JPH07204718A

JPH07204718A - 圧延装置

Info

Publication number: JPH07204718A
Application number: JP6001058A
Authority: JP
Inventors: Kazue Kasai; 和江笠井
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 1994-01-11
Filing date: 1994-01-11
Publication date: 1995-08-08

Abstract

(57)【要約】【目的】圧延荷重設定値の演算時間を大幅に短縮し、
高精度の圧延荷重の設定値を導出し精度のよい圧延を行
う。【構成】粗圧延機２からの圧延材１が仕上げ圧延機３
−１に噛み込む前の温度・速度・板幅・板厚等の圧延情
報を用いてニューラルネツト１６を用いて演算し、圧延
荷重の設定値を導出して仕上げ圧延機に設定し、その設
定値で圧延する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、圧延荷重を予測してそ
の予測値で所定の板厚を得る圧延機に関するものであ
る。

【０００２】

【従来の技術】圧延装置の構成図を図１６に示す。仕上
げ圧延機は５基とする。圧延材１は最終粗圧延機２で圧
延された後、仕上げ圧延機３−１〜３−５を経て巻取り
機４に巻取られる。最終粗圧延機２の出側には粗圧延機
出側速度計５、粗圧延機出側幅計６及び粗圧延機出側温
度計７が設置されている。粗圧延機出側速度計５、粗圧
延機出側幅計６及び粗圧延機出側温度計７の各検出信号
は、板厚設定装置８に与えられる。板厚設定装置８には
鋼種、炭素含有率、目標仕上げ圧延機出側温度その他の
各種圧延情報が格納されている。最終仕上げ圧延機３−
５の出側には仕上げ圧延機出側速度計９、仕上げ圧延機
出側厚み計１０及び仕上げ圧延機出側温度計１１が設置
されている。仕上げ圧延機出側速度計９、仕上げ圧延機
出側厚み計１０及び仕上げ圧延機出側温度計１１の各検
出信号は、板厚設置装置８に与えられる。また、仕上げ
圧延機３−１〜３−５には各々圧延荷重検出器１２−１
〜１２−５及びロールギャップ設定装置１３−１〜１３
−５が設置されている。

【０００３】次に動作について説明する。板厚設定装置
８は、粗圧延後の圧延材１の先端部について所要の最終
仕上げ圧延機出側板厚を確保するために、次のように仕
上げ圧延機のセットアップを行う。まず、最終粗圧延機
出側での圧延材１の先端部分の速度、温度及び板幅をそ
れぞれ粗圧延機出側速度計５、粗圧延機出側幅計６及び
粗圧延機出側温度計７から検出し、これらの検出値及び
スケジュール計算で得られた粗圧延機出側板厚を板厚設
定装置８の入力として、所要の最終仕上げ圧延機出側板
厚にするために必要な圧延荷重を各仕上げ圧延機毎に計
算する。この演算は圧延材１の先端が粗圧延機２を出た
時点で行われる。得られた圧延荷重設定値から各仕上げ
圧延機毎のロールギャップを計算し、ロールギャップ設
定装置１３−１〜１３−５に入力される。圧延荷重検出
器１２−１〜１２−５で検出された圧延荷重実績値は、
板厚設定装置８に送られ次圧延材への学習計算に用いら
れる。板厚設定装置８での圧延荷重予測計算には、通常
はＳｍｉｓの理論式（数１）が用いられる。

【０００４】

【数１】

【０００５】Ｐ（圧延荷重）とＲ’（偏平ロール半径）
を未知数とする２元連立方程式として解く。このとき繰
り返し計算が必要となるが、計算時間等の制約により繰
り返し計算を行わずに圧延荷重Ｐを求めるための簡略式
も種々考案されている。

【０００６】

【発明が解決しようとする課題】上記説明したような理
論式は様々な近似あるいは仮定の上に成り立っている。
そのため従来の数式を用いた予測方法では、精度を向上
させ、また、きめ細かな制御を行うためには式を複雑化
するパラメータを増やす等の処置が必要となり、チュー
ニングに要する労力の増加や計算時間の増加を招いた。
また、プラントの特性に依存したような常数はプラント
の状態が変化する毎にメンテナンスを必要とし、複雑な
制御方法はメンテナンス時にオペレータにとって大きな
負担となる。そこで非線形特性・学習能力・並列性を特
徴とするニューラルネットを用いることにより、圧延現
象の非線形性を精度良く表現し、且つプラントの特性変
化にも柔軟に対応できるような制御が可能となる。ま
た、オフラインで学習させたニューラルネットをオンラ
インで用いることにより、計算時間が大幅に短縮でき
る。本発明は、ニューラルネットを用いることにより複
雑な数式を用いることなく、計算時間を短縮し圧延材の
先端部分を精度良く所要の板厚に圧延できる圧延装置を
提供することを目的とするものである。

【０００７】なお、この関連の先行技術として、特開平
５−４２３１４号公報「圧延機の圧延材形状制御装置」
は、学習機能を利用して板厚の形状と板厚とを制御する
ものである。また、特開平５−２７８０６号公報「ニュ
ーラルネツトを用いたフィードフォワード制御器」は、
ニューラルネツトを用いてフィードフォワード制御をし
て、目標値変更・外乱の発生時に優れた追従性を持つよ
うにしたもの。また、特開平５−２７８０８号公報「ニ
ューラルネツト・モデルを用いた制御器」は、ニューラ
ルネツトを用いてプラントの非線形特性に対応し、外乱
に対しても対応する制御を行うものがある。

【０００８】

【課題を解決するための手段】この発明の請求項１は、
圧延材の板厚が目標板厚に一致するよう制御し圧延する
圧延装置において、ニューラルネットを有する圧延荷重
設定装置を備えたものである。

【０００９】この発明の請求項２は、請求項１の圧延装
置において、少なくとも圧延荷重実績値を入力してニュ
ーラルネツトの更新を行うニューラルネツト学習装置を
備えたものである。

【００１０】この発明の請求項３は、請求項１の圧延装
置において、少なくとも圧延荷重実績値を順次入力して
圧延荷重実績値の履歴を記憶するニューラルネツト学習
データファイルと、このニューラルネツト学習データフ
ァイルの履歴データを入力してニューラルネツトの更新
を行うニューラルネツト学習装置とを備えたものであ
る。

【００１１】この発明の請求項４は、請求項１の圧延装
置において、少なくとも圧延荷重実績値を順次入力して
圧延荷重実績値の履歴を記憶するニューラルネツト学習
データファイルと、このニューラルネツト学習データフ
ァイルの履歴データを入力してニューラルネツトの更新
を行うニューラルネツト学習装置と、圧延荷重実測値に
応じた圧延荷重学習係数を記憶する圧延荷重学習係数フ
ァイルとを備えたものである。

【００１２】この発明の請求項５は、粗圧延機と仕上げ
圧延機から成り、圧延材の先端部が仕上げ圧延機に噛み
込む前に、最終仕上げ圧延機出側板厚が目標板厚に一致
するように仕上げ圧延機をセットアップして圧延を行う
圧延装置において、ニューラルネットを有する圧延荷重
設定装置を設けたものである。

【００１３】

【作用】この発明の請求項１は、圧延機に噛み込まれる
直前の圧延材先端部の温度・速度・板幅及び板厚等の圧
延情報を入力とし、ニューラルネツトを用いて圧延荷重
設定値を計算し、この圧延荷重設定値を用いて板厚を制
御する。

【００１４】この発明の請求項２は、ニューラルネツト
学習装置が圧延材ごとの圧延荷重実績値を入力として、
ニューラルネツトの更新を行い、更新されたニューラル
ネツトを用いて圧延荷重設定値を計算する。

【００１５】この発明の請求項３は、ニューラルネツト
学習データファイルに圧延材ごとの圧延荷重実績値の履
歴を順次記憶し、この記憶された複数個の圧延荷重実績
値を用いてニューラルネツト学習装置でニューラルネツ
トの更新を行い、更新されたニューラルネツトを用いて
圧延荷重設定値を計算する。

【００１６】この発明の請求項４は、ニューラルネツト
学習データファイルに圧延材ごとの圧延荷重実績値の履
歴を順次記憶し、この記憶された複数個の圧延荷重実績
値を用いてニューラルネツト学習装置でニューラルネツ
トの更新を行い、更新されたニューラルネツトを用いて
計算すると共に、この計算値を圧延荷重学習係数に応じ
て補正し圧延荷重設定値を導出する。

【００１７】この発明の請求項５は、最終粗圧延機出側
での圧延材先端部の温度・速度・板幅及び板厚等の圧延
情報を入力とし、ニューラルネットを用いて圧延荷重設
定値を計算し、この圧延荷重設定値を用いて目標板厚が
得られるよう仕上げ圧延機をセットアップして圧延を行
う。

【００１８】

【実施例】

実施例１．ニューラルネットの応用範囲は多岐に渡り、
認識・制御・予測等に関する新手法として多くの実用例
がある。ニューラルネットの基礎的事項について簡単に
説明する。

【００１９】（１）ニューラルネットとは文字通り生
物の神経回路網を数学的にモデル化し、特徴的な機能を
再現したものである。ニューラルネットは、ニューロン
と呼ばれる基本素子及びニューロン間を接続するシナプ
スにより構成される。（図１）

【００２０】（２）ニューラルネットの特徴を以下に
まとめる。例題を学習することにより知識を獲得する能力があ
るので、プログラムを必要としない。定量化が困難な情報や、不完全な情報を取り扱える
ので、音声・画像といったパターン情報の解釈に適して
いる。並列処理が可能である。汎化性に優れている。ロバスト性に優れている。ノイズが入ったり、ニュ
ーラルネット自体に部分的な故障や特性のばらつきがあ
ったとしても、それらの影響を受けにくい。本発明は特
に上記、に着目したものである。

【００２１】（３）ニューラルネットの理論モデルで
ある「ユニットモデル」について図２で説明する。ニューラルネットはユニットを基本プロセッサとした並
列処理システムと考えることができる。ニューロンは多
入力／１出力型の演算素子であり、シナプスはアナログ
量の記憶素子である。この”アナログ量”に対しては、
シナプス荷重、シナプス結合強度、結合強度、結合係数
等種々の呼び方があるが、本発明では「結合荷重」に統
一する。ユニットの出力として、入力信号と結合荷重と
の積和を応答関数ｆにより変形して与えるモデルがよく
使われる。

【００２２】（４）応答関数には、ディジタル型のヘ
ビサイド関数（図３−ａ）、アナログ型のシグモイド関
数（図３−ｂ）、確率モデル、カオスモデル等がある
が、シグモイド関数を用いることが多い。この関数が神
経細胞の飽和的な性質をよく反映しているからである。

【００２３】（５）ニューラルネットモデルは構造的
には、階層型（図４−ａ）と相互結合型（図４−ｂ）の
２つに大別できるが、本発明では階層型の代表的モデル
であり、多くの実用例を持つバックプロパゲーション型
モデルを用いた。

【００２４】（６）ニューラルネットは以下の要素が
可変となっており、制御対象システムに応じて自由に調
節できる。ネットワークの層数ユニット数応答関数結合荷重・バイアス値の修正係数学習回数

【００２５】ニューラルネットにおける学習とは、ある
入力が与えられたときに望ましい出力が得られるよう、
ニューロン間の結合の強さ（結合荷重：シナプス荷重）
を変化させていくことである。具体的には、入力値を入
力層から出力層へと伝えていって出力誤差（出力値と教
師信号との差）を計算し、次にこの出力誤差を出力層か
ら入力層へと伝播させる過程で結合荷重及びバイアス値
を変更することを意味する。入力層では入力値をそのま
ま出力値とするが、中間層以降では前層の出力値と結合
荷重の積和に自層のバイアス値を加えた値を応答関数の
入力値として出力値を得る。

【００２６】バックプロパゲーションモデルは数学的に
は「最急降下法」と呼ばれる最適化手法に従って、出力
層における二乗誤差という評価関数に関して、これを最
小化する方向へ内部結合状態を修正していくものであ
る。学習にはできるだけ多くの偏りのない（制御対象を
よく表現した）データを用いることが望ましい。このデ
ータを用いて、出力誤差が所望の範囲（許容範囲）に収
まるまで学習を繰り返す。この時気をつけなければなら
ないのは、ニューラルネットが学習データを厳密に学習
しすぎて汎化性を失い、同一母集団（同一制御対象）の
他のデータに対して対応できなくなる状態に陥らないよ
うにすることである。この現象は一般に「過学習」と呼
ばれている。

【００２７】「過学習」を避けるには、ニューラルネッ
トの学習中にニューラルネットが学習していないデータ
（テストデータ）をニューラルネットに通したときに得
られる出力誤差（予測精度）を監視し、この予測精度が
最小になった時点で学習を打ち切るという方法が一般的
に使われる。

【００２８】今、一例として４層のバックプロパゲーシ
ョンモデル（図５）の学習について説明する。図５では
出力値が１つの場合を表しているが、複数個の出力値を
学習する場合でも同様である。この具体的計算を（数
２）の式で表す。この式はニューラルネツトの出力値を
計算する順方向計算で、計算により出力誤差（出力値と
教師信号＝目標板厚との差）を求め。この出力誤差を
（数３）および（数４）の逆方向計算で、結合荷重とバ
イアス値の更新を行う。そうして出力誤差が所望の範囲
（許容範囲）に収まるまで学習を繰り返す。

【００２９】

【数２】

【００３０】

【数３】

【００３１】

【数４】

【００３２】次に、データの処理方法を説明する。ネッ
トワーク内で取り扱うデータは、応答関数への入出力を
考慮して変換する必要がある。変換には種々の方法が考
えられるが、ここでは、応答関数として出力範囲を−
０．５〜０．５としたシグモイド関数を用いた場合を例
に、データの変換（正規化）について説明する。

【００３３】ネットワークへの入力値及び教師信号は、
下式により−０．５〜０．５の範囲に正規化する。ｘ＊＝（ｘ−ｘｍｉｎ）／（ｘｍａｘ−ｘｍｉｎ）ｘ：入力値ｘ＊：正規化された入力値ｘｍａｘ：ｘの最大値ｘｍｉｎ：ｘの最小値

【００３４】出力値は下式により復元する。ｙ＊＝ｙ（ｙｍａｘ−ｙｍｉｎ）＋ｙｍｉｎｙ：ネットワークの出力値ｙ＊：復元された出力値ｙｍａｘ：ｙの最大値ｙｍｉｎ：ｙの最小値

【００３５】なお、各最大値・最小値はニューラルネッ
トの学習に使用する全データを検索し各スタンド毎に設
定するが、あらかじめ決められている上下限値等を使用
してもよい。

【００３６】図６に圧延力予測ニューラルネツトの構造
の一例を示す。入力層への入力については、後述の図８
以降で説明する。

【００３７】図７は本発明の実施例１を示す圧延装置の
構成図である。仕上げ圧延機は５基とし、圧延材１は最
終粗圧延機２で圧延された後、仕上げ圧延機３−１〜３
−５を経て巻取り機４に巻取られる。最終粗圧延機２の
出側には粗圧延機出側速度計５、粗圧延機出側幅計６及
び粗圧延機出側温度計７が設置されている。粗圧延機出
側速度計５、粗圧延機出側幅計６及び粗圧延機出側温度
計７の各検出信号は、板厚設定装置１４に与えられる。

【００３８】板厚設定装置１４には圧延荷重設定装置１
５が内蔵されており、鋼種、炭素含有率、目標仕上げ圧
延機出側温度、その他の各種圧延情報が格納されてい
る。また、圧延荷重設定装置１５には、ニューラルネツ
ト１６が内蔵されている。最終仕上げ圧延機３−５の出
側には仕上げ圧延機出側速度計９、仕上げ圧延機出側厚
み計１０及び仕上げ圧延機出側温度計１１が設置されて
いる。仕上げ圧延機出側速度計９、仕上げ圧延機出側厚
み計１０及び仕上げ圧延機出側温度計１１の各検出信号
は、板厚設定装置１４に与えられる。また、仕上げ圧延
機３−１〜３−５には各々圧延荷重検出器１２−１〜１
２−５及びロールギャップ設定値１３−１〜１３−５が
設置されている。

【００３９】図８に図７の実施例１の制御状態の詳細な
ブロック線図を示す。圧延荷重設定装置１５には圧延荷
重の設定に必要なプラント常数、鋼種、炭素含有率、目
標仕上げ圧延機出側温度、その他の各種圧延情報が伝送
される。圧延荷重設定装置１５には、最終粗圧延機出側
で得られる実積データ（板速度、板幅、板温度等の各検
出信号）、及び、鋼種、炭素含有率等の各種圧延情報を
入力とし、圧延荷重実績値を教師信号として学習させた
ニューラルネット１６が内蔵されている。また、正規化
計算部１７、非正規化計算部１８が内蔵されている。

【００４０】次に動作を図１２のフローチャートと共に
説明する。（１）オフラインでニューラルネツト１６に所定の圧力
情報、粗圧延機出側の実績データが入力される（ステッ
プＳ１）。（２）この入力に基づきニューラルネツト１６の学習を
行う（ステップＳ２）。（３）圧延を開始する（ステップＳ３）。（４）圧延材１の先端部が最終粗圧延機２を抜けたか否
かを判別し、先端部が抜ければ（ステップＳ４）、（５）圧延材１の先端部が最終粗圧延機２を抜けた時点
で、粗圧延機出側実績（板速度、板幅、板温度）、粗出
側板厚推定値及び圧延情報（鋼種、炭素含有率、仕上げ
出側目標板厚ｅｔｃ）が圧延荷重設定装置１５の入力値
として与えられる（ステップＳ５）。

【００４１】（６）各入力値は予め設定されている各上
下限値を用いて、正規化計算値で正規化される。このと
きの各上下限値はニューラルネットの学習に用いた値と
同じである（ステップＳ６）。（７）正規化された各入力値は、予めオフラインで学習
済みのニューラルネットに入力される（ステップＳ
７）。（８）前記の（数２）による順方向計算が行われ、ニ
ューラルネットの出力値が決定される（ステップＳ
８）。

【００４２】（９）このニューラルネットの出力値が非
正規化計算部で復元され、圧延荷重設定装置１５の出力
値となる（ステップＳ９）。（１０）圧延荷重設定装置１５の出力値を圧延荷重設定
値として圧延機の圧延荷重の設定を行い、圧延を実施す
る（ステップＳ１０）。

【００４３】この実施例１の効果は、ニューラルネツト
を用いて（６）〜（８）の計算を行うことにより、従来
の数式モデルと比較して非常に簡単なものであるため、
演算時間が大幅に短縮されるという利点がある。更に、
従来用いた偏平ロール半径（Ｒ’）、平均変形抵抗（ｋ
pm）等の中間変数を用いないので、演算精度に影響され
ることなく高精度の板厚制御が実現可能である。

【００４４】実施例２．図９に本発明の実施例２の制御
状態のブロック線図を示す。このブロック線図は、実施
例１の図８にニューラルネツト学習装置１９を設けたも
のである。

【００４５】次に動作を図１２、図１３のフローチャー
トと共に説明する。ステップＳ１からステップＳ１０迄
は実施例１と同一動作であるので省略し、図１３のステ
ップＳ２１から説明する。（１）圧延材１の先端部が最終仕上げ圧延機３−５を抜
けたか否かを判別する（ステップＳ２１）。

【００４６】（２）圧延材１の先端部が最終仕上げ圧延
機３−５を抜けた時点で、圧延荷重検出装置１２−１〜
１２−５の各検出値が圧延荷重設定装置１５に入力され
る（ステップＳ２２）。（３）この圧延荷重実績値を正規化計算部で正規化して
ニューラルネット１６の教師信号とする（ステップＳ２
３）。（４）このステップＳ２３の教師信号と、ステップＳ７
の入力値をニューラルネット学習装置１９の入力値と
し、ニューラルネット１６の再学習を行い、ニューラル
ネツト１６を更新する。学習方法は前記説明したごと
く、前記の（数２）による順方向計算が行われ、設定し
た予測誤差以内でなければ、前記の（数３）による逆方
向計算で結合荷重、バイアス値を更新し、予測誤差以内
に入るよう計算を繰り返す。このとき予測誤差以内に入
らない場合でも、オンラインでの計算時間の制限を受け
るので、計算機の能力等を考慮して最大学習回数を予め
設定しておく（ステップＳ２４）。（５）次材先端部分の圧延荷重設定計算時には、この更
新されたニューラルネット６を用いて圧延荷重設定値を
決定する（ステップＳ２５）。

【００４７】この実施例２の効果は、演算時間が大幅に
短縮され、演算精度に影響されることがないという実施
例１の利点に加えて、圧延材１本毎にニューラルネット
の更新を行うことにより、ロールの熱膨張、摩耗等を含
むプラントの経時的変化があっても柔軟に対応した板厚
制御が実現できる。

【００４８】実施例３．図１０に本発明の実施例３の制
御状態のブロック線図を示す。このブロック線図は、実
施例１の図８にニューラルネツト学習装置１９、ニュー
ラルネツト学習データファイル２０を設けたものであ
る。

【００４９】次に動作を図１２、図１４のフローチャー
トと共に説明する。ステップＳ１からステップＳ１０迄
は実施例１と同一動作であるので省略し、図１４のステ
ップＳ３１から説明する。（１）圧延材１の先端部が最終仕上げ圧延機３−５を抜
けたか否かを判別し（ステップＳ３１）、（２）圧延材１の先端部が最終仕上げ圧延機３−５を抜
けた時点で、圧延荷重検出装置１２−１〜１２−５の各
検出値が圧延荷重設定装置１５に入力される（ステップ
Ｓ３２）。

【００５０】（３）この圧延荷重実績値を正規化計算部
で正規化してニューラルネット１６の教師信号とする
（ステップＳ３３）。（４）このステップＳ３３の教師信号とステップＳ７の
入力値をニューラルネット学習データファイルの最後尾
に追加し、ニューラルネット学習ファイルから先頭のデ
ータ、すなわち最も古いデータを削除する。従って、こ
のニューラルネット学習データファイルにはオフライン
でのニューラルネットの学習に用いたデータ（教師信号
と入力値の組複数本分）を最初に入れておき、その後、
オンラインでのニューラルネツトの学習に用いたデータ
が順次格納され行く。このとき格納されるデータ数は計
算機の能力等を考慮して予め設定しておく（ステップＳ
３４）。

【００５１】（５）ステップＳ３４で新たにデータの編
成されたニューラルネット学習データファイル２０を用
いて、ニューラルネット１６の再学習を行ない、ニュー
ラルネツト１６を更新する。学習方法は前記説明したご
とく、前記の（数２）による順方向計算が行われ、設定
した予測誤差以内でなければ、前記の（数３）による逆
方向計算で結合荷重、バイアス値を更新し、予測誤差以
内に入るよう計算を繰り返す。このとき予測誤差以内に
入らない場合でも、オンラインでの計算時間の制限を受
けるので、計算機の能力等を考慮して最大学習回数を予
め設定しておく（ステップＳ３５）。（６）次材先端部分の圧延荷重設定計算時には、この更
新されたニューラルネット１６を用いて圧延荷重設定値
を決定する（ステップＳ３６）。

【００５２】この実施例３の効果は、演算時間が大幅に
短縮され、演算精度に影響されることがないという実施
例１の利点に加えて、既存のニューラルネット学習デー
タに圧延材１本毎に新たにデータを追加し、これらのデ
ータを用いてニューラルネットの学習を行うことによ
り、圧延材１本分の圧延が終了する毎にニューラルネッ
ト学習データを新たに編成し、ニューラルネットの更新
を行うことにより、プラント履歴をふまえつつプラント
特性の経時的変化に柔軟に対応した板厚制御が実現でき
る。これは実施例２に較べて、一定の経時変化の有る場
合は結果はあまり実施例２と変わらないが、経時変化に
変動が多い場合は、過去のデータも用いるのでこの実施
例３の方が安定した結果が得られる。また、実施例２で
はセンサーの故障やノイズ等で異常検出値が出た場合に
その異常値で学習されるが、この実施例３では、今まで
の履歴を加味しているのでその異常の影響を非常に少な
くすることができる。

【００５３】実施例４．図１１に本発明の実施例４の制
御状態のブロック線図を示す。このブロック線図は、実
施例１の図８にニューラルネツト学習装置１９、ニュー
ラルネツト学習データファイル２０、圧延荷重学習係数
ファイル２１を設けたものである。

【００５４】次に動作を図１２、図１４、図１５のフロ
ーチャートと共に説明する。ステップＳ１からステップ
Ｓ１０迄は実施例１と同一動作で、ステップＳ３１から
ステップＳ３５迄は実施例３と同一動作であるので省略
し、図１５のステップＳ４１から説明する。

【００５５】（１）ステップＳ１０の圧延荷重設定値と
ステップＳ３３の圧延荷重実績値の比を計算し、この値
を圧延荷重学習係数として圧延荷重学習係数ファイル２
１に格納する（ステップＳ４１）。（２）次材先端部分の圧延荷重設定計算時には、この更
新されたニューラルネット１６の出力値にステップＳ４
１の圧延荷重学習係数を掛けて、圧延荷重設定値を決定
する（ステップＳ４２）。

【００５６】この実施例４の効果は、実施例１の利点で
ある演算時間が大幅に短縮され、演算精度に影響される
ことがないという利点、および、実施例３の利点である
既存のニューラルネット学習データに圧延材１本毎に新
たにデータを追加し、これらのデータを用いて、ニュー
ラルネットの学習を行うことにより、圧延材１本分の圧
延が終了する毎にニューラルネット学習データを新たに
編成し、ニューラルネットの更新を行うことにより、プ
ラント履歴をふまえつつプラント特性の経時的変化に柔
軟に対応した板厚制御が実現できるという利点に加え
て、圧延荷重学習係数を記憶し、次の圧延材先端部につ
いて圧延荷重を設定する際に使用するので更に板厚精度
の向上が図れるという効果がある。

【００５７】なお、圧延荷重学習係数は、圧延荷重実績
値と圧延荷重設定値との比をとったが、その差をとる場
合などがあり、要するに圧延荷重学習係数は圧延荷重実
績値に応じた値をとるようにすればよい。

【００５８】実施例５．上記実施例のニューラルネツト
を用いての圧延荷重設定値の計算は、仕上げ圧延機の全
ての圧延機の圧延荷重設定値をニューラルネツトで計算
する場合のみでなく、最終仕上げ圧延機の圧延荷重設定
値をニューラルネツトで計算し、その他の圧延機をスケ
ジュール計算でする場合、その他所望の任意の圧延機
（１台でも複数台でもよい）の圧延荷重設定値をニュー
ラルネツトで計算し、その他をスケジュール計算でする
場合、何れの場合にも適用できる。

【００５９】なお、複数の圧延機または全ての圧延機を
ニューラルネツトで計算する場合は、その対象圧延機の
出側に厚み計を設置し、実測の板厚をニューラルネツト
に入力する方が、計算で求めた板厚を入力するよりも圧
延精度を向上することができる。

【００６０】実施例６．以上の実施例では粗圧延機と仕
上げ圧延機を有する連続圧延機について説明したが、こ
の発明は他の圧延機にも適用でき、また、圧延材を往復
させて圧延するリバース圧延等についても適用できる。

【００６１】

【発明の効果】以上のように、本発明の請求項１によれ
ば、複雑な数式を用いることなく、ニューラルネツトを
用いて圧延荷重を計算するようにしたので、計算時間を
大幅に短縮でき、また、精度良く圧延機の設定ができ
る。従って、即応性のある精度の良い板厚制御を行うこ
とができる効果がある。

【００６２】本発明の請求項２によれば、ニューラルネ
ツト学習装置を用いて、圧延材１本の圧延をする毎にニ
ューラルネットの更新を行うようにしたので、プラント
特性の変化に柔軟に対応した板厚制御が実現できる。

【００６３】本発明の請求項３によれば、ニューラルネ
ツトデータファイルとニューラルネツト学習装置を用い
て、過去の圧延履歴を加味して圧延材１本の圧延をする
毎にニューラルネットの更新を行うようにしたので、プ
ラントの経時変化も含めたプラント特性の変化に柔軟に
対応した板厚制御が実現できる。

【００６４】本発明の請求項４によれば、ニューラルネ
ツトデータファイル、ニューラルネツト学習装置、及び
圧延荷重学習係数ファイルを用いて、過去の圧延履歴を
加味して圧延材１本の圧延をする毎にニューラルネット
の更新を行い、更に圧延荷重学習係数を用いて設定値を
補正するようにしたので、プラントの経時変化も含めた
プラント特性の変化に柔軟に対応したより精度の良い板
厚制御が実現できる。

【００６５】本発明の請求項５によれば、複雑な数式を
用いることなく、ニューラルネツトを用いて圧延荷重を
計算するようにしたので、計算時間を大幅に短縮でき、
また、精度良く圧延機のセットアップを行うことができ
る。従って、即応性のある精度の良い板厚制御を行うこ
とができる効果がある。

【図面の簡単な説明】

【図１】ニューラルネットの基本構成を示す図である。

【図２】ユニットモデルを示す図である。

【図３】応答関数を示す図である。

【図４】ニューラルネットモデルを示す図である。

【図５】パックプロパゲーションモデルの構造を示す図
である。

【図６】圧延力予測ニューラルネットの構造を示す図で
ある。

【図７】この発明の実施例１における圧延装置の構成図
である。

【図８】この発明の実施例１における板厚設定装置の制
御状態を示すブロック線図である。

【図９】この発明の実施例２における板厚設定装置の制
御状態を示すブロック線図である。

【図１０】この発明の実施例３における板厚設定装置の
制御状態を示すブロック線図である。

【図１１】この発明の実施例４における板厚設定装置の
制御状態を示すブロック線図である。

【図１２】この発明の実施例１における動作のフローチ
ャートである。

【図１３】この発明の実施例２における動作のフローチ
ャートである。

【図１４】この発明の実施例３における動作のフローチ
ャートである。

【図１５】この発明の実施例４における動作のフローチ
ャートである。

【図１６】従来の圧延装置の構成図である。

【符号の説明】

１圧延材２最終粗圧延機３−１〜３−５仕上げ圧延機４巻取り機５粗圧延機出側速度計６粗圧延機出側幅計７粗圧延機出側温度計８板厚設定装置９仕上げ圧延機出側速度計１０仕上げ圧延機出側厚み計１１仕上げ圧延機出側温度計１２−１〜１２−５圧延荷重検出器１３−１〜１３−５ロールギャップ設定装置１４板厚設定装置１５圧延荷重設定装置１６ニューラルネット１７正規化計算部１８非正規化計算部１９ニューラルネット学習装置２０ニューラルネット学習データファイル２１圧延荷重学習部

Claims

【特許請求の範囲】

【請求項１】圧延材の板厚が目標板厚に一致するよう制
御し圧延する圧延装置において、ニューラルネットを有
する圧延荷重設定装置を備え、圧延機に噛み込まれる直
前の圧延材先端部の温度・速度・板幅及び板厚等の圧延
情報を入力とし、上記ニューラルネツトを用いて圧延荷
重設定値を計算し、この圧延荷重設定値を用いて板厚を
制御するようにしたことを特徴とする圧延装置。
【請求項２】請求項１の圧延装置において、少なくと
も圧延荷重実績値を入力してニューラルネツトの更新を
行うニューラルネツト学習装置を備え、このニューラル
ネツト学習装置が圧延材ごとの圧延荷重実績値を入力と
して、ニューラルネツトの更新を行い、更新されたニュ
ーラルネツトを用いて圧延荷重設定値を計算するように
したことを特徴とする圧延装置。
【請求項３】請求項１の圧延装置において、少なくと
も圧延荷重実績値を順次入力して圧延荷重実績値の履歴
を記憶するニューラルネツト学習データファイルと、こ
のニューラルネツト学習データファイルの履歴データを
入力してニューラルネツトの更新を行うニューラルネツ
ト学習装置とを備え、上記ニューラルネツト学習データ
ファイルに圧延材ごとの圧延荷重実績値の履歴を順次記
憶し、この記憶された複数個の圧延荷重実績値を用いて
上記ニューラルネツト学習装置でニューラルネツトの更
新を行い、更新されたニューラルネツトを用いて圧延荷
重設定値を計算するようにしたことを特徴とする圧延装
置。
【請求項４】請求項１の圧延装置において、少なくと
も圧延荷重実績値を順次入力して圧延荷重実績値の履歴
を記憶するニューラルネツト学習データファイルと、こ
のニューラルネツト学習データファイルの履歴データを
入力してニューラルネツトの更新を行うニューラルネツ
ト学習装置と、圧延荷重実測値に応じた圧延荷重学習係
数を記憶する圧延荷重学習係数ファイルとを備え、上記
ニューラルネツト学習データファイルに圧延材ごとの圧
延荷重実績値の履歴を順次記憶し、この記憶された複数
個の圧延荷重実績値を用いて上記ニューラルネツト学習
装置でニューラルネツトの更新を行い、更新されたニュ
ーラルネツトを用いて計算すると共に、この計算値を上
記圧延荷重学習係数に応じて補正し圧延荷重設定値を導
出するようにしたことを特徴とする圧延装置。
【請求項５】粗圧延機と仕上げ圧延機から成り、圧延
材の先端部が仕上げ圧延機に噛み込む前に、最終仕上げ
圧延機出側板厚が目標板厚に一致するように上記仕上げ
圧延機をセットアップして圧延を行う圧延装置におい
て、ニューラルネットを有する圧延荷重設定装置を設
け、最終粗圧延機出側での上記圧延材先端部の温度・速
度・板幅及び板厚等の圧延情報を入力とし、上記ニュー
ラルネットを用いて圧延荷重設定値を計算し、この圧延
荷重設定値を用いて上記目標板厚が得られるよう上記仕
上げ圧延機をセットアップして圧延を行うようにしたこ
とを特徴とする圧延装置。