JPH05293516A - 圧延機の圧延荷重推定方法 - Google Patents
圧延機の圧延荷重推定方法Info
- Publication number
- JPH05293516A JPH05293516A JP4122871A JP12287192A JPH05293516A JP H05293516 A JPH05293516 A JP H05293516A JP 4122871 A JP4122871 A JP 4122871A JP 12287192 A JP12287192 A JP 12287192A JP H05293516 A JPH05293516 A JP H05293516A
- Authority
- JP
- Japan
- Prior art keywords
- rolling
- rolling load
- load
- value
- estimating
- Prior art date
- Legal status (The legal status 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 status listed.)
- Withdrawn
Links
- 238000005096 rolling process Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000013178 mathematical model Methods 0.000 claims abstract description 12
- 229910000831 Steel Inorganic materials 0.000 claims description 5
- 230000000704 physical effect Effects 0.000 claims description 5
- 239000010959 steel Substances 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005482 strain hardening Methods 0.000 description 1
Landscapes
- Control Of Metal Rolling (AREA)
Abstract
(57)【要約】
【目的】 圧延機で用いられる圧延荷重の推定方法に関
するもので、圧延荷重推定精度の向上と、推定の際に要
するデータ数のより少ない数でよりよい精度の推定を図
ることを目的としている。 【構成】 ニューラルネット部Ａにおいて圧延条件（Ｗ
Ｒ種、圧延速度、母板厚出側板厚、圧下率）を入力とし
て調整パラメータであるμとｋm を推定し、これらの推
定値と圧延条件（入出側板厚、入出側張力、ＷＲ径）を
数式モデルＢに入力し圧延荷重値を推定する。この場合
予め圧延条件とそのときの圧延荷重値の対によってニュ
ーラルネットワークは学習されているものとする。即ち
本発明においては入力をある圧延条件、出力をその圧延
条件に対する圧延荷重値とし、圧延荷重実績値を教師信
号として学習を行なうものである。
するもので、圧延荷重推定精度の向上と、推定の際に要
するデータ数のより少ない数でよりよい精度の推定を図
ることを目的としている。 【構成】 ニューラルネット部Ａにおいて圧延条件（Ｗ
Ｒ種、圧延速度、母板厚出側板厚、圧下率）を入力とし
て調整パラメータであるμとｋm を推定し、これらの推
定値と圧延条件（入出側板厚、入出側張力、ＷＲ径）を
数式モデルＢに入力し圧延荷重値を推定する。この場合
予め圧延条件とそのときの圧延荷重値の対によってニュ
ーラルネットワークは学習されているものとする。即ち
本発明においては入力をある圧延条件、出力をその圧延
条件に対する圧延荷重値とし、圧延荷重実績値を教師信
号として学習を行なうものである。
Description
【０００１】
【産業上の利用分野】本発明は、圧延機で用いられる圧
延荷重推定方法に関するものである。
延荷重推定方法に関するものである。
【０００２】
【従来の技術】一般の圧延機において、希望する板厚や
形状に圧延する場合には、圧延条件からそのときに要す
る圧延荷重を推定し、その値を用いて各操作量を設定す
る。従って、圧延荷重推定値が大きくずれると圧延後の
形状や板厚などに悪影響を与えることとなる。
形状に圧延する場合には、圧延条件からそのときに要す
る圧延荷重を推定し、その値を用いて各操作量を設定す
る。従って、圧延荷重推定値が大きくずれると圧延後の
形状や板厚などに悪影響を与えることとなる。
【０００３】従来の圧延機における圧延荷重推定方法
は、圧延時における応力の平衡から得られた次の（１）
〜（５）式のような数式モデルに圧延条件を入力し、そ
れらの収束計算によって圧延荷重ｑを推定していた。
は、圧延時における応力の平衡から得られた次の（１）
〜（５）式のような数式モデルに圧延条件を入力し、そ
れらの収束計算によって圧延荷重ｑを推定していた。
【０００４】・荷重推定式（Ｈｉｌｌの式） ｑ＝ｋm √（（ｋm Δｈ））｛１．０８＋１．７９μｒ√（（Ｒ’／Ｈ））− １．０２ｒ｝ ［ｋｇ／ｍｍ］ （１） ｋm ＝ｇ（Ｈ０，Ｈ，ｈ，σｂ，σｆ，ｎ，ｋo ，ｃ） （２） ただし、 Δｈ＝Ｈ−ｈ （３） Ｈ０：母板厚 ［ｍｍ］ ｎ ：歪硬化係数
［−］ Ｈ ：入側板厚 ［ｍｍ］ ｋo ：変形抵抗オフセッ
ト［ｋｇ／ｍｍ2 ］ ｈ ：出側板厚 ［ｍｍ］ ｃ ：変形抵抗係数
［ｋｇ／ｍｍ2 ］ μ ：摩擦係数 ［−］ ｋm ：平均拘束降伏応力
［ｋｇ／ｍｍ2 ］ σｂ，σｆ：入出側張力 ［ｋｇ／ｍｍ2 ］ Ｒ’：偏
平ＷＲ径 ［ｍｍ］
［−］ Ｈ ：入側板厚 ［ｍｍ］ ｋo ：変形抵抗オフセッ
ト［ｋｇ／ｍｍ2 ］ ｈ ：出側板厚 ［ｍｍ］ ｃ ：変形抵抗係数
［ｋｇ／ｍｍ2 ］ μ ：摩擦係数 ［−］ ｋm ：平均拘束降伏応力
［ｋｇ／ｍｍ2 ］ σｂ，σｆ：入出側張力 ［ｋｇ／ｍｍ2 ］ Ｒ’：偏
平ＷＲ径 ［ｍｍ］
【０００５】・ロール偏平式（Ｈｉｔｃｈｃｏｃｋの
式） Ｒ：ＷＲ径 ［ｍｍ］ Ｅ：ＷＲのＹｏｕｎｇ率
［Ｋｇ／ｍｍ2 ］ ι：Ｐｏｉｓｓｏｎ比 ［−］ （ＷＲ：ワークロールの略）
式） Ｒ：ＷＲ径 ［ｍｍ］ Ｅ：ＷＲのＹｏｕｎｇ率
［Ｋｇ／ｍｍ2 ］ ι：Ｐｏｉｓｓｏｎ比 ［−］ （ＷＲ：ワークロールの略）
【０００６】ここで、数式モデルに含まれる摩擦係数μ
や平均拘束降伏応力ｋm は正確な測定は困難な物性値で
ある。
や平均拘束降伏応力ｋm は正確な測定は困難な物性値で
ある。
【０００７】平均拘束降伏応力は、（２）式のように圧
延条件によってその値が異なるパラメータ（ｎ，ｋo ，
ｃ）を導入することで、より正確に計算によってその値
を推定するものである。
延条件によってその値が異なるパラメータ（ｎ，ｋo ，
ｃ）を導入することで、より正確に計算によってその値
を推定するものである。
【０００８】このような平均拘束降伏応力の計算におい
て便宜上導入されたパラメータ（ｎ，ｋo ，ｃ）や摩擦
係数μは、次のような圧延条件を入力とするテーブルに
よって予め定められていた。
て便宜上導入されたパラメータ（ｎ，ｋo ，ｃ）や摩擦
係数μは、次のような圧延条件を入力とするテーブルに
よって予め定められていた。
【０００９】そして、ある圧延条件が与えられると、そ
の条件におけるμと（ｎ，ｋo ，ｃ）をテーブルより求
め、それらの値を用いて、前記（１）〜（５）式より圧
延荷重値ｑを導入していた。
の条件におけるμと（ｎ，ｋo ，ｃ）をテーブルより求
め、それらの値を用いて、前記（１）〜（５）式より圧
延荷重値ｑを導入していた。
【００１０】従って、この様な物性値μやｋm を調整パ
ラメータと呼ぶと、調整パラメータはテーブル値であり
離散的な値を含むので、その値はばらついており、その
調整パラメータ精度が圧延荷重推定精度に影響を与え、
常に精度よく圧延荷重を推定することは困難であった。
ラメータと呼ぶと、調整パラメータはテーブル値であり
離散的な値を含むので、その値はばらついており、その
調整パラメータ精度が圧延荷重推定精度に影響を与え、
常に精度よく圧延荷重を推定することは困難であった。
【００１１】また、調整パラメータは本来、連続的な値
をとるべきものであり、目標とする精度を得るためには
テーブルの入力である圧延条件を細かく分割しなければ
ならない。そのためテーブルが巨大になり、そのテーブ
ル値の調整に非常に多大な時間を要していた。
をとるべきものであり、目標とする精度を得るためには
テーブルの入力である圧延条件を細かく分割しなければ
ならない。そのためテーブルが巨大になり、そのテーブ
ル値の調整に非常に多大な時間を要していた。
【００１２】
【発明が解決しようとする課題】上述のように従来の圧
延機における圧延荷重の推定方法では、調整パラメータ
値にばらつきがあり、その調整パラメータ精度が圧延荷
重推定精度に影響を与え、常に精度良く圧延荷重を推定
することが困難である不具合があると共に、目標とする
精度を得るためにテーブルの入力である圧延条件を細か
く分割せねばならず圧延条件を入力とするテーブルが巨
大になり、そのテーブル値の調整に非常に多くの時間を
要する不具合もあった。
延機における圧延荷重の推定方法では、調整パラメータ
値にばらつきがあり、その調整パラメータ精度が圧延荷
重推定精度に影響を与え、常に精度良く圧延荷重を推定
することが困難である不具合があると共に、目標とする
精度を得るためにテーブルの入力である圧延条件を細か
く分割せねばならず圧延条件を入力とするテーブルが巨
大になり、そのテーブル値の調整に非常に多くの時間を
要する不具合もあった。
【００１３】本発明は上記各不具合点を解消し、圧延荷
重の推定精度が向上する新たな圧延機の圧延荷重推定方
法を提供することを目的としている。
重の推定精度が向上する新たな圧延機の圧延荷重推定方
法を提供することを目的としている。
【００１４】
【課題を解決するための手段】上記目的を達成するため
の構成として本発明の圧延機の圧延荷重推定方法は、鋼
板を圧延する圧延機械において、ニューラルネットワー
クモデルによって数式モデル中に含まれる正確には測定
不可能な物性値をニューラルネットワークによって推定
し、その値を用いて数式モデルによって圧延荷重を推定
することを特徴としている。
の構成として本発明の圧延機の圧延荷重推定方法は、鋼
板を圧延する圧延機械において、ニューラルネットワー
クモデルによって数式モデル中に含まれる正確には測定
不可能な物性値をニューラルネットワークによって推定
し、その値を用いて数式モデルによって圧延荷重を推定
することを特徴としている。
【００１５】
【作用】ニューラルネットワークモデルは、学習機能を
有することから任意の関数をそのネットワークによって
近似できることで知られている。従って、本発明ではこ
の特徴を利用して、従来、圧延条件を入力とするテーブ
ルによって求められていた調整パラメータ値を、同様に
条件を入力とするニューラルネットワークによってその
値を推定し、その調整パラメータ推定値と圧延条件から
数式モデルによって圧延荷重推定値を求めるようにし
た。
有することから任意の関数をそのネットワークによって
近似できることで知られている。従って、本発明ではこ
の特徴を利用して、従来、圧延条件を入力とするテーブ
ルによって求められていた調整パラメータ値を、同様に
条件を入力とするニューラルネットワークによってその
値を推定し、その調整パラメータ推定値と圧延条件から
数式モデルによって圧延荷重推定値を求めるようにし
た。
【００１６】ニューラルネットワークは図３のように点
と枝で構成され、各点にはしきい値を、各枝には重み係
数を与え、点を枝によってネットワーク上に結んだもの
である。各点は多入力１出力であり、それぞれの出力値
は、重みを乗じた全入力値にその点のしきい値を加えた
値に対し、任意の関数によって計算される。
と枝で構成され、各点にはしきい値を、各枝には重み係
数を与え、点を枝によってネットワーク上に結んだもの
である。各点は多入力１出力であり、それぞれの出力値
は、重みを乗じた全入力値にその点のしきい値を加えた
値に対し、任意の関数によって計算される。
【００１７】本発明では、入力をある圧延条件、出力を
その圧延条件に対する圧延荷重値とし、圧延荷重実績値
を教師信号とした学習を行う。
その圧延条件に対する圧延荷重値とし、圧延荷重実績値
を教師信号とした学習を行う。
【００１８】学習とはバックプロパゲーション法などの
方法によって、ある入力パターンに対して、ニューラル
ネットワーク全体の出力値が予め、その教師信号と等し
くなるようにネットワーク上の重み係数としきい値を定
めることであり、この学習後のニューラルネットワーク
に新たな圧延条件を入力すると、学習した似通った圧延
条件に対する圧延荷重値と似通った値を出力することが
できる。したがって、この入出力パターンを多数学習さ
せることによって、精度よく圧延荷重を推定することが
できる。
方法によって、ある入力パターンに対して、ニューラル
ネットワーク全体の出力値が予め、その教師信号と等し
くなるようにネットワーク上の重み係数としきい値を定
めることであり、この学習後のニューラルネットワーク
に新たな圧延条件を入力すると、学習した似通った圧延
条件に対する圧延荷重値と似通った値を出力することが
できる。したがって、この入出力パターンを多数学習さ
せることによって、精度よく圧延荷重を推定することが
できる。
【００１９】
【実施例】以下本発明の圧延荷重推定方法を図１に示
し、これの適用例を示しながら具体的に説明する。ここ
で、本発明を図２に示すような鋼板２を上下ワークロー
ル１，１により圧延する圧延機に適用した例を示す。こ
の様な圧延を繰り返すことにより鋼板を目標とする板厚
に加工していく。
し、これの適用例を示しながら具体的に説明する。ここ
で、本発明を図２に示すような鋼板２を上下ワークロー
ル１，１により圧延する圧延機に適用した例を示す。こ
の様な圧延を繰り返すことにより鋼板を目標とする板厚
に加工していく。
【００２０】図３は図１におけるニューラルネットワー
ク部の１実施例を示し、本発明においては、ここでは摩
擦係数μと平均降伏応力ｋm を調整パラメータとし、図
３に示すようなニューラルネットワークによって推定す
る。
ク部の１実施例を示し、本発明においては、ここでは摩
擦係数μと平均降伏応力ｋm を調整パラメータとし、図
３に示すようなニューラルネットワークによって推定す
る。
【００２１】これらのニューラルネットワークと数式モ
デルを図１の圧延荷重推定方法に用いたときの例につい
て説明すると、先ずニューラルネット部Ａにおいて、圧
延条件（ＷＲ種、圧延速度、母板厚、出側板厚、圧下
率）を入力として調整パラメータであるμとｋm を推定
し、これらの推定値と圧延条件（入出側板厚、入出側張
力、ＷＲ径）を数式モデルＢに入力し、圧延荷重値を推
定する。
デルを図１の圧延荷重推定方法に用いたときの例につい
て説明すると、先ずニューラルネット部Ａにおいて、圧
延条件（ＷＲ種、圧延速度、母板厚、出側板厚、圧下
率）を入力として調整パラメータであるμとｋm を推定
し、これらの推定値と圧延条件（入出側板厚、入出側張
力、ＷＲ径）を数式モデルＢに入力し、圧延荷重値を推
定する。
【００２２】この場合、予め圧延条件とそのときの圧延
荷重値の対によってニューラルネットワークは学習され
ているものとする。
荷重値の対によってニューラルネットワークは学習され
ているものとする。
【００２３】即ち、本発明においては、入力をある圧延
条件、出力をその圧延条件に対する圧延荷重値とし、圧
延荷重実績値を教師信号とした学習を行なうものであ
る。
条件、出力をその圧延条件に対する圧延荷重値とし、圧
延荷重実績値を教師信号とした学習を行なうものであ
る。
【００２４】以上本発明の１実施例について説明した
が、本発明は上記実施例に限定されるものでなく、本発
明技術思想の範囲内において種々変更し得るものであ
る。
が、本発明は上記実施例に限定されるものでなく、本発
明技術思想の範囲内において種々変更し得るものであ
る。
【００２５】
【発明の効果】以上述べたように本発明の圧延機の圧延
荷重推定方法によれば、圧延荷重を推定する数式モデル
中に含まれ、その推定精度に悪影響を与えると考えられ
る正確には測定不可能な物性値をニューラルネットワー
クによって連続的に推定することで、その圧延荷重推定
精度を向上させることができる。
荷重推定方法によれば、圧延荷重を推定する数式モデル
中に含まれ、その推定精度に悪影響を与えると考えられ
る正確には測定不可能な物性値をニューラルネットワー
クによって連続的に推定することで、その圧延荷重推定
精度を向上させることができる。
【００２６】また、推定の際に要するデータ数は従来は
巨大なテーブル値が必要であったのに対して、ニューラ
ルネットワークではその点の数と枝の数が必要となるだ
けである。その結果より少ないデータ数で精度のよい推
定が可能となる。
巨大なテーブル値が必要であったのに対して、ニューラ
ルネットワークではその点の数と枝の数が必要となるだ
けである。その結果より少ないデータ数で精度のよい推
定が可能となる。
【図１】本発明の圧延荷重推定方法を示す説明図であ
る。
る。
【図２】本発明方法を使用する圧延機の圧延状態を示す
側面図である。
側面図である。
【図３】図１のニューラルネットワーク部の１実施例を
示す説明図である。
示す説明図である。
Ａ ニューラルネット部 Ｂ 数式モデル １ ワークロール ２ 鋼板
Claims (1)
- 【請求項１】 鋼板を圧延する圧延機械において、ニュ
ーラルネットワークモデルによって数式モデル中に含ま
れる正確には測定不可能な物性値をニューラルネットワ
ークによって推定し、その値を用いて数式モデルによっ
て圧延荷重を推定することを特徴とする圧延荷重推定方
法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4122871A JPH05293516A (ja) | 1992-04-17 | 1992-04-17 | 圧延機の圧延荷重推定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4122871A JPH05293516A (ja) | 1992-04-17 | 1992-04-17 | 圧延機の圧延荷重推定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH05293516A true JPH05293516A (ja) | 1993-11-09 |
Family
ID=14846698
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP4122871A Withdrawn JPH05293516A (ja) | 1992-04-17 | 1992-04-17 | 圧延機の圧延荷重推定方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH05293516A (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1999002282A1 (de) * | 1997-07-07 | 1999-01-21 | Siemens Aktiengesellschaft | Verfahren und einrichtung zur steuerung bzw. voreinstellung eines walzgerüstes |
| KR100392422B1 (ko) * | 1999-09-20 | 2003-07-22 | 주식회사 포스코 | 극박재의 냉간압연하중 예측방법 |
| WO2021229727A1 (ja) * | 2020-05-13 | 2021-11-18 | 東芝三菱電機産業システム株式会社 | 物理モデル同定システム |
-
1992
- 1992-04-17 JP JP4122871A patent/JPH05293516A/ja not_active Withdrawn
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1999002282A1 (de) * | 1997-07-07 | 1999-01-21 | Siemens Aktiengesellschaft | Verfahren und einrichtung zur steuerung bzw. voreinstellung eines walzgerüstes |
| KR100392422B1 (ko) * | 1999-09-20 | 2003-07-22 | 주식회사 포스코 | 극박재의 냉간압연하중 예측방법 |
| WO2021229727A1 (ja) * | 2020-05-13 | 2021-11-18 | 東芝三菱電機産業システム株式会社 | 物理モデル同定システム |
| JPWO2021229727A1 (ja) * | 2020-05-13 | 2021-11-18 | ||
| KR20210154832A (ko) * | 2020-05-13 | 2021-12-21 | 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 | 물리 모델 동정 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106825069B (zh) | 一种冷轧带钢高精度板形表面粗糙度在线智能控制方法 | |
| KR0160184B1 (ko) | 스트립의 압연시 평편도 제어방법 및 그를 실시하기 위한 장치 | |
| JPH05293516A (ja) | 圧延機の圧延荷重推定方法 | |
| JPH038843B2 (ja) | ||
| JPH06154829A (ja) | 板圧延における板厚・張力制御方法 | |
| JPH01210109A (ja) | 圧延材平坦度制御装置 | |
| JPH0569021A (ja) | 圧延機の制御方法および装置 | |
| JPH02137606A (ja) | 多品種圧延時の板厚制御方法 | |
| JPH06134508A (ja) | 圧延機における板形状操作量設定装置 | |
| JPS61202711A (ja) | 圧延機学習制御方法および装置 | |
| JPS61189810A (ja) | 仕上圧延における形状制御方法 | |
| JPS644844B2 (ja) | ||
| JPH07214124A (ja) | 圧延機制御装置 | |
| JP2719215B2 (ja) | 板圧延のエッジドロップ制御方法 | |
| JP3892797B2 (ja) | 圧延機の適応制御方法 | |
| JP2000126809A (ja) | 圧延機のセットアップ装置 | |
| JPH08117824A (ja) | 圧延操業条件の予測方法およびそれを用いた設定制御圧延方法 | |
| JP3908702B2 (ja) | 連続圧延機の板幅制御方法 | |
| JPH06226316A (ja) | 圧延機のロ−ル間隙設定方法 | |
| CN110722007A (zh) | 获取精轧机出口厚度的方法 | |
| JP3664151B2 (ja) | 板幅制御方法、冷延金属板製造方法、及び、冷間圧延装置 | |
| JPH05285516A (ja) | 熱間圧延における板幅制御法 | |
| JPS6316805A (ja) | 圧延方法 | |
| JPS6021113A (ja) | 熱間ストリツプ圧延における形状制御方法 | |
| JPS61162221A (ja) | 自動板厚制御方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 19990706 |