特開 2024-32151 ロールギャップ補正装置およびロールギャップ補正方法

(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】P2024032151

(43)【公開日】2024-03-12

(54)【発明の名称】ロールギャップ補正装置およびロールギャップ補正方法

(51)【国際特許分類】

   B21B 37/58 20060101AFI20240305BHJP

【ＦＩ】

B21B37/58 Z

B21B37/58 A

【審査請求】未請求

【請求項の数】3

【出願形態】ＯＬ

(21)【出願番号】P 2022135649

(22)【出願日】2022-08-29

(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】行成 麻佑

(72)【発明者】

【氏名】増百 寛之

【テーマコード（参考）】

4E124

【Ｆターム（参考）】

4E124AA17

4E124BB01

4E124BB02

4E124CC01

4E124CC03

4E124DD13

(57)【要約】

【課題】圧延機のロールギャップ設定値を補正する際に用いる摩擦係数変化量を高精度に予測することができるロールギャップ補正装置およびロールギャップ補正方法を提供すること。
【解決手段】ロールギャップ補正装置は、圧延材の圧延中に、圧延機のワークロールと圧延材間の摩擦係数を、予め作成した摩擦係数モデル式および摩擦係数変化量モデル式により予測し、摩擦係数の変化による圧延機出側の板厚変化を修正するように、圧延機のロールギャップ設定値を補正する圧延機のロールギャップ補正装置において、摩擦係数変化量モデル式が、圧延油の濃度、圧延油の温度、圧延油の流量、圧延速度、圧延材長、圧下率、圧延材の硬度、圧延材およびワークロール間の接触面積の変動に関する変数、を入力データとし、摩擦係数変化量を出力データとして、機械学習が施された予測モデルである。
【選択図】図３

【特許請求の範囲】

【請求項1】

圧延材の圧延中に、圧延機のワークロールと圧延材間の摩擦係数を、予め作成した摩擦係数モデル式および摩擦係数変化量モデル式により予測し、摩擦係数の変化による圧延機出側の板厚変化を修正するように、前記圧延機のロールギャップ設定値を補正する圧延機のロールギャップ補正装置において、
前記摩擦係数変化量モデル式は、圧延油の濃度、圧延油の温度、圧延油の流量、圧延速度、圧延材長、圧下率、圧延材の硬度、圧延材およびワークロール間の接触面積の変動に関する変数、を入力データとし、摩擦係数変化量を出力データとして、機械学習が施された予測モデルである、
ロールギャップ補正装置。

【請求項2】

前記機械学習は、線形回帰、ニューラルネットワーク、決定木、ランダムフォレスト、サポートベクター回帰または勾配ブースティングである、
請求項１に記載のロールギャップ補正装置。

【請求項3】

圧延材の圧延中に、圧延機のワークロールと圧延材間の摩擦係数を、予め作成した摩擦係数モデル式および摩擦係数変化量モデル式により予測し、摩擦係数の変化による圧延機出側の板厚変化を修正するように、前記圧延機のロールギャップ設定値を補正する圧延機のロールギャップ補正方法において、
前記摩擦係数変化量モデル式は、圧延油の濃度、圧延油の温度、圧延油の流量、圧延速度、圧延材長、圧下率、圧延材の硬度、圧延材およびワークロール間の接触面積の変動に関する変数、を入力データとし、摩擦係数変化量を出力データとして、機械学習が施された予測モデルである、
ロールギャップ補正方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、ロールギャップ補正装置およびロールギャップ補正方法に関する。

【背景技術】

【0002】

特許文献１では、圧延材の圧延中に、圧延機のワークロールと圧延材との間に発生する摩擦係数を予測するために、以下のような手法が提案されている。この手法では、予め作成した摩擦係数モデル式によって摩擦係数を予測し、予測した摩擦係数の変化に応じて圧延機のロールギャップ設定値を補正する。またその際に、圧延荷重式によって逆算した摩擦係数μ^Ａと、摩擦係数モデル式によって予測した摩擦係数μ^Ｃとの差である摩擦係数変化量ε^Ａを補正するための摩擦係数変化量ε^Ｃを、機械学習（具体的にはニューラルネットワーク）によって予測する。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開平７－２４６４１１号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

特許文献１で提案された技術では、機械学習を行う際に、実際の摩擦係数の変動に関連する変数の中で、比較的容易に測定可能なデータしか用いていない。そのため、摩擦係数変化量（摩擦係数変化量ε^Ａ）の予測精度が低いという問題があった。

【0005】

本発明は、上記に鑑みてなされたものであって、圧延機のロールギャップ設定値を補正する際に用いる摩擦係数変化量を高精度に予測することができるロールギャップ補正装置およびロールギャップ補正方法を提供することを課題とする。

【課題を解決するための手段】

【0006】

上述した課題を解決し、目的を達成するために、本発明に係るロールギャップ補正装置は、圧延材の圧延中に、圧延機のワークロールと圧延材間の摩擦係数を、予め作成した摩擦係数モデル式および摩擦係数変化量モデル式により予測し、摩擦係数の変化による圧延機出側の板厚変化を修正するように、前記圧延機のロールギャップ設定値を補正する圧延機のロールギャップ補正装置において、前記摩擦係数変化量モデル式が、圧延油の濃度、圧延油の温度、圧延油の流量、圧延速度、圧延材長、圧下率、圧延材の硬度、圧延材およびワークロール間の接触面積の変動に関する変数、を入力データとし、摩擦係数変化量を出力データとして、機械学習が施された予測モデルである。

【0007】

本発明に係るロールギャップ補正装置は、上記発明において、前記機械学習が、線形回帰、ニューラルネットワーク、決定木、ランダムフォレスト、サポートベクター回帰または勾配ブースティングである。

【0008】

上述した課題を解決し、目的を達成するために、本発明に係るロールギャップ補正方法は、圧延材の圧延中に、圧延機のワークロールと圧延材間の摩擦係数を、予め作成した摩擦係数モデル式および摩擦係数変化量モデル式により予測し、摩擦係数の変化による圧延機出側の板厚変化を修正するように、前記圧延機のロールギャップ設定値を補正する圧延機のロールギャップ補正方法において、前記摩擦係数変化量モデル式が、圧延油の濃度、圧延油の温度、圧延油の流量、圧延速度、圧延材長、圧下率、圧延材の硬度、圧延材およびワークロール間の接触面積の変動に関する変数、を入力データとし、摩擦係数変化量を出力データとして、機械学習が施された予測モデルである。

【発明の効果】

【0009】

本発明によれば、圧延材の硬度、圧延材およびワークロール間の接触面積の変動に関する変数、を入力データとして追加して機械学習を施した予測モデルを用いることにより、圧延機のロールギャップ設定値を補正する際に用いる摩擦係数変化量を、高精度に予測することができる。

【図面の簡単な説明】

【0010】

【図1】図１は、本発明の実施形態に係るロールギャップ補正装置を適用可能な圧延機の構成の一例を示す図である。

【図2】図２は、本発明の実施形態に係るロールギャップ補正装置の各構成要素の機能を示すブロック図である。

【図3】図３は、本発明の実施形態に係るロールギャップ補正方法の流れを示すフローチャートである。

【図4】図４は、予測モデルがニューラルネットワークである場合の構造の一例を示す図である。

【図5】図５は、従来技術で提案されたロールギャップ補正方法によってロールギャップ設定値を補正した場合の、板厚偏差とライン速度との関係を示す図である。

【図6】図６は、圧延機のロール半径と摩擦係数との関係を示す図である。

【図7】図７は、圧延材の硬度と摩擦係数との関係を示す図である。

【図8】図８は、圧延材の硬度ごとに、従来技術および本発明の予測モデルの予測精度を比較した結果を示す図である。

【図9】図９は、圧延機のロール半径ごとに、従来技術および本発明の予測モデルの予測精度を比較した結果を示す図である。

【図10】図１０は、本発明の実施形態に係るロールギャップ補正方法によってロールギャップ設定値を補正した場合の、板厚偏差とライン速度との関係を示す図である。

【発明を実施するための形態】

【0011】

本発明の実施形態に係るロールギャップ補正装置およびロールギャップ補正方法について、図面を参照しながら説明する。なお、本発明は以下で説明する実施形態に限定されるものではない。

【0012】

（圧延機）
図１は、本実施形態に係るロールギャップ補正装置を適用可能な圧延機の構成の一例を示している。この圧延機は、一対のワークロール１１と、一対のバックアップロール１２と、油圧圧下装置１３と、板厚計１４，１５と、張力計１６，１７と、一対のクーラントノズル１８と、クーラントタンク１９と、を備えている。

【0013】

一対のワークロール１１の間には、圧延材Ｓが通板される。バックアップロール１２は、ワークロール１１の上下に配置されている。油圧圧下装置１３は、バックアップロール１２を押圧する。板厚計１４は、圧延機の入側に配置されている。この板厚計１４は、圧延機の入側における圧延材Ｓの板厚を測定する。板厚計１５は、圧延機の出側に配置されている。この板厚計１５は、圧延機の出側における圧延材Ｓの板厚を測定する。

【0014】

張力計１６は、圧延機の入側かつ、板厚計１４の上流側（圧延材Ｓの搬送方向上流側）に配置されている。この張力計１６は、圧延機の入側における圧延材Ｓの張力を測定する。張力計１７は、圧延機の出側かつ、板厚計１５の下流側（圧延材Ｓの搬送方向下流側）に配置されている。この張力計１７は、圧延機の出側における圧延材Ｓの張力を測定する。

【0015】

クーラントノズル１８は、ワークロール１１と板厚計１４との間に配置されている。このクーラントノズル１８は、クーラントタンク１９から供給された圧延油を、ワークロール１１に対して吹きかける。

【0016】

（ロールギャップ補正装置）
本実施形態に係るロールギャップ補正装置は、圧延材Ｓの圧延中に、圧延機のワークロール１１と圧延材Ｓ間の摩擦係数を、予め作成した摩擦係数モデル式および摩擦係数変化量モデル式により予測する。そして、予測した摩擦係数の変化による圧延機出側の板厚変化を修正するように、圧延機のロールギャップ設定値（予め設定されている設定値）を補正する。

【0017】

また、本実施形態に係るロールギャップ補正装置では、前記した摩擦係数変化量モデル式が、所定のパラメータを入力データとし、摩擦係数変化量を出力データとして、機械学習が施された予測モデルからなる。この予測モデルを構築する際の入力データとしては、例えば圧延油の濃度、圧延油の温度、圧延油の流量、圧延速度、圧延材長、圧下率、入側板厚、出側板厚、圧延材Ｓの硬度、圧延材Ｓおよびワークロール１１間の接触面積の変動に関する変数、が挙げられる。

【0018】

予測モデルを構築する際の機械学習の手法としては、例えば線形回帰、ニューラルネットワーク、決定木、ランダムフォレスト、サポートベクター回帰または勾配ブースティング等が挙げられる。また、入力データとして用いる「圧延材Ｓの硬度」としては、例えば圧延材Ｓの変形抵抗係数が挙げられる。また、入力データとして用いる「圧延材Ｓおよびワークロール１１間の接触面積の変動に関する変数」としては、例えばワークロール１１の半径（以下、「ロール半径」という）が挙げられる。

【0019】

図２は、本実施形態に係るロールギャップ補正装置の各構成要素の機能ブロックを示している。ロールギャップ補正装置は、圧延荷重式逆算部２１と、圧延実績データ部２２と、摩擦係数モデル式算出部２３と、前処理部２４と、摩擦係数変化量推定部２５と、学習部２６と、補正量算出部２７と、を備えている。以下、本実施形態に係るロールギャップ補正方法の流れについて、図２および図３を参照しながら説明する。

【0020】

まず圧延荷重式逆算部２１は、圧延実績データ部２２から、圧延荷重Ｐ、入側板厚Ｈ、出側板厚ｈ、後方張力ｔ_ｂ、前方張力ｔ_ｆのデータを取得する。そして、下記式（１）に示す圧延荷重式を用いて、摩擦係数μ^Ａを逆算する（ステップＳ１）。

【0021】

【数1】

【0022】

なお、上記式（１）において、Ｂは圧延板幅、Ｋ_ｍは圧延材Ｓの変形抵抗、Ｒはロール半径を示している。また、上記式（１）に示した圧延荷重式は、圧延荷重Ｐを、圧延板幅Ｂ、入側板厚Ｈ、出側板厚ｈ、前方張力ｔ_ｆ、後方張力ｔ_ｂ、摩擦係数μ^Ａ、圧延材Ｓの変形抵抗Ｋ_ｍおよびロール半径Ｒの関数として表したものである。

【0023】

続いて、摩擦係数モデル式算出部２３は、圧延実績データ部２２から、圧延速度Ｖ、圧下率ｒのデータを取得する。そして、下記式（２）に示す摩擦係数モデル式を用いて、摩擦係数μ^Ｃを算出する（ステップＳ２）。ここで、ステップＳ１で逆算した摩擦係数μ^Ａと、ステップＳ２で算出した摩擦係数μ^Ｃとの差を、「摩擦係数変化量ε^Ａ」と定義する。

【0024】

【数2】

【0025】

なお、上記式（２）において、ａ_０～ａ_５は各項の係数、εは圧延速度Ｖと圧下率ｒ以外の要因によるμ^Ｃの変化量を示している。この上記式（２）のεまたは係数ａ_０～ａ_５を適切に設定することができれば、摩擦係数μ^Ｃを正確に予測することが可能となる。

【0026】

続いて、前処理部２４は、圧延実績データ部２２から、圧延速度Ｖ、圧下率ｒ、入側板厚Ｈ、出側板厚ｈ、圧延油の濃度Ｃ、圧延油の温度Ｔ、圧延材長Ｌ、圧延油の流量Ｆ、ロール半径Ｒ、圧延材Ｓの変形抵抗係数Ｋのデータを取得する。そして、摩擦係数変化量推定部２５への入力データを作成する（ステップＳ３）。

【0027】

摩擦係数変化量推定部２５は、前処理部２４から入力データ（圧延速度Ｖ、圧下率ｒ、入側板厚Ｈ、出側板厚ｈ、圧延油の濃度Ｃ、圧延油の温度Ｔ、圧延材長Ｌ、圧延油の流量Ｆ、ロール半径Ｒおよび圧延材Ｓの変形抵抗係数Ｋ）を取得する。そして、これらの入力データを予測モデルに入力することにより、摩擦係数変化量ε^Ｃを予測する（ステップＳ４）。

【0028】

ステップＳ４で用いる予測モデルは、所定のパラメータを入力データとし、摩擦係数変化量ε^Ｃを出力データとし、摩擦係数変化量ε^Ａを教師データとして、学習部２６において、予め機械学習が施されている。この予測モデルを構築する際の入力データとしては、例えば圧延油の濃度Ｃ、圧延油の温度Ｔ、圧延油の流量Ｆ、圧延速度Ｖ、圧延材長Ｌ、圧下率ｒ、入側板厚Ｈ、出側板厚ｈ、圧延材Ｓの変形抵抗係数Ｋおよびロール半径Ｒが挙げられる。

【0029】

学習部２６は、予測モデルの学習の際に、摩擦係数変化量ε^Ａと摩擦係数変化量ε^Ｃとの差が０に近付くように、予測モデルの重み係数を、例えば勾配法等に基づいて変更する。そして、ステップＳ４では、この重み係数が設定された予測モデルを用いて、摩擦係数変化量ε^Ｃを予測する。

【0030】

ここで、予測モデルがニューラルネットワークである場合、例えば図４のような構造となる。このニューラルネットワークは、入力層、中間層および出力層からなる三層のネットワーク構造を有している。同図において、入力層には、圧延油の濃度Ｃ、圧延油の温度Ｔ、圧延油の流量Ｆ、圧延速度Ｖ、圧延材長Ｌ、圧下率ｒ、入側板厚Ｈ、出側板厚ｈ、圧延材Ｓの変形抵抗係数Ｋおよびロール半径Ｒが入力される。また、入力層と中間層との間には、重み係数Ｗ_ｊｉが設定され、中間層と出力層との間には、重み係数Ｗ_ｋｊが設定される。そして、出力層からは、摩擦係数変化量ε^Ｃが出力される。

【0031】

予測モデルが図４に示すようなニューラルネットワークである場合、学習部２６は、図４のニューラルネットワークの重み係数Ｗ_ｊｉ，Ｗ_ｋｊを、例えば勾配法等に基づいて変更する。なお、同図では、予測モデルが三層のニューラルネットワークであるため、二つの重み係数Ｗ_ｊｉ，Ｗ_ｋｊが設定されているが、重み係数の数は、ニューラルネットワークの層数に応じて適宜設定される。

【0032】

続いて、補正量算出部２７は、ステップＳ２で算出した摩擦係数μ^Ｃと、ステップＳ４で予測した摩擦係数変化量ε^Ｃとの和を摩擦係数予測値μ^ｆとし、当該摩擦係数予測値μ^ｆから、周知の手法（例えば特許文献１参照）を用いて、圧延荷重変化量ΔＰを算出する（ステップＳ５）。

【0033】

続いて、補正量算出部２７は、圧延荷重変化量ΔＰから、周知の手法（例えば特許文献１参照）を用いて、ロールギャップ補正量ΔＳを算出する（ステップＳ６）。以上により、本処理は完了する。

【0034】

従来技術（例えば特許文献１）では、実際の摩擦係数の変動要因に関する変数の中で、比較的容易に測定可能な、圧延油の濃度、圧延油の温度、圧延油の流量、圧延速度、圧延材長、圧下率等のデータを入力データとして用いて、摩擦係数変化量を予測していた。

【0035】

しかしながら、上記の入力データには、圧延材の硬度や、圧延材およびワークロール間の接触面積の変動に関する変数が含まれていない。そのため、例えば硬度の高い性質を有する圧延材を圧延する際に、実際の摩擦係数と摩擦係数予測値と間に大きな差異が発生する。その結果、摩擦係数変化量に基づいて算出した圧延機のロールギャップ設定値の補正が不十分となり、例えば図５に示すように、圧延材によっては、ライン速度が加減速する際に板厚偏差および張力変動が発生する。なお、同図において、（ａ）は、時間方向における板厚偏差を示すグラフであり、（ｂ）は、時間方向におけるライン速度を示すグラフである。

【0036】

一般的に、圧延材とワークロールとの摩擦力は、真実接触面積と関係がある。すなわち、圧延材に対するワークロールの真実接触面積が大きくなると、摩擦力も増加する傾向にある。また、圧延材の硬度が高くなると真実接触面積は小さくなるため、圧延材の硬度が高くなると、摩擦係数は低下する。

【0037】

例えば圧延機によって圧延材を圧延する状況において、図６に示すように、圧延機のロール半径が小さい程、摩擦係数は増加する。また、図７に示すように、圧延材の硬度が高い程、摩擦係数は低下する。

【0038】

なお、図６で示したロール半径は、比率で表すと、例えば「ロール半径：小」を「１」とした場合、「ロール半径：中」が「１．１」であり、「ロール半径：大」が「１．２」である。また、図７において圧延材の硬度による摩擦係数の差を比較するために、「硬度低」での変形抵抗係数を「１」とした場合、「硬度高」での変形抵抗係数を「１．５以上」とした。

【0039】

しかしながら、従来技術では、予測モデルの学習時にこれらの影響を考慮していない。そのため、圧延材の硬度および圧延機のロール半径の違いによって、摩擦係数の予測精度が低下するという課題がある。これを図８および図９に示す。

【0040】

図８の（ａ）は、圧延材の硬度が高い場合において、従来技術および本発明の摩擦係数の予測精度を比較した結果を示している。また、図８の（ｂ）は、圧延材の硬度が低い場合において、従来技術および本発明の摩擦係数の予測精度を比較した結果を示している。

【0041】

図９の（ａ）は、ロール半径が「小」である場合において、従来技術および本発明の摩擦係数の予測精度を比較した結果を示している。また、図９の（ｂ）は、ロール半径が「中」である場合において、従来技術および本発明の摩擦係数の予測精度を比較した結果を示している。また、図９の（ｃ）は、ロール半径が「大」である場合において、従来技術および本発明の摩擦係数の予測精度を比較した結果を示している。

【0042】

本実施形態に係るロールギャップ補正方法では、摩擦係数変化量ε^Ｃを予測する予測モデルの入力データとして、従来用いられていたパラメータに加えて、圧延材Ｓの硬度（圧延材Ｓの変形抵抗係数Ｋ）、圧延材Ｓおよびワークロール１１間の接触面積の変動に関する変数（ロール半径Ｒ）を更に追加している。

【0043】

これにより、本実施形態に係るロールギャップ補正方法では、例えば図８および図９に示すように、予測した摩擦係数が、圧延荷重式から逆算した摩擦係数μ^Ａとほぼ一致しており、従来技術と比較して、摩擦係数の予測精度が向上していることが分かる。従って、例えば図１０に示すように、ライン速度が加減速する際の、板厚偏差および張力変動を抑制することが可能となる。なお、同図において、（ａ）は、時間方向における板厚偏差を示すグラフであり、（ｂ）は、時間方向におけるライン速度を示すグラフである。

【0044】

以上説明したロールギャップ補正装置およびロールギャップ補正方法によれば、圧延材Ｓの硬度（例えば変形抵抗係数）、圧延材Ｓおよびワークロール１１間の接触面積の変動に関する変数（例えばロール半径）、を入力データとして追加して機械学習を施した予測モデルを用いる。これにより、圧延機のロールギャップ設定値を補正する際に用いる摩擦係数変化量ε^Ｃを、圧延材Ｓの硬度および圧延材Ｓとロール間の接触面積による変動を反映させて高精度に予測することが可能となる。その結果、圧延機のロールギャップ補正の精度が向上し、板厚精度の向上と張力の安定化を実現することができる。

【0045】

以上、本発明に係るロールギャップ補正装置およびロールギャップ補正方法について、発明を実施するための形態および実施例により具体的に説明したが、本発明の趣旨はこれらの記載に限定されるものではなく、特許請求の範囲の記載に基づいて広く解釈されなければならない。また、これらの記載に基づいて種々変更、改変等したものも本発明の趣旨に含まれることはいうまでもない。

【符号の説明】

【0046】

１１ ワークロール
１２ バックアップロール
１３ 油圧圧下装置
１４，１５ 板厚計
１６，１７ 張力計
１８ クーラントノズル
１９ クーラントタンク
２１ 圧延荷重式逆算部
２２ 圧延実績データ部
２３ 摩擦係数モデル式算出部
２４ 前処理部
２５ 摩擦係数変化量推定部
２６ 学習部
２７ 補正量算出部
Ｓ 圧延材

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】