特開 2024-13256 冷間圧延機の圧延条件設定方法、冷間圧延方法、鋼板の製造方法、冷間圧延機の圧延条件設定装置および冷間圧延機

(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】P2024013256

(43)【公開日】2024-02-01

(54)【発明の名称】冷間圧延機の圧延条件設定方法、冷間圧延方法、鋼板の製造方法、冷間圧延機の圧延条件設定装置および冷間圧延機

(51)【国際特許分類】

   B21B 37/68 20060101AFI20240125BHJP

   B21C 51/00 20060101ALI20240125BHJP

   B21B 38/02 20060101ALI20240125BHJP

   B21B 37/28 20060101ALI20240125BHJP

   B21B 37/00 20060101ALI20240125BHJP

【ＦＩ】

B21B37/68

B21C51/00 L

B21B38/02

B21B37/28

B21B37/00 221

【審査請求】未請求

【請求項の数】5

【出願形態】ＯＬ

(21)【出願番号】P 2022115192

(22)【出願日】2022-07-20

(71)【出願人】

【識別番号】000001258

【氏名又は名称】ＪＦＥスチール株式会社

(74)【代理人】

【識別番号】110002147

【氏名又は名称】弁理士法人酒井国際特許事務所

(72)【発明者】

【氏名】藤田 昇輝

(72)【発明者】

【氏名】青江 信一郎

(72)【発明者】

【氏名】藤沢 拓弥

(72)【発明者】

【氏名】松原 行宏

(72)【発明者】

【氏名】沼澤 義典

(72)【発明者】

【氏名】原田 悦充

【テーマコード（参考）】

4E124

【Ｆターム（参考）】

4E124AA01

4E124BB01

4E124CC01

4E124EE01

4E124EE17

4E124FF01

4E124GG10

(57)【要約】

【課題】高負荷、かつ圧延前板厚の薄い難圧延材を冷間圧延する際にも、冷間圧延の安定性を確保しつつ、生産性よく冷間圧延する圧延条件を設定可能な冷間圧延機の圧延条件設定方法を提供することにある。
【解決手段】冷間圧延機の圧延条件設定方法は、予測モデルが、冷間圧延機の入側における圧延対象材の板道外を含む３次元鋼板情報を含む、過去の圧延実績データを多次元データに変換した第１多次元データを説明変数とし、ステアリングロールの制御量および冷間圧延機の圧下位置を目的変数として生成されたものであり、冷間圧延機の入側における圧延対象材の板道外を含む３次元鋼板情報から生成した第２多次元データを予測モデルに入力することにより、ステアリングロールの制御量および冷間圧延機の圧下位置の少なくとも一方を推定するステップを含む。
【選択図】図１

【特許請求の範囲】

【請求項1】

圧延対象材の冷間圧延後の状態を予測する予測モデルを用いて、前記圧延対象材を冷間圧延する際の冷間圧延機の目標圧延条件を設定する、冷間圧延機の圧延条件設定方法であって、
前記予測モデルは、前記冷間圧延機の入側における前記圧延対象材の板道外を含む３次元鋼板情報を含む、過去の圧延実績データを多次元データに変換した第１多次元データを説明変数とし、ステアリングロールの制御量および前記冷間圧延機の圧下位置を目的変数として生成されたものであり、
前記冷間圧延機の入側における前記圧延対象材の板道外を含む３次元鋼板情報から生成した第２多次元データを前記予測モデルに入力することにより、前記ステアリングロールの制御量および前記冷間圧延機の圧下位置の少なくとも一方を推定するステップを含む、
冷間圧延機の圧延条件設定方法。

【請求項2】

請求項１に記載の冷間圧延機の圧延条件設定方法を用いて変更された冷間圧延機の目標圧延条件を用いて、圧延対象材を冷間圧延するステップを含む冷間圧延方法。

【請求項3】

請求項２に記載の冷間圧延方法を用いて鋼板を製造するステップを含む鋼板の製造方法。

【請求項4】

圧延対象材の冷間圧延後の状態を予測する予測モデルを用いて、前記圧延対象材を冷間圧延する際の冷間圧延機の目標圧延条件を設定する、冷間圧延機の圧延条件設定装置であって、
前記予測モデルは、前記冷間圧延機の入側における前記圧延対象材の板道外を含む３次元鋼板情報を含む、過去の圧延実績データを多次元データに変換した第１多次元データを説明変数とし、ステアリングロールの制御量および前記冷間圧延機の圧下位置を目的変数として生成されたものであり、
前記冷間圧延機の入側における前記圧延対象材の板道外を含む３次元鋼板情報から生成した第２多次元データを前記予測モデルに入力することにより、前記ステアリングロールの制御量および前記冷間圧延機の圧下位置の少なくとも一方を推定する手段を備える冷間圧延機の圧延条件設定装置。

【請求項5】

請求項４に記載の冷間圧延機の圧延条件設定装置を備える冷間圧延機。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、冷間圧延機の圧延条件設定方法、冷間圧延方法、鋼板の製造方法、冷間圧延機の圧延条件設定装置および冷間圧延機に関する。

【背景技術】

【0002】

一般に、冷延薄鋼鈑等の圧延材を冷間圧延する際には、圧延材の長手方向および幅方向の厚み精度を良好に保ちながら圧延材の形状（または平坦度）を良好にすることにより、圧延材の通板性を安定化させた状態で冷間圧延が行われることが望ましい。一方で、軽量化による燃費抑制等を目的として、高負荷、かつ圧延前板厚の薄い薄物硬質材等の難圧延材のニーズが高まっている。このような難圧延材の冷間圧延時には、圧延負荷を抑えるために、難圧延材は前工程の熱間圧延にて薄引きされた後に冷間圧延工程に送られる。

【0003】

近年、冷間圧延機の制御因子の多くは、冷間圧延機に搭載されたアクチュエータによって自動制御され、オペレータが冷間圧延機の制御因子を設定する機会は減りつつある。ところが、上記のような難圧延材の冷間圧延時には、熱間圧延時の形状不良に起因したコイル先尾端の曲がりが残存した状態で次コイルと接合される場合がある。

【0004】

コイル長手方向に沿って曲がりや形状不良が急峻に変動した場合、圧延荷重、冷間圧延機のロールギャップ、ワークロールベンダー、中間ロールシフト、サーマルクラウンによるロール膨張等のロール撓み補正に対する変動が自動制御によって吸収できない場合が多い。なお、上記の圧延荷重には、付随して計算される先進率やトルクも含まれる。

【0005】

このような場合、オペレータは、冷間圧延機の設備制約を満たしつつ、かつ生産性を阻害しないように、パススケジュールや形状制御アクチュエータを設定する。このため、近年、オペレータの経験や主観によって冷間圧延機の操業速度、ひいては生産性が左右されやすくなっている。

【0006】

このような背景から、特許文献１には、ニューラルネットワークを用いて過去の操業条件を学習し、学習結果を用いて冷間圧延機のミルセットアップを行う方法が提案されている。また、特許文献２には、冷間圧延後の形状に寄与する画像情報を用いた機械学習により、形状制御を行う方法が提案されている。

【先行技術文献】

【特許文献】

【0007】

【特許文献1】特許第６７０５５１９号公報

【特許文献2】特開２０２１－３０２８０号公報

【発明の概要】

【発明が解決しようとする課題】

【0008】

しかしながら、特許文献１に記載の方法では、ミルセットアップ時点で冷間圧延機が最適な操業条件となったとしても、長手方向に沿って板クラウンが変動した場合には、冷間圧延機の出側における圧延材の形状が大きく変動する。そのため、形状不良による圧延速度の制限や、最悪の場合、圧延材の破断が発生する可能性がある。一方、特許文献２に記載の方法では、コイルの曲がりや形状不良といった状態を定量的に捉えて形状制御アクチュエータに反映することが難しい。

【0009】

本発明は、上記課題に鑑みてなされたものであって、その目的は、高負荷、かつ圧延前板厚の薄い難圧延材を冷間圧延する際にも、冷間圧延の安定性を確保しつつ、生産性よく冷間圧延する圧延条件を設定可能な冷間圧延機の圧延条件設定方法および圧延条件設定装置を提供することにある。また、本発明の他の目的は、高負荷、かつ圧延前板厚の薄い難圧延材を冷間圧延する際にも、冷間圧延の安定性を確保しつつ、生産性よく冷間圧延可能な冷間圧延方法および冷間圧延機を提供することにある。また、本発明の他の目的は、鋼板を歩留まりよく製造可能な鋼板の製造方法を提供することにある。

【課題を解決するための手段】

【0010】

上述した課題を解決し、目的を達成するために、本発明に係る冷間圧延機の圧延条件設定方法は、圧延対象材の冷間圧延後の状態を予測する予測モデルを用いて、前記圧延対象材を冷間圧延する際の冷間圧延機の目標圧延条件を設定する、冷間圧延機の圧延条件設定方法であって、前記予測モデルは、前記冷間圧延機の入側における前記圧延対象材の板道外を含む３次元鋼板情報を含む、過去の圧延実績データを多次元データに変換した第１多次元データを説明変数とし、ステアリングロールの制御量および前記冷間圧延機の圧下位置を目的変数として生成されたものであり、前記冷間圧延機の入側における前記圧延対象材の板道外を含む３次元鋼板情報から生成した第２多次元データを前記予測モデルに入力することにより、前記ステアリングロールの制御量および前記冷間圧延機の圧下位置の少なくとも一方を推定するステップを含む。

【0011】

上述した課題を解決し、目的を達成するために、本発明に係る冷間圧延方法は上記の冷間圧延機の圧延条件設定方法を用いて変更された冷間圧延機の目標圧延条件を用いて、圧延対象材を冷間圧延するステップを含む。

【0012】

上述した課題を解決し、目的を達成するために、本発明に係る鋼板の製造方法は、上記の冷間圧延方法を用いて鋼板を製造するステップを含む。

【0013】

上述した課題を解決し、目的を達成するために、本発明に係る冷間圧延機の圧延条件設定装置は、圧延対象材の冷間圧延後の状態を予測する予測モデルを用いて、前記圧延対象材を冷間圧延する際の冷間圧延機の目標圧延条件を設定する、冷間圧延機の圧延条件設定装置であって、前記予測モデルは、前記冷間圧延機の入側における前記圧延対象材の板道外を含む３次元鋼板情報を含む、過去の圧延実績データを多次元データに変換した第１多次元データを説明変数とし、ステアリングロールの制御量および前記冷間圧延機の圧下位置を目的変数として生成されたものであり、前記冷間圧延機の入側における前記圧延対象材の板道外を含む３次元鋼板情報から生成した第２多次元データを前記予測モデルに入力することにより、前記ステアリングロールの制御量および前記冷間圧延機の圧下位置の少なくとも一方を推定する手段を備える。

【0014】

上述した課題を解決し、目的を達成するために、本発明に係る冷間圧延機は、上記の冷間圧延機の圧延条件設定装置を備える。

【発明の効果】

【0015】

本発明に係る冷間圧延機の圧延条件設定方法および圧延条件設定装置によれば、高負荷、かつ圧延前板厚の薄い難圧延材を冷間圧延する際にも冷間圧延の安定性を確保しつつ生産性よく冷間圧延する圧延条件を設定することができる。また、本発明に係る冷間圧延方法および冷間圧延機によれば、高負荷、かつ圧延前板厚の薄い難圧延材を冷間圧延する際にも冷間圧延の安定性を確保しつつ生産性よく冷間圧延することができる。また、本発明に係る鋼板の製造方法によれば、鋼板を歩留まりよく製造することができる。

【図面の簡単な説明】

【0016】

【図1】図１は、本発明の一実施形態である冷間圧延機の構成を示す模式図である。

【図2】図２は、図１に示した演算ユニットの構成を示すブロック図である。

【図3】図３は、多次元配列情報の一例を示す図である。

【図4】図４は、アクチュエータ予測モデルの構成例を示す図である。

【図5】図５は、多次元配列情報を一次元情報に変換する処理の流れを示すフローチャートである。

【図6】図６は、予測モデル実行部の処理の流れを示すフローチャートである。

【発明を実施するための形態】

【0017】

以下、図面を参照して、本発明の一実施形態である冷間圧延機の圧延条件設定方法、冷間圧延方法、鋼板の製造方法、冷間圧延機の圧延条件設定装置および冷間圧延機について説明する。なお、以下に示す実施形態は、本発明の技術思想を具体化するための装置や方法を例示したものであって、構成部品の材質、形状、構造、配置等を以下に示す実施形態に限定するものではない。また、図面は模式的なものである。このため、厚みと平面寸法との関係や比率等は現実のものとは異なることに留意すべきであり、図面相互間においても互いの寸法の関係や比率が異なる部分が含まれている。

【0018】

〔冷間圧延機の構成〕
まず、図１を参照して、本発明の一実施形態である冷間圧延機の構成について説明する。なお、本明細書中では「冷間圧延」を単に「圧延」と記載することがあり、本明細書において「冷間圧延」と「圧延」は同義である。また、以下の説明では、冷間圧延機によって圧延される圧延材（圧延対象材）として鋼板を例に挙げる。但し、圧延材は、鋼板に限定されることはなく、アルミニウム板等のその他の金属板でも適用可能である。

【0019】

図１は、本発明の一実施形態である冷間圧延機の構成を示す模式図である。図１に示すように、本発明の一実施形態である冷間圧延機１は、鋼板Ｓの入側（図１の紙面に向かって左側）から出側（図１の紙面に向かって右側）に向かって、順に第１圧延スタンド～第５圧延スタンド（♯１ＳＴＤ～♯５ＳＴＤ）の５機の圧延スタンドを備える冷間タンデム圧延機である。この冷間圧延機１において、隣り合う圧延スタンド間には、図示しないテンションロール、デフロール、板厚計および形状計が適宜設置されている。圧延スタンドの構成や鋼板Ｓの搬送装置等は特に限定されず、適宜公知の技術を適用できる。

【0020】

図１に示す実施形態では、熱間圧延ライン（図示せず）で圧延された鋼板Ｓは、ペイオフリール２から払い出された後、入側ルーパー３、ステアリングロール４を通過する。次いで、鋼板Ｓは冷間圧延機１で冷間圧延された後、コイラー５に巻き取られる。入側ルーパー３の長さやステアリングロール４の本数は、特に限定されない。

【0021】

〔アクチュエータ予測モデル〕
次に、図１～図６を参照して、本発明の一実施形態であるアクチュエータ予測モデルについて説明する。

【0022】

本発明の一実施形態であるアクチュエータ予測モデルに関連する機能は、図１に示す圧延制御装置１００、演算ユニット２００および鋼板３次元情報測定装置３００と、図２に示す操業監視装置４００とによって実現される。

【0023】

圧延制御装置１００は、演算ユニット２００からの制御信号に基づいて冷間圧延機１の圧延条件を制御する。

【0024】

図２は、図１に示す演算ユニット２００の構成を示すブロック図である。図２に示すように、演算ユニット２００は、演算装置２１０、入力装置２２０、記憶装置２３０および出力装置２４０を備えている。

【0025】

演算装置２１０は、バス２５０を介して入力装置２２０、記憶装置２３０および出力装置２４０と有線接続されている。但し、演算装置２１０、入力装置２２０、記憶装置２３０および出力装置２４０は、この接続の態様に限らず、無線により接続されてもよく、有線接続と無線接続とを組み合わせた態様で接続されてもよい。

【0026】

入力装置２２０は、各種情報が入力される入力ポートとして機能する。入力装置２２０には、例えば圧延制御装置１００による冷間圧延機１の制御情報が入力される。また、入力装置２２０には、鋼板３次元情報測定装置３００によって測定された圧延入側鋼板情報（冷間圧延機１の入側における鋼板Ｓの板道外を含む３次元鋼板情報（例えば鋼板座標、曲がり、急峻度等））、操業監視装置４００からの情報が入力される。

【0027】

操業監視装置４００は、鋼板Ｓの製造ラインに設置されており、例えばオペレータが各種設定を行うための入力装置（例えばキーボード、マウス等）や、圧延状況を監視するための表示装置（例えば液晶ディスプレイ等）等から構成される。操業監視装置４００からの情報としては、アクチュエータ予測モデルの実行指令情報が含まれる。また、操業監視装置４００からの情報としては、圧延対象の鋼板Ｓに関する情報（前工程条件、鋼種、サイズ）、冷間圧延前にプロセスコンピュータまたはオペレータにより設定された冷間圧延条件情報（数値情報、文字情報、画像情報）が含まれる。

【0028】

記憶装置２３０は、例えばハードディスクドライブ、半導体ドライブ、光学ドライブ等により構成され、本システムにおいて必要な情報（後述する予測モデル生成部２１４および予測モデル実行部２１５の機能の実現に必要な情報）を記憶する装置である。

【0029】

予測モデル生成部２１４の機能の実現に必要な情報としては、例えば鋼板３次元情報測定装置３００によって測定された圧延入側の３次元鋼板情報、鋼板Ｓの要求特性（鋼種、製品の板厚、板幅等）、冷間圧延機１の設備制約が含まれる。また、予測モデル生成部２１４の機能の実現に必要な情報としては、鋼板Ｓの溶接点通過後の圧延情報（コイル情報、形状アクチュエータ位置を含む）、圧延スタンドで使用されるクーラント性状が含まれる。また、予測モデル生成部２１４の機能の実現に必要な情報としては、圧延条件（目標圧延速度を含む）等の冷間圧延に関連する説明変数、ステアリングロール４のシリンダ位置や第１圧延スタンドでの圧下位置情報といった目的変数を示す情報が含まれる。

【0030】

予測モデル実行部２１５の機能の実現に必要な情報としては、例えば予測モデル生成部２１４によって生成された鋼板Ｓの圧延状態ごとのアクチュエータ予測モデル、アクチュエータ予測モデルに入力される各種情報が挙げられる。

【0031】

出力装置２４０は、演算装置２１０からの制御信号を圧延制御装置１００に対して出力する出力ポートとして機能する。

【0032】

操業監視装置４００は、液晶ディスプレイや有機ディスプレイ等の任意の表示装置を備えている。操業監視装置４００は、圧延制御装置１００から冷間圧延機１の操業状態を示す各種情報を受信し、受信した情報をオペレータが冷間圧延機１の操業状態を監視するための運転画面（操業画面）に表示する。

【0033】

演算装置２１０は、ＲＡＭ（Random Access Memory）２１１、ＲＯＭ（Read Only Memory）２１２および演算処理部２１３を備えている。

【0034】

ＲＯＭ２１２は、コンピュータプログラムである予測モデル生成プログラム２１２ａおよび予測モデル実行プログラム２１２ｂを記憶している。

【0035】

演算処理部２１３は、演算処理機能を有し、バス２５０を介してＲＡＭ２１１およびＲＯＭ２１２と接続されている。

【0036】

ＲＡＭ２１１、ＲＯＭ２１２および演算処理部２１３は、バス２５０を介して入力装置２２０、記憶装置２３０および出力装置２４０に接続されている。

【0037】

演算処理部２１３は、機能ブロックとして、予測モデル生成部２１４および予測モデル実行部２１５を備えている。

【0038】

予測モデル生成部２１４は、アクチュエータ予測モデルを生成する処理部である。アクチュエータ予測モデルは、過去の圧延実績データを多次元データに変換した第１多次元データを説明変数とし、ステアリングロール４の制御量および冷間圧延機１の圧下位置を目的変数として生成される。また、「過去の圧延実績データ」には、冷間圧延機１の入側における鋼板Ｓの板道外を含む３次元鋼板情報が含まれる。

【0039】

予測モデル生成部２１４では、冷間圧延機１における過去の圧延実績のうち、鋼板Ｓの圧延前における板道外を含む３次元鋼板情報とアクチュエータ量（ステアリングロール４のシリンダ量および第１圧延スタンドの圧下位置）とを結び付ける機械学習手法を用いる。

【0040】

例えば鋼板Ｓの形状や曲がりに応じて、予めステアリングロール４のシリンダ量を変更させることにより、当該ステアリングロール４に対する鋼板Ｓの巻掛位置を調整することができるため、急激な鋼板Ｓの蛇行に対してもセンタリングすることができる。同様に、鋼板Ｓの片伸びや曲がりを修正するように、第１圧延スタンドの圧下位置（レベリング）を制御することにより、圧延出側での片伸びや曲がりを低減することができる。

【0041】

機械学習手法によるアクチュエータ予測モデルとして、本実施形態では、ニューラルネットワークモデルを用いる。但し、機械学習手法は、ニューラルネットワークに限定されず、他の公知の機械学習手法を採用しても構わない。

【0042】

予測モデル生成部２１４は、学習用データ取得部２１４ａ、前処理部２１４ｂ、第１データ変換部２１４ｃ、モデル生成部２１４ｄおよび結果保存部２１４ｅを備えている。予測モデル生成部２１４は、操業監視装置４００からアクチュエータ予測モデルの生成の指示を受けた際に、ＲＯＭ２１２に記憶されている予測モデル生成プログラム２１２ａを実行する。これにより、予測モデル生成部２１４は、学習用データ取得部２１４ａ、前処理部２１４ｂ、第１データ変換部２１４ｃ、モデル生成部２１４ｄおよび結果保存部２１４ｅとして機能する。また、アクチュエータ予測モデルは、予測モデル生成部２１４が実行する度に更新される。

【0043】

学習用データ取得部２１４ａは、アクチュエータ予測モデルの生成のための事前処理として、入力実績データ（説明変数）および出力実績データ（目的変数）からなる、複数の学習用データを取得する。入力実績データとしては、過去の圧延実績データのうち、鋼板３次元情報測定装置３００からの板道外を含む３次元鋼板情報が含まれる。また、出力実績データとしては、過去の圧延実績データのうち、アクチュエータ量（ステアリングロール４のシリンダ量および第１圧延スタンドの圧下位置）が含まれる。

【0044】

学習用データ取得部２１４ａは、記憶装置２３０から上記の入力実績データおよび出力実績データを取得して学習用データを作成する。各学習用データは、入力実績データと出力実績データの組からなる。また、作成した学習用データは、記憶装置２３０に記憶される。なお、学習用データ取得部２１４ａは、記憶装置２３０に学習用データを記憶させることなく、前処理部２１４ｂやモデル生成部２１４ｄに学習用データを供給してもよい。

【0045】

入力実績データには、説明変数を時間方向に連結した多次元配列情報が含まれる。本実施形態では、多次元配列情報として、例えば図３に示すような情報を採用する。

【0046】

図３は、鋼板３次元情報測定装置３００の測定点が、鋼板Ｓの板道外を含む幅方向に複数ある場合の例を示す。この場合、学習用データ取得部２１４ａは、鋼板Ｓの長手方向に対して連続的に測定された測定点群を入力実績データとする。鋼板Ｓの板道外（鋼板Ｓの板エッジよりも外側に相当する部位）の情報も取り込まれることにより、コイル自体の形状不良部を検出できるだけでなく、コイル長手方向に対する曲がりも入力データとなる。なお、鋼板３次元情報測定装置３００の測定手法は特に限定されず、接触式でも非接触式（２次元レーザー、３Ｄスキャナー、γ線、Ｘ線等）でもよい。また、測定点群を平均化したデータ、またはスプライン平滑化処理等の加工を加えたデータを、入力実績データとしてもよい。なお、入力実績データに取り込まれる板道外の情報は、片側当り、鋼板Ｓの板幅の１０％未満が好ましい。

【0047】

ここで、記憶装置２３０に過去の圧延実績データが記憶されていない場合（例えば過去に実績のない圧延条件や鋼種条件である場合）やサンプル量が少ない場合も想定される。この場合、学習用データ取得部２１４ａは、オペレータに対して、１回または複数回、アクチュエータ予測モデルを使用せずに冷間圧延を実行するよう要求する。また、記憶装置２３０に記憶されている学習用データの数が多い程、アクチュエータ予測モデルによる予測精度が高まる。このため、学習用データの数が予め設定した閾値未満である場合、学習用データ取得部２１４ａは、データ数が閾値に至るまで、オペレータに対して、アクチュエータ予測モデルを使用せずに冷間圧延を実行するよう要求してもよい。

【0048】

前処理部２１４ｂは、学習用データ取得部２１４ａが取得した学習用データをアクチュエータ予測モデル生成用に加工する。具体的には、前処理部２１４ｂは、学習用データを構成する圧延実績データをニューラルネットワークモデルに読み込ませるために、必要に応じて０～１の間で入力実績データの値域を標準化（正規化）する。

【0049】

入力実績データは多次元情報である。このため、第１データ変換部２１４ｃは、畳み込みニューラルネットワークを用いて特徴量を残した状態で入力実績データを次元圧縮し、一次元情報とする（図４参照）。入力実績データは、一次元情報となった状態で、図４に示すニューラルネットワークモデルの入力層５０１に結合される。

【0050】

ここで、図５を参照して、第１データ変換部２１４ｃの処理例について説明する。図５は、多次元配列情報を一次元情報に変換する処理の流れを示すフローチャートである。図５に示すように、多次元配列情報を一次元情報に変換する処理、すなわち多次元配列情報の格納方法は、複数のフィルターの入出力が多段に繋がれた構造を有している。すなわち、多次元配列情報を一次元情報に変換する処理は、入力側から順番に、第１畳み込みステップＳ１、第１プーリングステップＳ２、第２畳み込みステップＳ３、第２プーリングステップＳ４および全結合ステップＳ５を含む。

【0051】

第１畳み込みステップＳ１では、第１データ変換部２１４ｃが、横６４×縦６４の多次元配列情報を入力とし、畳み込み演算によって６４×６４の第１特徴マップを出力する。第１特徴マップは、入力配列のどの箇所にどのような局所的な特徴があるのかを示す。畳み込み演算では、例えば横３×縦３ピクセル、３２チャンネルのフィルターとし、フィルターの適用間隔を１、周辺を０で埋める（パッディング）長さを１とする。

【0052】

第１プーリングステップＳ２では、第１データ変換部２１４ｃが、第１畳み込みステップＳ１により出力された第１特徴マップを入力とし、第１特徴マップの横３×縦３ピクセル内での最大値を新たな１ピクセルとする。第１データ変換部２１４ｃは、このような操作を、ピクセルをずらしながらマップ全体にわたり実施する。これにより、第１プーリングステップＳ２では、第１データ変換部２１４ｃは、第１特徴マップを圧縮した第２特徴マップを出力する。

【0053】

第２畳み込みステップＳ３では、第１データ変換部２１４ｃが、第２特徴マップを入力とし、畳み込み演算によって第３特徴マップを出力する。畳み込み演算では、例えば横３×縦３ピクセル、３２チャンネルのフィルターとし、フィルターの適用間隔を１、周辺を０で埋める（パッディング）長さを１とする。

【0054】

第２プーリングステップＳ４では、第１データ変換部２１４ｃが、第２畳み込みステップＳ３により出力された第３特徴マップを入力とし、第３特徴マップの横３×縦３ピクセル内での最大値を新たな１ピクセルとする。第１データ変換部２１４ｃは、このような操作を、ピクセルをずらしながらマップ全体にわたり実施する。これにより、第２プーリングステップＳ４では、第１データ変換部２１４ｃは、第３特徴マップを圧縮した第４特徴マップを出力する。

【0055】

全結合ステップＳ５では、第１データ変換部２１４ｃが、第２プーリングステップＳ４により出力された第４特徴マップの情報を一列に配列する。そして、全結合ステップＳ５から出力された１００個のニューロンは、図４に示すニューラルネットワークモデルの入力層５０１となる。なお、畳み込みの手法や出力ニューロン数は上記に限定されない。また、畳み込みニューラルネットワークの手法としては、ＧｏｏｇｌｅＮｅｔやＶＧＧ１６、ＭＯＢＩＬＥＮＥＴ、ＥＦＦＩＣＩＥＮＴＮＥＴ等の既知のモデルを用いてもよい。

【0056】

図２に戻る。モデル生成部２１４ｄは、前処理部２１４ｂが取得した複数の学習用データ（第１データ変換部２１４ｃで変換された情報も含む）を用いた機械学習を実施する。これにより、モデル生成部２１４ｄは、圧延入側３次元鋼板情報を入力実績データとして含み、アクチュエータ量を出力実績データとするアクチュエータ予測モデルを生成する。

【0057】

本実施形態では、機械学習の手法としてはニューラルネットワークを採用するため、モデル生成部２１４ｄは、アクチュエータ予測モデルとしてニューラルネットワークモデルを生成する。すなわち、モデル生成部２１４ｄは、アクチュエータ予測モデル生成用に加工された学習用データにおける入力実績データと出力実績データとを結び付けるアクチュエータ予測モデルとしてのニューラルネットワークモデルを生成する。このニューラルネットワークモデルは、例えば関数式で表現される。

【0058】

具体的には、モデル生成部２１４ｄは、ニューラルネットワークモデルに用いられるハイパーパラメータの設定を行うとともに、当該ハイパーパラメータを用いたニューラルネットワークモデルによる学習を行う。ハイパーパラメータの最適化計算として、モデル生成部２１４ｄは、まず学習用データに対して、ハイパーパラメータ内の幾つかを段階的に変更したニューラルネットワークモデルを生成し、検証用データに対する予測精度が最も高くなるようなハイパーパラメータを選択する。

【0059】

ハイパーパラメータとして通常、隠れ層の数、各隠れ層のニューロン数、各隠れ層におけるドロップアウト率（ニューロンの伝達をある一定の確率で遮断する）、各隠れ層における活性化関数および出力数が設定されるが、これに限定されない。また、ハイパーパラメータの最適化手法は特に限定されないが、パラメータを段階的に変更するグリッドサーチや、パラメータをランダムに選択するランダムサーチ、あるいはベイズ最適化による探索を用いることができる。

【0060】

なお、モデル生成部２１４ｄは演算装置２１０の一部として組み込まれているが、構成はこれに限定されない。例えば、アクチュエータ予測モデルを予め生成して保存しておき、それら適宜読み出しても構わない。

【0061】

図４に示すように、本実施形態におけるアクチュエータ予測モデルとしてのニューラルネットワークモデルは、入力側から順に、入力層５０１、中間層５０２および出力層５０３を備えている。

【0062】

図３で作成された多次元配列情報は、学習用データ取得部２１４ａによって畳み込みニューラルネットワークを用いて特徴量を残した状態で次元圧縮され、一次元情報となった状態で入力層５０１に格納される。

【0063】

中間層５０２は複数の隠れ層で構成され、各々の隠れ層には複数のニューロンが配置されている。中間層５０２内に構成される隠れ層の数や各隠れ層に配置されるニューロンの数は特に限定されない。中間層５０２では、あるニューロンから続く隠れ層へのニューロンの伝達は、重み係数による変数の重み付けとともに、活性化関数を介して行われる。活性化関数には、シグモイト関数やハイパボリックタンジェント関数、あるいはランプ関数等の既知の関数を用いることができる。

【0064】

出力層５０３は、中間層５０２により伝達されたニューロンの情報が結合され、最終的なアクチュエータ量（アクチュエータ情報）として出力される。出力層５０３内に構成される出力数は特に限定されない。この出力された結果と、過去の鋼板Ｓの冷間圧延前における３次元鋼板情報とその時のアクチュエータ実績（ステアリングロール４のシリンダ量および第１圧延スタンドの圧下位置）とに基づき、ニューラルネットワークモデル内の重み係数が徐々に最適化されることにより、学習が行われる。

【0065】

ニューラルネットワークモデルの重み係数が学習された後、モデル生成部２１４ｄは、評価用データ（アクチュエータ予測モデルを用いた圧延対象となる鋼板Ｓの３次元鋼板情報）を、この重み係数が学習されたニューラルネットワークモデルに入力する。これにより、モデル生成部２１４ｄは、評価用データに対する推定結果を得る。

【0066】

図２に戻る。結果保存部２１４ｅは、学習用データ、評価用データ、ニューラルネットワークモデルのパラメータ（重み係数）を、記憶装置２３０に記憶させる。また、結果保存部２１４ｅは、学習用データに対するニューラルネットワークモデルの出力結果、評価用データに対するニューラルネットワークモデルの出力結果を、記憶装置２３０に記憶させる。

【0067】

予測モデル実行部２１５は、鋼板Ｓの冷間圧延前に、予測モデル生成部２１４で生成されたアクチュエータ予測モデルを用いて圧延対象の鋼板Ｓの３次元鋼板情報に対応するアクチュエータ位置を予測する。そして、予測モデル実行部２１５は、圧延対象の鋼板Ｓにおけるアクチュエータ位置を決定する。

【0068】

上記処理を行うため、予測モデル実行部２１５は、情報読取部２１５ａ、第２データ変換部２１５ｂ、アクチュエータ予測部２１５ｃ、アクチュエータ決定部２１５ｄおよび結果出力部２１５ｅを備えている。ここで、予測モデル実行部２１５は、入力装置２２０を介して圧延制御装置１００から冷間圧延が実施されていることを知らせる信号を受けたときに、ＲＯＭ２１２に記憶されている予測モデル実行プログラム２１２ｂを実行する。これにより、予測モデル実行部２１５は、情報読取部２１５ａ、第２データ変換部２１５ｂ、アクチュエータ予測部２１５ｃ、アクチュエータ決定部２１５ｄおよび結果出力部２１５ｅとして機能する。

【0069】

情報読取部２１５ａは、記憶装置２３０から、操業監視装置４００にてプロセスコンピュータならびにオペレータによって設定された圧延対象の鋼板Ｓの圧延条件を読み込む。

【0070】

第２データ変換部２１５ｂは、アクチュエータ予測モデルへの入力データとなる多次元配列情報を、一次元情報に畳み込む処理を行う。第２データ変換部２１５ｂの処理は、第１データ変換部２１４ｃの処理と同じであるため、処理の詳細な説明は省略する。また、第１データ変換部２１４ｃおよび第２データ変換部２１５ｂを、一つの処理部としてサブルーチン化してもよい。

【0071】

アクチュエータ予測部２１５ｃは、第２データ変換部２１５ｂで畳み込まれた後の一次元情報をアクチュエータ予測モデルに入力して、圧延対象の鋼板Ｓにおけるアクチュエータ量（ステアリングロール４のシリンダ量および第１圧延スタンドの圧下位置）を予測する。すなわち、アクチュエータ予測部２１５ｃは、冷間圧延機１の入側における鋼板Ｓの板道外を含む３次元鋼板情報から生成した第２多次元データをアクチュエータ予測モデルに入力する。これにより、ステアリングロール４の制御量および冷間圧延機１の圧下位置の少なくとも一方を推定する。

【0072】

アクチュエータ決定部２１５ｄは、予測した鋼板Ｓのアクチュエータ量が、別途設定されている設備制約閾値以内であるかどうかを判定する処理を行う。

【0073】

結果出力部２１５ｅは、予測した鋼板Ｓのアクチュエータ量が、予め設定した設備制約閾値以内の場合に作動する。そして、結果出力部２１５ｅは、決定した圧延対象の鋼板Ｓの３次元鋼板形状（３次元鋼板情報）に対する操業条件（形状制御アクチュエータ量）を出力し、フィードフォワード制御する。

【0074】

次に、図６を参照して、予測モデル実行部２１５の処理について説明する。

【0075】

図６は、予測モデル実行部２１５の処理の流れを示すフローチャートである。図６に示すように、アクチュエータ予測モデルを実行する際は、まず、情報読取部２１５ａが、ステップＳ１１の処理として、圧延対象の鋼板Ｓの要求特性に対応するアクチュエータ予測モデルとしてのニューラルネットワークモデルを記憶装置２３０から読み込む。

【0076】

次に、情報読取部２１５ａが、ステップＳ１２の処理として、上位計算機から入力装置２２０を介して記憶装置２３０に記憶されている要求される設備制約閾値を読み込む。次に、情報読取部２１５ａは、ステップＳ１３の処理として、上位計算機から入力装置２２０を介して、記憶装置２３０に記憶されている圧延対象の鋼板Ｓの３次元鋼板形状を読み込む。

【0077】

次に、アクチュエータ予測部２１５ｃが、ステップＳ１４の処理として、ステップＳ１１の処理で読み込まれたアクチュエータ予測モデルとしてのニューラルネットワークモデルを用いて、アクチュエータ量を予測する。ステップＳ１４の処理では、具体的には、ニューラルネットワークモデルを用いて、ステップＳ１３の処理で読み込まれた圧延対象の鋼板Ｓの３次元鋼板形状を多次元配列化した入力実績データに対応する、冷間圧延中の鋼板Ｓに対するアクチュエータ量を求める。なお、ニューラルネットワークモデルによる予測結果は、図４に示したニューラルネットワークモデルの出力層５０３に出力される。

【0078】

そして、予測されたアクチュエータ量が、設備制約閾値以内である場合は、結果出力部２１５ｅが、出力装置２４０を介して変更されたアクチュエータに関する情報を、圧延制御装置１００へ伝送し、予測モデル実行部２１５は一連の処理を終了する。

【0079】

以上のように、本実施形態では、予測モデル生成部２１４が、過去の鋼板Ｓの圧延入側における板道外を含む３次元鋼板形状実績とその３次元鋼板形状実績に対応する過去のアクチュエータ量とを結び付ける機械学習手法によるアクチュエータ予測モデルを生成する。

【0080】

また、予測モデル実行部２１５は、鋼板Ｓの冷間圧延中に、生成されたアクチュエータ予測モデルにより圧延対象の鋼板Ｓの３次元鋼板形状を求める。そして、予測モデル実行部２１５は、求められた３次元鋼板形状に対するアクチュエータ予測結果が、設備制約閾値以内であった場合に、圧延対象の鋼板Ｓの３次元鋼板形状に対するアクチュエータ量を決定する。これにより、オペレータの経験や主観によらない、圧延操業における各種制約を満たす形状制御が実施され、冷間圧延中の形状不良や破断等のトラブルの発生を抑制しながら生産性を維持できる。

【0081】

更に、本実施形態では、冷間圧延中の鋼板Ｓのアクチュエータに用いる説明変数として、板道外を含む３次元鋼板形状実績より採取される数値情報を連結し多次元配列情報を入力データとして使用する。このため、コイル接合部近傍におけるコイル長手方向の曲がりや形状不良部を考慮しながら、冷間圧延中の形状不良に対して寄与の大きい因子をニューラルネットワークモデル上で識別することができる。

【0082】

〔冷間圧延方法〕
本発明の一実施形態である冷間圧延方法では、上記の圧延条件設定方法を用いて変更された冷間圧延機１の目標圧延条件を用いて、鋼板Ｓを冷間圧延する。これにより、高負荷、かつ圧延前板厚の薄い難圧延材を冷間圧延する際にも冷間圧延の安定性を確保しつつ生産性よく冷間圧延することができる。

【0083】

〔鋼板の製造方法〕
本発明の一実施形態である鋼板の製造方法では、上記の冷間圧延方法を用いて鋼板Ｓを製造する。これにより、鋼板Ｓを歩留まりよく製造することができる。

【0084】

〔変形例〕
以上、本発明の実施形態について説明してきたが、本発明はこれに限定されずに種々の変更、改良を行うことができる。例えば、本実施形態では、アクチュエータ予測モデルによる鋼板Ｓのアクチュエータ条件の決定をコイル全長にわたって行うこととしたが、一部で行うこととしてもよい。また、冷間圧延機１としては、４段式に限定されず、２段式（２Ｈｉ）や６段式（６Ｈｉ）等の多重圧延機であってもよく、圧延スタンドの数にも特に限定はない。また、クラスター圧延機やゼンジミア圧延機であってもよい。

【0085】

また、演算ユニット２００によって、変更上下限界値を超える異常な制御量が算出される場合や制御量が算出できない場合に、圧延制御装置１００は、演算ユニット２００からの指令に基づく制御を実行できない。そこで、圧延制御装置１００は、演算ユニット２００からの制御量が異常と判定したり、演算ユニット２００から制御量が供給されなかったりした場合等には、本実施を行わないようにするとよい。また、鋼板３次元情報測定装置３００からの測定結果が過去学習範囲を超えているような場合は、破断トラブルを防止するため、圧延ロールを解放して、減速して通板できるようにしてもよい。

【0086】

また、本実施形態において、鋼板３次元情報測定装置３００の設置位置はステアリングロール４の上流側となっているが、下流側に設置してもよい。この場合、目的変数は、冷間圧延機１の圧下位置のみとなる。また、第１圧延スタンド出側形状計による圧下位置のフィードバック制御が十分に機能している場合は、目的変数をステアリングロール４のシリンダ量のみとしてもよい。

【0087】

また、冷間圧延機１の圧延スタンド間に設置された形状計によるフォードバック制御が実施されている場合は、本発明との制御ハンチングが発生する場合がある。そこで、圧延制御装置１００は、演算ユニット２００からの制御量が過剰とならないように、ゲインを調整できる機構にするとよい。

【0088】

また、図２に示す構成例では、出力装置２４０と操業監視装置４００は接続されていないが、両者は通信可能に接続されていてもよい。これにより、予測モデル実行部２１５の処理結果（特にアクチュエータ予測部２１５ｃによる圧延中の鋼板Ｓの形状予測情報およびアクチュエータ決定部２１５ｄにより決定された変更後の圧延条件）を、操業監視装置４００の運転画面に表示することができる。

【0089】

また、図２に示す構成例では、予測モデルの作成および実行が同一の演算装置２１０内で行われ、バス２５０を介して圧延制御装置１００、鋼板３次元情報測定装置３００および操業監視装置４００と接続されているが、この構成には限定されない。例えば、予測モデルの作成を、演算装置２１０以外の装置によって行い、作成した予測モデルをＲＯＭ２１２に記憶させ、予測モデル実行部２１５で実行させてもよい。

【実施例0090】

以下、本発明を実施例に基づいて説明する。

【0091】

図１に示す実施形態の全５圧延スタンドからなる冷間タンデム圧延機を用い、母材厚２．０～２．６ｍｍ、板幅１０００ｍｍの２．５～３．０ｍａｓｓ％Ｓｉを含有する電磁鋼板用の素材鋼板を圧延材として仕上げ厚０．３００ｍｍまで冷間圧延する実験を行った。事前学習として、まず、学習用データ（３０００件程度の過去の鋼板の圧延実績データ）を用いてニューラルネットワークモデルによる学習を実施した。これにより、過去の圧延前鋼板の３次元形状実績と過去のアクチュエータ実績とを結び付け、アクチュエータの予測に用いるニューラルネットワークモデルを作成した。

【0092】

発明例では、過去の鋼板の圧延前実績データとして、３Ｄスキャナーによって板道外を含む３次元鋼板形状が測定され、多次元配列情報の形で入力実績データとした。過去のアクチュエータ情報として、３次元鋼板形状測定装置以降に設置されたステアリングロールのシリンダ位置や第１圧延スタンドでの圧下位置実績が学習された。冷間タンデム圧延機入側にて先行鋼帯と後行鋼帯が接合された後、圧延制御装置１００がオンとなった段階で、生成されたニューラルネットワークモデルによる冷間圧延中のアクチュエータ量を予測した。

【0093】

比較例でも発明例と同様に、母材厚２．０～２．６ｍｍ、板幅１０００ｍｍの２．５～３．０ｍａｓｓ％Ｓｉを含有する電磁鋼板用の素材鋼板を圧延材として仕上げ厚０．３００ｍｍまで冷間圧延する実験を行った。比較例では、過去の鋼板の圧延前実績データとして、レーザー変位計を鋼板幅方向に複数個配置し、板道のみの鋼板変位とアクチュエータ量を結び付け、アクチュエータの予測に用いるニューラルネットワークモデルを生成した。

【0094】

発明例および比較例の１００コイル圧延後の鋼板の破断発生数を表１に示す。表１に示すように、比較例では、コイルの曲がりに対して十分な学習がなされなかった。このため、コイル接合部近傍で曲がりが大きく変動した際にアクチュエータの操作量が追い付かず、コイルが冷間圧延機のミルセンタを逸脱し、片伸びあるいはエッジ過張力による破断トラブルが発生した。

【0095】

【表1】

【0096】

以上のことから、本発明に係る冷間圧延方法および冷間圧延機を用いて、鋼板の圧延前の形状を適切に予測し、続くアクチュエータの操作を適切に制御することが好ましいことが確認された。また、これにより、本発明を適用することにより、冷間圧延中の形状不良や板破断等のトラブルの発生を抑制できるだけでなく、圧延工程や次工程以降の生産性の向上や品質の向上に大いに寄与できることが確認された。

【0097】

以上、本発明者らによってなされた発明を適用した実施の形態について説明したが、本実施形態による本発明の開示の一部をなす記述および図面により本発明は限定されることはない。すなわち、本実施形態に基づいて当業者等によりなされる他の実施の形態、実施例および運用技術等は、全て本発明の範疇に含まれる。

【符号の説明】

【0098】

１ 冷間圧延機
２ ペイオフリール
３ 入側ルーパー
４ ステアリングロール
５ コイラー
１００ 圧延制御装置
２００ 演算ユニット
２１０ 演算装置
２１１ ＲＡＭ（Random Access Memory）
２１２ ＲＯＭ（Read Only Memory）
２１２ａ 予測モデル生成プログラム
２１２ｂ 予測モデル実行プログラム
２１３ 演算処理部
２１４ 予測モデル生成部
２１４ａ 学習用データ取得部
２１４ｂ 前処理部
２１４ｃ 第１データ変換部
２１４ｄ モデル生成部
２１４ｅ 結果保存部
２１５ 予測モデル実行部
２１５ａ 情報読取部
２１５ｂ 第２データ変換部
２１５ｃ アクチュエータ予測部
２１５ｄ アクチュエータ決定部
２１５ｅ 結果出力部
２２０ 入力装置
２３０ 記憶装置
２４０ 出力装置
３００ 鋼板３次元情報測定装置
４００ 操業監視装置
５０１ 入力層
５０２ 中間層
５０３ 出力層
Ｓ 鋼板

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】