特開 2024-173349 連続鋳造機、連続鋳造機の異常予測方法およびプログラム

(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】P2024173349

(43)【公開日】2024-12-12

(54)【発明の名称】連続鋳造機、連続鋳造機の異常予測方法およびプログラム

(51)【国際特許分類】

   B22D 11/16 20060101AFI20241205BHJP

【ＦＩ】

B22D11/16 104B

【審査請求】未請求

【請求項の数】3

【出願形態】ＯＬ

(21)【出願番号】P 2023091706

(22)【出願日】2023-06-02

(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】110000637

【氏名又は名称】弁理士法人樹之下知的財産事務所

(72)【発明者】

【氏名】北田 宏

(72)【発明者】

【氏名】川端 雅俊

【テーマコード（参考）】

4E004

【Ｆターム（参考）】

4E004MA05

4E004MC12

(57)【要約】

【課題】過去の実績データからブレークアウト直前の異常であることを学習させた機械学習モデルを用いることによって、鋳造中における各時刻の説明変数データの異常判別を行う。
【解決手段】溶鋼から鋳片を製造する際の異常の発生を予測する連続鋳造機であって、溶鋼から製造される鋳片で、溶鋼が凝固した凝固シェルが破断する現象であるブレークアウトが発生するか否かを、事前に予測する異常予測処理部を有し、異常予測処理部は、過去の操業実績における、複数の温度計で得られた温度分布と、当該温度分布となった溶鋼で製造された鋳片でブレークアウトが発生したか否かの情報とを、機械学習による識別器に学習させることで生成された学習済みモデルを用い、複数の温度計で得られた温度分布を推論することで、当該温度分布となった溶鋼で製造されることになる鋳片でブレークアウトが発生するか否かを事前に予測する、連続鋳造機が提供される。
【選択図】図７

【特許請求の範囲】

【請求項1】

溶鋼から鋳片を製造する際の異常の発生を予測する連続鋳造機であって、
長辺と短辺とからなる鋳型と、
前記鋳型の短辺に向けて開口した吐出口から、前記鋳型内に溶鋼を供給する浸漬ノズルと、
前記鋳型の短辺において、前記溶鋼のなす湯面の目標レベルより高い位置と低い位置とを含む複数の位置に設けられた複数の温度計と、
前記溶鋼から製造される鋳片で、溶鋼が凝固した凝固シェルが破断する現象であるブレークアウトが発生するか否かを、事前に予測する異常予測処理部と、
を有し、
前記異常予測処理部は、過去の操業実績における、前記複数の温度計で得られた温度分布と、当該温度分布となった溶鋼で製造された鋳片で前記ブレークアウトが発生したか否かの情報とを、機械学習による識別器に学習させることで生成された学習済みモデルを用い、前記複数の温度計で得られた温度分布を推論することで、当該温度分布となった溶鋼で製造されることになる鋳片で前記ブレークアウトが発生するか否かを事前に予測する、連続鋳造機。

【請求項2】

溶鋼から鋳片を製造する際の異常の発生を予測する連続鋳造機の異常予測方法であって、
長辺と短辺とからなる鋳型と、
前記鋳型の短辺に向けて開口した吐出口から、前記鋳型内に溶鋼を供給する浸漬ノズルと、
前記鋳型の短辺において、前記溶鋼のなす湯面の目標レベルより高い位置と低い位置とを含む複数の位置に設けられた複数の温度計と、
前記溶鋼から製造される鋳片で、溶鋼が凝固した凝固シェルが破断する現象であるブレークアウトが発生するか否かを、事前に予測する異常予測処理部と、
を有する連続鋳造機を用い、
前記異常予測処理部を用いて、過去の操業実績における、前記複数の温度計で得られた温度分布と、当該温度分布となった溶鋼で製造された鋳片で前記ブレークアウトが発生したか否かの情報とを、機械学習による識別器に学習させることで生成された学習済みモデルを用い、前記複数の温度計で得られた温度分布を推論することで、当該温度分布となった溶鋼で製造されることになる鋳片で前記ブレークアウトが発生するか否かを事前に予測する、連続鋳造機の異常予測方法。

【請求項3】

連続鋳造機で溶鋼から鋳片を製造する際の異常の発生を予測するためのプログラムであって、
長辺と短辺とからなる鋳型と、
前記鋳型の短辺に向けて開口した吐出口から、前記鋳型内に溶鋼を供給する浸漬ノズルと、
前記鋳型の短辺において、前記溶鋼のなす湯面の目標レベルより高い位置と低い位置とを含む複数の位置に設けられた複数の温度計と、
前記溶鋼から製造される鋳片で、溶鋼が凝固した凝固シェルが破断する現象であるブレークアウトが発生するか否かを、事前に予測する異常予測処理部と、
を有する連続鋳造機を用い、
前記プログラムは、前記異常予測処理部で、過去の操業実績における、前記複数の温度計で得られた温度分布と、当該温度分布となった溶鋼で製造された鋳片で前記ブレークアウトが発生したか否かの情報とを、機械学習による識別器に学習させることで生成された学習済みモデルを用い、前記複数の温度計で得られた温度分布を推論することで、当該温度分布となった溶鋼で製造されることになる鋳片で前記ブレークアウトが発生するか否かを事前に予測する、プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、連続鋳造機、連続鋳造機の異常予測方法およびプログラムに関する。

【背景技術】

【0002】

図１に例示される連続鋳造機１は溶鋼から鋳片を製造するものであり、長辺と短辺とからなる鋳型２と、タンディッシュから鋳型２に溶鋼ＭＳを供給する浸漬ノズル３とを備えている。浸漬ノズル３の先端は鋳型２内の溶鋼に浸漬され、先端付近に溶鋼が流出する吐出孔４が設けられる。鋳片が鋳型２から出た後に鋳片を支持するロール（図示せず）の軸線に対して垂直な鋳型２の面は、ロールに平行な面よりも水平方向の長さが短いので短辺面または鋳型短辺と呼ばれるが、浸漬ノズル３の吐出孔４はこの短辺に向けて開口している。

【0003】

鋳片表面の品質および内部の品質を良好に保つため、鋳型２の上部に電磁攪拌装置５を設けて鋳型２内部で溶鋼を攪拌することが行われている。また、鋳片内部の欠陥を防止するために、鋳型２の下部に電磁ブレーキ装置６を設けて静磁場を印加し、溶鋼の下方への流動を抑制することが行われている。しかし、電磁ブレーキ装置６により溶鋼の吐出流Ｆ１を強力に抑制すると下方への流動が制限されるため、図１中に示すように吐出流Ｆ１の周囲に主流とは逆方向の対向流Ｆ２が発生することが、特許文献１に示されている。対向流Ｆ２は浸漬ノズル３に沿って上昇し、溶鋼湯面直下では拡散するが、鋳型２の厚み方向の中心線上では浸漬ノズル３から短辺に向かい衝突する短辺衝突流Ｆ３が形成される。

【0004】

上記のような連続鋳造機１において、図２に示すように浸漬ノズル３の内部の片側の吐出孔４２付近にアルミナ等介在物が付着すると吐出孔４２の開口面積が減少し、反対側の吐出孔４１に吐出流量が偏るいわゆる偏流が発生する。図２には、偏流発生時の浸漬ノズル３を対称軸として偏流側（図中の左側）と吐出孔詰まり側（図中の右側）の吐出流Ｆ１１，Ｆ１２、対向流Ｆ２１，Ｆ２２および短辺衝突流Ｆ３１，Ｆ３２の違いが模式的に示されている。偏流側で溶鋼ＭＳの湯面直下に発生する短辺衝突流Ｆ３１は、吐出孔詰まり側で発生する短辺衝突流Ｆ３２と比べて流速が大きくなることが数値シミュレーションで確認されている。

【0005】

鋳型２で溶鋼ＭＳから生成した凝固シェルＳＨは、鋳型２の全周にわたって均一に成長することが望ましい。しかし、凝固シェルＳＨと鋳型銅板との間にある潤滑剤であるパウダーフラックス（溶鋼ＭＳの湯面上に散布したパウダーが溶融したもの）の膜切れ等による凝固シェルＳＨの銅板への焼き付き（拘束）や、凝固収縮が大きい亜包晶鋼や合金鋼の鋳造でフラックスの結晶化不良や湯面からの不均一流入によって鋳型２の周方向について熱伝達が不均一になることによって生じる凝固シェルＳＨの変形のために凝固シェルＳＨと銅板との間に生じる空隙（エアギャップ）など、凝固シェルＳＨの不均一な成長となる異常現象が複数ある。

【0006】

上述した短辺衝突流Ｆ３も、溶鋼ＭＳの凝固初期において熱収支を乱すため凝固シェルＳＨの形成を不安定化する要因になりうる。特に、溶鋼中[Ｃ]重量％が０．０８～０．１０％の亜包晶鋼では凝固収縮が大きいため凝固シェルＳＨと銅板との間にエアギャップが生じやすい。凝固シェルＳＨが不均一に成長している部分の面積が拡大した凝固不良箇所が鋳型２の下端から引き抜かれた場合、凝固不良箇所の凝固シェルの引張強度が鋳片内部の溶鋼の静圧に耐えられずに破断し、破断部から溶鋼が外部に流出するブレークアウトが発生する場合がある。ブレークアウトの発生は、鋳造の停止、鋳片の引き抜き、流出した溶鋼地金の除去、セグメント交換等を伴うため正常な操業に戻るまでには長い時間を要し、生産性を低下させる要因になる。従って、凝固不良が発生していることをブレークアウトに至る前に検知することが重要である。

【0007】

そこで、本発明者らは、ブレークアウトが発生した鋳片の分析を行った。ブレークアウトが発生したとき、ブレークアウト後に回収した鋳片から溶鋼が流出した開口部付近の凝固シェルを観察分析することで、凝固不良箇所の原因を事後的に特定できる。さらに、発明者らは、実際に発生したブレークアウトの事例において、流出孔に至る直前の鋳型内両短辺の上下方向に沿う鋳型内溶鋼流速を、鋳片デンドライト組織の傾き角度から非特許文献１に示された計算式を用いて推定した。図３に示すように、正常な場合の凝固シェルでは溶鋼湯面を基準にした深さ３５ｍｍの位置で流速の方向が反転しているのに対し、ブレークアウトが発生した凝固シェルでは深さ８ｍｍの位置で流速の方向が反転していた。

【0008】

この結果から、図４に示されるように、正常な場合に浸漬ノズルから短辺に向かう流れの衝突位置は溶鋼湯面から約３５ｍｍの位置と推定されるのに対して（図４（ａ））、ブレークアウト発生時には上記衝突位置が溶鋼湯面から約８ｍｍの位置と推定される（図４（ｂ））。また、いずれの場合も溶鋼湯面から５０ｍｍの位置では流速推定値が下向きになるが、この位置におけるブレークアウト発生時の流速推定値の大きさは正常な場合よりも大きくなっている。このことから、ブレークアウト発生時に溶鋼湯面から５０ｍｍ付近の位置で短辺に衝突する溶鋼の流速は、正常な場合よりも大きいと推定される。ブレークアウト発生側では、エアギャップによる凝固不良箇所が鋳型下部まで引き抜かれて破断したと推定される。

【0009】

鋳造中は、溶鋼のなす湯面（以下、溶鋼湯面ともいう）のレベルを目標レベルに保つ湯面制御が常に行われているが、溶鋼湯面の直下では浸漬ノズルから鋳型短辺に向かう流れが発生しているため、短辺に接する湯面の形状は湯面制御の目標レベルよりも上に盛り上がることになる。従来、鋳型短辺における湯面の盛り上がりを、鋳型短辺銅板の湯面目標レベルより高い位置から湯面目標レベルより低い位置までを含めて設置した温度計の測温値において、上下方向の最大温度に対して６４％の温度に該当する位置として短辺湯面高さとして推定することが特許文献２に記載されている。

【先行技術文献】

【特許文献】

【0010】

【特許文献1】特開２０１０－２４０６８６号公報

【特許文献2】特開昭６２－９３０５４号公報

【非特許文献】

【0011】

【非特許文献1】「連鋳鋳片の大型介在物と柱状晶成長方向との関係」，岡野忍ら，「鉄と鋼」第61年第14号，2982-2990頁，1975年

【発明の概要】

【発明が解決しようとする課題】

【0012】

ところが、特許文献２に記載された方法では、必ずしもブレークアウトの発生を正確に検知することができない。表１は、特許文献２に記載されたブレークアウトの事例（ＢＯ事例１～３）でブレークアウト発生側の鋳型短辺の湯面目標レベルよりも１５ｍｍおよび３５ｍｍ高い位置にある鋳型銅板温度計の測温値から推定した鋳型短辺における溶鋼湯面の高さと、反対の正常側の鋳型短辺で同様に推定した溶鋼湯面の高さとを、湯面レベル制御目標値からの偏差（盛り上がり）で整理した表である。溶鋼湯面の盛り上がりの左右偏差に着目した場合、ブレークアウト発生側の盛り上がりが正常側よりも大きかったのはＢＯ事例１およびＢＯ事例２のみであり、ＢＯ事例３では逆にブレークアウト発生側の盛り上がりが正常側よりも小さかった。その一方で、ＢＯ事例２ではＢＯ事例１およびＢＯ事例３に比べてブレークアウト発生側および平常側とも溶鋼湯面の盛り上がりが小さく、溶鋼湯面の盛り上がりの大きさに着目した場合もブレークアウトの事例に共通した特徴があるとはいえない。

【0013】

【表1】

【0014】

一方、上記のブレークアウトの事例について、温度計の測温値から推定した溶鋼湯面の高さではなく、測温値の分布そのものを正常時と比較すると、図５に示すようにブレークアウト発生時の測温値分布は正常時に比べて溶鋼湯面側（浅い側）に偏る傾向があり、湯面目標レベルよりも１５ｍｍおよび３５ｍｍ高い位置にある鋳型銅板温度計の測温値は正常時の平均値より高く外れる傾向が強かった。

【0015】

図６に、上記の結果に対する本発明者らの考察を示す。図６には、鋳型短辺銅板２Ａと、短辺衝突流Ｆ３と、銅板内熱流束Ｖ１，Ｖ２と、湯面目標レベルＬと、凝固シェルＳＨとが図示されている。図６（ａ）に示す正常側短辺では、短辺に向かう流れの流速が小さく溶鋼湯面から離れた位置に衝突するため、吐出流がもつ熱エネルギーが銅板内熱流束Ｖ１として湯面レベル目標位置よりも高い位置にある温度計まで届きにくい。これに対して、図６（ｂ）に示すブレークアウト側短辺では、短辺に向かう流れの流速が大きく溶鋼湯面に近い位置に衝突するため、吐出流がもつ熱エネルギーが銅板内熱流束Ｖ２として湯面レベル目標位置よりも高い位置にある温度計まで届きやすい。この結果として、ブレークアウト側短辺では、湯面レベル目標位置より高い位置にある温度計の測温値が正常側短辺よりも高くなる傾向が生じたものと考えられる。

【0016】

以上の考察から、本発明では、溶鋼湯面より高い位置にある鋳型銅板温度計の測温値を含む鋳造中の操業条件データを説明変数とし、過去の実績データからブレークアウト直前の異常であることを学習させた機械学習モデルを用いることによって、鋳造中における各時刻の説明変数データの異常判別を行う。なお、ブレークアウトの予知に鋳型銅板に設置した温度計を用いる技術は過去にも提案されているが、溶鋼湯面より高い位置にある温度計のデータを用いるものはない。

【課題を解決するための手段】

【0017】

本発明のある観点によれば、溶鋼から鋳片を製造する際の異常の発生を予測する連続鋳造機であって、長辺と短辺とからなる鋳型と、鋳型の短辺に向けて開口した吐出口から、鋳型内に溶鋼を供給する浸漬ノズルと、鋳型の短辺において、溶鋼のなす湯面の目標レベルより高い位置と低い位置とを含む複数の位置に設けられた複数の温度計と、溶鋼から製造される鋳片で、溶鋼が凝固した凝固シェルが破断する現象であるブレークアウトが発生するか否かを、事前に予測する異常予測処理部と、を有し、異常予測処理部は、過去の操業実績における、複数の温度計で得られた温度分布と、当該温度分布となった溶鋼で製造された鋳片でブレークアウトが発生したか否かの情報とを、機械学習による識別器に学習させることで生成された学習済みモデルを用い、複数の温度計で得られた温度分布を推論することで、当該温度分布となった溶鋼で製造されることになる鋳片でブレークアウトが発生するか否かを事前に予測する、連続鋳造機が提供される。

【0018】

本発明の別の観点によれば、溶鋼から鋳片を製造する際の異常の発生を予測する連続鋳造機の異常予測方法であって、長辺と短辺とからなる鋳型と、鋳型の短辺に向けて開口した吐出口から、鋳型内に溶鋼を供給する浸漬ノズルと、鋳型の短辺において、溶鋼のなす湯面の目標レベルより高い位置と低い位置とを含む複数の位置に設けられた複数の温度計と、溶鋼から製造される鋳片で、溶鋼が凝固した凝固シェルが破断する現象であるブレークアウトが発生するか否かを、事前に予測する異常予測処理部と、を有する連続鋳造機を用い、異常予測処理部を用いて、過去の操業実績における、複数の温度計で得られた温度分布と、当該温度分布となった溶鋼で製造された鋳片でブレークアウトが発生したか否かの情報とを、機械学習による識別器に学習させることで生成された学習済みモデルを用い、複数の温度計で得られた温度分布を推論することで、当該温度分布となった溶鋼で製造されることになる鋳片でブレークアウトが発生するか否かを事前に予測する、連続鋳造機の異常予測方法が提供される。

【0019】

本発明のさらに別の観点によれば、連続鋳造機で溶鋼から鋳片を製造する際の異常の発生を予測するためのプログラムであって、長辺と短辺とからなる鋳型と、鋳型の短辺に向けて開口した吐出口から、鋳型内に溶鋼を供給する浸漬ノズルと、鋳型の短辺において、溶鋼のなす湯面の目標レベルより高い位置と低い位置とを含む複数の位置に設けられた複数の温度計と、溶鋼から製造される鋳片で、溶鋼が凝固した凝固シェルが破断する現象であるブレークアウトが発生するか否かを、事前に予測する異常予測処理部と、を有する連続鋳造機を用い、プログラムは、異常予測処理部で、過去の操業実績における、複数の温度計で得られた温度分布と、当該温度分布となった溶鋼で製造された鋳片でブレークアウトが発生したか否かの情報とを、機械学習による識別器に学習させることで生成された学習済みモデルを用い、複数の温度計で得られた温度分布を推論することで、当該温度分布となった溶鋼で製造されることになる鋳片でブレークアウトが発生するか否かを事前に予測する、プログラムが提供される。

【発明の効果】

【0020】

上記の構成によれば、短辺衝突流によりブレークアウトに至る異常を検出することが可能になり、ブレークアウトによる操業停止のトラブルを事前に回避することができる。

【図面の簡単な説明】

【0021】

【図1】連続鋳造機の鋳型厚み中心線における鋳造中の鋳型断面図である。

【図2】浸漬ノズル吐出孔付近の詰まり付着による偏流発生時の鋳型内溶鋼流動を表す図である。

【図3】ブレークアウト後鋳片の湯面からの深さ方向の距離と流速推定値の関係を示す図である。

【図4】短辺上下方向の流速分布に基づく鋳型短辺に向かう流れと衝突位置を示す図である。

【図5】短辺鋳型銅板測温値の分布比較のグラフである。

【図6】鋳型銅板短辺湯面付近の銅板内熱流束ベクトルおよび凝固シェル表面付近の溶鋼流速ベクトルの概略図である。

【図7】本発明の一実施形態における連続鋳造機の構成を表すブロック線図である。

【図8】ｋ－近傍法を用いた場合の認識モデルの処理式フローチャートである。

【図9】本発明を実施する鋳型の短辺銅板における熱電対の配置図である。

【発明を実施するための形態】

【0022】

以下に添付図面を参照しながら、本発明の好適な実施形態について詳細に説明する。なお、本明細書および図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。

【0023】

図７は、本発明の一実施形態における連続鋳造機の構成を表すブロック線図である。連続鋳造機は、鋳型銅板温度計１１と、データ取得手段１２と、認識モデル計算手段１３と、異常判定手段１４と、定数パラメータ設定手段１５とを含む。データ取得手段１２、認識モデル計算手段１３、異常判定手段１４、および定数パラメータ設定手段１５は、溶鋼から製造される鋳片で、溶鋼が凝固した凝固シェルが破断する現象であるブレークアウトが発生するか否かを、事前に予測する異常予測処理部１０を構成する。異常予測処理部１０は、ＣＰＵ（Central Processing Unit）などのプロセッサ、記憶装置、通信装置、入出力手段などを備え、プログラムに従って各種の演算を実行するコンピュータを含み、データ取得手段１２、認識モデル計算手段１３、異常判定手段１４および定数パラメータ設定手段１５は、プロセッサがプログラムに従って動作することによって実装される。プログラムは、記憶装置に格納されるか、またはリムーバブル記憶媒体に格納されて異常予測処理部１０に読み込まれる。

【0024】

（鋳型銅板温度計）
鋳型銅板温度計１１は、鋳型短辺銅板内の温度分布を測定する装置であり、例えば熱電対、またはＦＢＧ（Fiber Bragg Grating）温度計などで構成される。鋳型銅板温度計１１の測温点は鋳造方向に沿って配置され、溶鋼湯面の目標レベルＬよりも高い位置と低い位置とを含む。鋳型銅板温度計１１は、鋳型の短辺において、溶鋼のなす湯面の複数の位置に設けられる複数の温度計の例である。銅板表面から測温点までの距離は一定であることが望ましい。また、鋳造方向の測温点の間隔は２０ｍｍ以下とすることが望ましい。

【0025】

（データ取得手段）
データ取得手段１２は、鋳型銅板温度計１１から測温値データを取得して記憶装置に格納する。測温値データは、例えば一次記憶装置に格納された後、適切なタイミングで二次記憶装置に構築されたデータベースに格納される。データベースでは、過去の正常時および異常時における説明変数データ実績値が実績値テーブルとして蓄積されている。実績値テーブルでは、説明変数データと対応する状態ラベルとの組が１件のレコードとして格納される。

【0026】

（認識モデル計算手段）
認識モデル計算手段１３は、データ取得手段１２が取得した測温値データを説明変数とする認識モデル処理式に基づき、鋳型各短辺においてブレークアウトの可能性がある異常な状態か、ブレークアウトの可能性がないとみなせる正常な状態かを判別する。より具体的には、認識モデル計算手段１３は、所定の周期でサンプリングした測温値データをサンプル時刻ｔにおける１レコード分の説明変数データに変換する。認識モデル処理式は、説明変数データが異常状態に該当する確率（異常確率）ｐＴおよび正常状態にある確率（正常確率）ｐＦ＝１－ｐＴを算出する。

【0027】

（異常判定手段）
異常判定手段１４は、異常確率ｐＴが閾値パラメータｐ_θ（０＜ｐ_θ＜１）以上、すなわちｐＴ≧ｐ_θの場合は説明変数データが異常状態にあると判定し、異常確率ｐＴが閾値パラメータｐ_θ未満、すなわちｐＴ＜ｐ_θの場合は説明変数データが正常状態にあると判定する。つまり、認識モデル計算手段１３および異常判定手段１４によれば、認識モデルを用い、鋳型銅板温度計１１で得られた温度分布を推論することで、当該温度分布となった溶鋼で製造されることになる鋳片でブレークアウトが発生するか否かを事前に予測することができる。なお、閾値パラメータｐ_θは、定数パラメータ設定手段１５から入力される。異常判定手段１４は、異常／正常の判定結果を出力する。判定結果は、例えば、ディスプレイへの表示や音声出力などとして出力される。

【0028】

（認識モデルの学習）
次に、上記のような異常予測処理部１０における認識モデルの学習について説明する。認識モデルは、過去の操業実績において鋳型銅板温度計１１で得られた温度分布と、当該温度分布となった溶鋼で製造された鋳片でブレークアウトが発生したか否かの情報とを、機械学習による識別器に学習させることで生成される学習済みモデルである。連続鋳造機における操業中のデータは同一の鋳造条件においても測定できない外乱現象のため、値にばらつきがある。従って、認識モデル処理式におけるパラメータは一般には解析的には設定できず、実績データから学習により設定する。本実施形態では、説明変数レコードに異常／正常を区別するラベル項目を設定し、ブレークアウト発生位置から鋳造時間に換算して所定の時間だけ遡った範囲でサンプリングされたデータレコードには異常ラベルを設定し、それ以外の期間のデータに対しては正常ラベルを付与する。

【0029】

データベースに格納された説明変数データを用いた認識モデルの学習は、認識モデル処理式で用いるアルゴリズムにおけるパラメータ変数について、訓練データにおける異常状態をすべて異常と認識しながら、正常状態を誤って異常と認識する確率を最小にする最適値を探索することで実施する。訓練データによっては異常状態をすべて正しく認識することができるパラメータを探索できない場合があるが、その場合は異常状態を誤って正常と認識する確率の下限の制約範囲内で正常を異常と認識する確率を最小化する最適値を探索する。

【0030】

（ｋ－近傍法による認識モデルと認識モデルの学習）
より具体的な例として、認識モデルの処理式にｋ－近傍法とその学習方法を用いる場合について説明する。図８は、認識モデルの処理式フローチャートである。図示された例では、説明変数データｘ（実績データ）について、参照データ（ｎ＝１，・・・，Ｎ）との間の距離｜ｘ－ｘｎ｜を計算し（ステップＳ１０１）、計算されたデータ間距離を昇順にソートする（ステップＳ１０２）。ソート後の距離の上位ｋ点について、参照データの異常ラベルを抽出し（ステップＳ１０３）。抽出された異常ラベルの数ｙおよびｋから異常確率ｐＴ＝ｙ／ｋを算出する（ステップＳ１０４）。このように、認識モデルは、説明変数データｘ（実績データ）と各々に対するラベルデータとをパラメータである参照データとし、調整パラメータとして閾値パラメータｐ_θおよび整数ｋを持つ。ｋ－近傍法では、異常時における説明変数データの実績値と正常時における説明変数データの判別対象のデータに対して最も近いｋ個のデータのうち、異常フラグが１であるレコードの個数の比率をｐＴの推定値とする。ｋ－近傍法の学習とは、認識対象の説明変数データｘとの間の距離を算出する参照データの個数ｋと、判定閾値確率ｐ_θとを変数として、認識モデルの性能を最適化することである。

【0031】

以上で説明したような本発明の実施形態は、図１に示すように鋳型内の溶鋼湯面付近で鋳型周方向に水平な旋回流を形成して攪拌する電磁攪拌装置と、浸漬ノズルより下側に溶鋼に静磁場を印加して溶鋼の下方への流動を抑制する電磁ブレーキ装置とを備えた連続鋳造機で好適に実施することできる。本発明により、短辺衝突流によりブレークアウトに至る異常を検出することが可能になり、ブレークアウトによる操業停止のトラブルを事前に回避することができる。

【実施例0032】

本発明を実施する連続鋳造機は、図１に示すように、鋳型２内の溶鋼湯面付近で鋳型周方向に水平な旋回流を形成して攪拌する電磁攪拌装置５と、浸漬ノズル３より下側で溶鋼に静磁場を印加して溶鋼の下方への流動を抑制する電磁ブレーキ装置６とを備えている。そのため、図４に示したように短辺衝突流によるブレークアウトが発生することがあった。このような連続鋳造機において、図９に示すように、連続鋳造機において鋳型の各短辺銅板２Ａの水平方向における中心線上で、湯面制御の目標レベルＬから深さ方向に－３５ｍｍの（目標レベルＬよりも３５ｍｍ高い）位置から２０ｍｍ間隔で、測温点として１６点の鋳型銅板温度計として熱電対を設置した。表２に示されるように、本発明の実施例としては、これらの測温点のうち深さ－３５ｍｍから＋２５ｍｍまでの４点の測温点における測温値を認識モデルの説明変数として用いた。一方、比較例では深さ＋２５ｍｍ（目標レベルＬよりも２５ｍｍ低い）から＋８５ｍｍまでの４点の測温点における測温値を認識モデルの説明変数として用いた。なお、鋳型内湯面の目標レベルは鋳型の上端から９５ｍｍの位置である。

【0033】

【表2】

【0034】

（学習の実験）
本発明の効果を確認するため、実際に短辺衝突流によるブレークアウトが発生した２回分の鋳造（キャスト）（図５のＢＯ事例１とＢＯ事例２）と、正常に鋳造した４４キャストにおける上記測温点の温度データを用いて、ｋ－近傍法により認識モデルを作成した。認識モデルの説明変数データには、実施例、比較例とも１秒周期で表１に示した測温点における測温値をサンプルして用いた。ｋ－近傍法における参照データは、ブレークアウトが発生した２キャスト各々における、ブレークアウト側短辺において溶鋼流出孔にあたる鋳造長位置からから４分間分の鋳造長をさかのぼった範囲にある２４０秒×２＝４８０ケースの説明変数データに異常ラベルを付けた異常時データと、それまで正常に鋳造した４４キャストにおける実績データから、両方の短辺毎に４８０ケースの説明変数データをランダムにサンプルして正常ラベルを付けた４８０ケースの正常時データとを合わせて９６０ケースのデータを参照データとした。

【0035】

（検証データ）
認識モデルの性能を検証するデータは、上記の参照データのもととなるキャストには含まれない、新たに発生したＢＯ事例３のデータを用いた。同事例のキャストにおける両方の短辺における測温値データから、比較例、実施例で用いる説明変数データを取り出し、参照データ作成時と同様にブレークアウト側短辺において溶鋼流出孔にあたる鋳造長位置から４分間分の鋳造長をさかのぼった範囲にある２４０秒分のデータに異常ラベルを付与し、残りのデータには正常ラベルを付与した。認識モデルの調整パラメータの判定に使用するデータレコード数ｋを２０，４０，８０の中で変更し、ｋ件の参照データにおける異常ラベル比率の閾値確率ｐ_θを種々変更して探索した結果、ｋの最適値８０、ｐ_θの最適値０．２７が特定された。

【0036】

表３は、実施例における検証用ＢＯ事例３のキャストデータにおける、ブレークアウト発生側短辺の異常判定結果と性能指標とをまとめた結果である。性能指標ｒ０は正常時の実績データに対する認識モデルの正答率であり、ｒ０＝（実際の正常ケースのうち認識モデルが正常と認識したケースの数／実際の正常ケースの数）で表される。性能指標ｒ１は異常時の実績データに対する認識モデルの正答率であり、ｒ１＝（実際の異常ケースのうち認識モデルが異常と認識したケースの数／実際の異常ケースの数）で表される。性能指標ｆ１はｒ０とｒ１の調和平均であり、ｆ１＝１／｛（１／ｒ０＋１／ｒ１）／２｝で表される。

【0037】

【表3】

【0038】

一方、表４は、比較例における検証用ＢＯ事例３キャストデータにおける、ブレークアウト発生側短辺の異常判定結果と性能指標とをまとめた結果である。比較例では認識モデルが実際の異常ケースを異常と認識したケースが０件であったため、性能指標ｒ１の値は０であり、性能指標ｆ１は算出できなかった。

【0039】

【表4】

【0040】

以上で表３および表４に示した結果から、短辺衝突流によりブレークアウトに至る異常を検出するためには、実施例のように湯面制御目標レベルよりも高い位置にある複数の測温点での測温値を含むデータを用いる方が、比較例のように湯面制御目標レベルよりも低い位置にある測温点での測温値のデータのみを用いるよりも効果的であることが検証できた。

【0041】

表５および図６は、それぞれ実施例および比較例における検証用ＢＯ事例３のキャストデータにおける、正常側短辺の異常判定結果と性能指標とをまとめた結果である。正常時の実績データに対する認識モデルの正答率である性能指標ｒ０は実施例の方が１に近く良好な値である。この結果から、正常時の鋳造において誤って異常判定を出す可能性についても、実施例の方が低いことがわかる。

【0042】

【表5】

【0043】

【表6】

【0044】

上述したように、湯面制御目標レベルよりも高い位置にある複数の測温点での測温値を含むデータを用いる本発明の実施例では、湯面制御目標レベルよりも低い位置にある測温点での測温値のデータのみを用いる比較例よりも短辺衝突流によりブレークアウトに至る異常をより正確に検出し、ブレークアウトによる操業停止のトラブルを効果的に回避できることが示された。

【符号の説明】

【0045】

１…連続鋳造機、２…鋳型、２Ａ…鋳型短辺銅板、３…浸漬ノズル、４，４１，４２
…吐出孔、５…電磁攪拌装置、６…電磁ブレーキ装置、１０…異常予測処理部、１１…鋳型銅板温度計、１２…データ取得手段、１３…認識モデル計算手段、１４…異常判定手段、１５…定数パラメータ設定手段。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】