された予測モデルを用いて、測定データ取得部３２によって取得された各種測定データから、鋼材の材質データとして、鋼材の靭性を表すグラフに関するパラメータを予測する。材質データとして、降伏応力と、引張強度とを更に含む場合には、降伏応力と、引張強度も予測される。
そして、予測部４０は、予測された鋼材の靭性を表すグラフに関するパラメータから、鋼材の靭性を表すグラフの曲線を求め、所定の温度での延性破面率を予測する。

【0061】

表示部４２は、予測部４０による予測結果を表示する。

【0062】

次に、材質予測装置１０で実行される学習処理について、図４に示すフローチャートを参照して説明する。なお、図４に示す学習処理は、複数本の鋼材について、熱間圧延ラインにおける複数のセンサ２０、２２、２３、２４、２５、２６で測定された、温度及びサイズの少なくとも一方が入力されるとともに、複数本の鋼材から採取した試料について計測された材質データとして、鋼材の靭性を表すグラフに関するパラメータが入力されたときに実行される。

【0063】

ステップＳ１００では、測定データ取得部３２は、複数本の鋼材について、熱間圧延ラインにおける複数のセンサ２０、２２、２３、２４、２５、２６で測定された、温度及びサイズの少なくとも一方を取得する。また、測定データ取得部３２は、複数本の鋼材の各々について、入力部（図示省略）により入力された化学組成を取得する。

【0064】

ステップＳ１０２では、材質データ取得部３４は、入力された、複数本の鋼材から採取した試料について材質データとして計測された、鋼材の靭性を表すグラフに関するパラメータを取得する。

【0065】

ステップＳ１０４では、学習部３６は、複数本の鋼材の各々について、測定データ取得部３２によって取得した各種測定データ及び材質データ取得部３４によって取得した材質データからなる教師データを作成する。

【0066】

ステップＳ１０６では、学習部３６は、熱間圧延ラインで製造される鋼材についての各種測定データに基づいて鋼材の材質を予測するためのニューラルネットワークである予測モデルを、作成した教師データに基づいて学習し、予測モデル記憶部３８に格納する。

【0067】

次に、材質予測装置１０で実行される材質予測処理について、図５に示すフローチャートを参照して説明する。なお、図５に示す材質予測処理は、鋼材について、熱間圧延ラインにおける複数のセンサ２０、２２、２３、２４、２５、２６で測定された、温度及びサイズの少なくとも一方が入力されたときに実行される。

【0068】

ステップＳ１１０では、測定データ取得部３２は、鋼材について、熱間圧延ラインにおける複数のセンサ２０、２２、２３、２４、２５、２６で測定される、温度及びサイズの少なくとも一方を取得する。また、測定データ取得部３２は、入力部（図示省略）により入力された化学組成を取得する。

【0069】

ステップＳ１１２では、予測部４０は、予測モデル記憶部３８に格納された予測モデルを用いて、測定データ取得部３２によって取得された各種測定データから、鋼材の材質データとして、鋼材の靭性を表すグラフに関するパラメータを予測する。そして、予測部４０は、予測された鋼材の靭性を表すグラフに関するパラメータから、鋼材の靭性を表すグラフの曲線を求め、所定の温度での延性破面率を予測する。

【0070】

ステップＳ１１４では、表示部４２は、予測部４０による予測結果を表示して、材質予測処理を終了する。

【0071】

＜実施例＞
まず、予測モデルの構築の際の学習では、教師データとして、複数本の鋼材の測定データと、先端部又は後端部から採取した試料から測定した材質データとを利用する。

【0072】

学習で構築された予測モデルに、特定の鋼材の測定データを入力することで、鋼材の材質を予測する。

【0073】

学習に使用する教師データの例としては、測定データおよび材質データとして下記のものを使用する。

【0074】

測定データは、形状データ（加熱炉１１の後段箇所におけるスラブＳのサイズ（厚さ）、粗圧延機１４の後段箇所における粗バーのサイズ（厚さ）、及び仕上圧延機１５の後段箇所における鋼板Ｈのサイズ（厚さ））と、プロセスデータ（加熱炉１１のスラブ加熱温度、加熱時間、粗圧延機１４の後段箇所における粗バーの温度、仕上圧延機１５の前段箇所における粗バーの温度、仕上圧延機１５の後段箇所における鋼板Ｈの温度、冷却装置１６の後段箇所における鋼板Ｈの温度、冷却装置１６の冷却テーブル上の鋼板Ｈの温度、巻取装置１７による巻取り箇所における鋼板Ｈの温度）を含む。

【0075】

入力として、測定データの他に、化学組成（Ｃ、Ｓｉ、Ｍｎ、Ｐ、Ｓ、Ｎｉ、Ｃｒ、Ｍｏ、Ｎｂ、Ｖ、Ｔｉ、Ａｌ、Ｃａ、Ｎ）と、組成式（焼入れ性（炭素当量：例えば、Ｃｅｑなど、参考文献１参照））とを含む。
［参考文献１］：鈴木、鉄と鋼 ７０ （１９８４） ｐｐ．２１７９－２１８７

【0076】

材質データは、降伏応力と、引張強度と、５０％遷移温度αと、形状パラメータβとを含む。

【0077】

予測モデルであるベイジアンニューラルネットワークの構造として、入力層と出力層の間に隠れ層として３層設ける。隠れ層の各層のニューロン数は、第１層から順に、１２８、６４、３２とした。また、活性化関数はすべて双曲線正接関数（ハイパボリックタンジェント関数）とした。

【0078】

学習したニューラルネットワークを用いて材質データを予測した例が図６である。図６では、５０％遷移温度αの実測値と、予測モデルによる予測値との相関、形状パラメータβの実測値と、予測モデルによる予測値との相関、降伏応力（ＹＰ）の実測値と、予測モデルによる予測値との相関、及び引張強度（ＴＳ）の実測値と、予測モデルによる予測値との相関を示している。上記図６に示したように、良い相関が得られており、精度よく予測できていることが分かる。

【0079】

このように、本実施形態では、鋼材について、熱間圧延ラインにおける複数のセンサで測定される複数の測定データを取得し、鋼材の靭性を表すグラフに関するパラメータを予測するためのニューラルネットワークを用いて、鋼材の靭性を表すグラフに関するパラメータを予測することにより、鋼材の靭性を精度よく予測することができる。

【0080】

また、複数本の鋼材について、熱間圧延ラインにおける複数のセンサで測定される複数の測定データを取得し、複数の測定データと計測された鋼材の材質とに基づいて、鋼材の靭性を表すグラフに関するパラメータを予測するためのニューラルネットワークを学習することにより、鋼材の靭性を精度よく予測することができる。

【0081】

また、精度よく鋼材の靭性を予測することができるため、最適な製造条件を決定することができる。

【0082】

また、事前に計測された化学成分から好ましい製造条件を決定することができるため、製品歩留まり向上を実現することができる。

【0083】

そこで、本実施形態では、ベイジアンニューラルネットワークによる鋼材の靭性の予測を行う。

【0084】

また、ニューラルネットワークの学習では、鋼材の測定データ及び材質データからなる教師データを用いる。また、材質検査において不合格と判断された鋼材についての教師データも用いる。このとき、データ洗浄により、材質検査において合格と判断された鋼材についての教師データを減らすことにより、不合格と判断された鋼材についての教師データの割合を高くする。

【0085】

これにより、鋼材の材質予測を高精度化することができる。また、鋼材の長手方向の端部について採取した試料に対して計測した材質データを用いるため、教師データを簡易に生成することができる。

【0086】

＜変形例＞
上記の実施の形態では、材質予測処理と学習処理とを１つの装置で実現する場合を例に説明したが、これに限定されるものではなく、材質予測処理を行う予測装置と学習処理を行う学習装置とに分けて構成してもよい。この場合には、学習装置は、測定データ取得部３２、材質データ取得部３４、学習部３６、及び予測モデル記憶部３８を備える。予測装置は、測定データ取得部３２、予測部４０、及び表示部４２を備える。

【0087】

また、本実施形態では、加熱炉１１の後段箇所、粗圧延機１４の後段箇所、仕上圧延機１５の前段箇所、後段箇所、冷却装置１６の後段箇所、巻取装置１７による巻取り箇所にセンサを設置した場合について説明したが、設置箇所はこれに限られるものではない。他の箇所にセンサを設置してもよい。

【0088】

また、ニューラルネットワークの入力となる測定データは、上記で説明した例に限定されるものではない。また、ニューラルネットワークの出力となる材質データは、上記で説明した例に限定されるものではない。特に靭性の評価試験として用いられることが多い、シャルピー衝撃試験、ＣＴＯＤ（Ｃｒａｃｋ Ｔｉｐ Ｏｐｅｎｉｎｇ Ｄｉｓｐｌａｃｅｍｅｎｔ）試験によって得られた試験温度に対する靭性値の変化に対しても同様の学習と予測が可能である。

【0089】

以上説明した本発明の実施形態は、コンピュータがプログラムを実行することによって実現することができる。また、前記プログラムを記録したコンピュータ読み取り可能な記録媒体及び前記プログラム等のコンピュータプログラムプロダクトも本発明の実施形態として適用することができる。記録媒体としては、例えば、フレキシブルディスク、ハードディスク、光ディスク、光磁気ディスク、ＣＤ－ＲＯＭ、磁気テープ、不揮発性のメモリカード、ＲＯＭ等を用いることができる。

【符号の説明】

【0090】

１０ 材質予測装置
１１ 加熱炉
１３ 幅方向圧延機
１４ 粗圧延機
１５ 仕上圧延機
１６ 冷却装置
１７ 巻取装置
２０、２２、２３、２４、２５、２６ センサ
３２ 測定データ取得部
３４ 材質データ取得部
３６ 学習部
３８ 予測モデル記憶部
４０ 予測部
４２ 表示部

【図1】

【図2】

【図3A】

【図3B】

【図4】

【図5】

【図6】