JPH08318302A - ルーパ異常挙動予測装置 - Google Patents
ルーパ異常挙動予測装置Info
- Publication number
- JPH08318302A JPH08318302A JP7128341A JP12834195A JPH08318302A JP H08318302 A JPH08318302 A JP H08318302A JP 7128341 A JP7128341 A JP 7128341A JP 12834195 A JP12834195 A JP 12834195A JP H08318302 A JPH08318302 A JP H08318302A
- Authority
- JP
- Japan
- Prior art keywords
- rolling
- looper
- learning
- information processing
- data
- 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- Withdrawn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
Landscapes
- Control Of Metal Rolling (AREA)
Abstract
(57)【要約】
【目的】 入力データ数が多い場合でも、実用的な時間
内に入力データ間の関係を学習し、精度良い予測結果が
出力できるルーパ異常挙動予測装置を提供する。 【構成】 入力手段(102) と、第一記憶手段(101) と、
入力データと荷重との差に関する関数を出力するべく格
子状に概念上配列された複数の情報処理部からなるコホ
ーネン型ニューラルネットと、学習手段(103) と、第二
記憶手段(104) と、データ分類手段(105) と、第三記憶
手段(106) と、推定手段(107) とを具備してなるルーパ
異常挙動予測装置。
内に入力データ間の関係を学習し、精度良い予測結果が
出力できるルーパ異常挙動予測装置を提供する。 【構成】 入力手段(102) と、第一記憶手段(101) と、
入力データと荷重との差に関する関数を出力するべく格
子状に概念上配列された複数の情報処理部からなるコホ
ーネン型ニューラルネットと、学習手段(103) と、第二
記憶手段(104) と、データ分類手段(105) と、第三記憶
手段(106) と、推定手段(107) とを具備してなるルーパ
異常挙動予測装置。
Description
【０００１】
【産業上の利用分野】本発明は、熱間圧延設備のルーパ
異常挙動予測装置に関するものである。
異常挙動予測装置に関するものである。
【０００２】
【従来の技術】圧延設備、例えば熱間仕上げ圧延機にお
いては、各圧延機（スタンド）間の圧延材料（ストリッ
プ）の張力は製品の板厚、板幅、板形状等の精度に及ぼ
す影響が大きく、この張力を一定に制御することが要求
される。このため、各スタンド間にルーパ装置が設置さ
れており、このルーパ装置の制御方法として、ストリッ
プがスタンドを通過している状態を検出し、その検出結
果に基づくフィードバック制御やフィードフォワード制
御がある。
いては、各圧延機（スタンド）間の圧延材料（ストリッ
プ）の張力は製品の板厚、板幅、板形状等の精度に及ぼ
す影響が大きく、この張力を一定に制御することが要求
される。このため、各スタンド間にルーパ装置が設置さ
れており、このルーパ装置の制御方法として、ストリッ
プがスタンドを通過している状態を検出し、その検出結
果に基づくフィードバック制御やフィードフォワード制
御がある。
【０００３】前記制御方法では、圧延中に突然発生する
ルーパのハンチングや圧延機が圧延材料を噛み込む際の
ルーパの急上昇等の異常に対して、十分に対応できな
い。そこで、異常な事態が生じるか否かをニューラルネ
ット（階層型モデル＋ＢＰ（バックプロパゲーション）
アルゴリズムやデルタルールなどの教師付き学習アルゴ
リズム）を用いた予測装置で自動的に予測し、その予測
に基づき制御する方法が特許願 平成５年 第333551号
に開示されている。その処理過程のフローチャートを図
５に示し以下に説明する。
ルーパのハンチングや圧延機が圧延材料を噛み込む際の
ルーパの急上昇等の異常に対して、十分に対応できな
い。そこで、異常な事態が生じるか否かをニューラルネ
ット（階層型モデル＋ＢＰ（バックプロパゲーション）
アルゴリズムやデルタルールなどの教師付き学習アルゴ
リズム）を用いた予測装置で自動的に予測し、その予測
に基づき制御する方法が特許願 平成５年 第333551号
に開示されている。その処理過程のフローチャートを図
５に示し以下に説明する。
【０００４】まず、仕上げ圧延前に圧延データ（例え
ば、狙い板厚、狙い板幅、目標温度、平均温度、冷間強
度、鋼板断面積）を予測装置に入力する。この予測装置
は図６に示す階層型ニューラルネットにより構成されて
いる。予測装置は圧延中に生じたルーパ異常挙動に関す
る情報と圧延機通板前の圧延データを用いて、圧延機通
板前の圧延データを入力すると圧延時のルーパ異常挙動
の有無を出力するようにあらかじめ学習しておく。予測
対象となる圧延データに対し、この予測装置が「異常：
有り」を出力したならば、ルーパ異常挙動（ハンチン
グ、急上昇等）が起こらぬよう、警告装置によりオペレ
ータに注意を促したり、制御介入装置によりルーパゲイ
ンの再設定やロジックの選択を行う。
ば、狙い板厚、狙い板幅、目標温度、平均温度、冷間強
度、鋼板断面積）を予測装置に入力する。この予測装置
は図６に示す階層型ニューラルネットにより構成されて
いる。予測装置は圧延中に生じたルーパ異常挙動に関す
る情報と圧延機通板前の圧延データを用いて、圧延機通
板前の圧延データを入力すると圧延時のルーパ異常挙動
の有無を出力するようにあらかじめ学習しておく。予測
対象となる圧延データに対し、この予測装置が「異常：
有り」を出力したならば、ルーパ異常挙動（ハンチン
グ、急上昇等）が起こらぬよう、警告装置によりオペレ
ータに注意を促したり、制御介入装置によりルーパゲイ
ンの再設定やロジックの選択を行う。
【０００５】
【発明が解決しようとする課題】前記方法の予測装置に
用いている階層型ニューラルネットをＢＰアルゴリズム
やデルタルールといった教師付き学習アルゴリズムを用
いて学習する場合、入力データ数(n) に対し学習時間の
オーダーＯは(n2)となり、入力データが少ない場合は
（例えば、狙い板厚、狙い板幅、目標温度、平均温度、
冷間強度、鋼板断面積の６データ）、入出力間の関係を
短時間で精度良く学習することはできる。
用いている階層型ニューラルネットをＢＰアルゴリズム
やデルタルールといった教師付き学習アルゴリズムを用
いて学習する場合、入力データ数(n) に対し学習時間の
オーダーＯは(n2)となり、入力データが少ない場合は
（例えば、狙い板厚、狙い板幅、目標温度、平均温度、
冷間強度、鋼板断面積の６データ）、入出力間の関係を
短時間で精度良く学習することはできる。
【０００６】ところが、ルーパのハンチングや急上昇と
いった異常挙動の有無をより精度良く予測するために
は、入力データとして前記データのみならず、さらに、
圧延目的（板厚重視、板幅重視、生産性重視、クラウン
重視等）や圧延材料の成分なども追加する必要があり、
その場合、前記予測装置では入力データ数の増加につれ
て学習時間が急激に増加するので実用的でなかった。
いった異常挙動の有無をより精度良く予測するために
は、入力データとして前記データのみならず、さらに、
圧延目的（板厚重視、板幅重視、生産性重視、クラウン
重視等）や圧延材料の成分なども追加する必要があり、
その場合、前記予測装置では入力データ数の増加につれ
て学習時間が急激に増加するので実用的でなかった。
【０００７】本発明では、このような従来技術における
問題点を解決するため、入力データ数が多い場合でも、
実用的な時間内に入力データ間の関係を学習し、より精
度良い予測結果が出力できるルーパ異常挙動予測装置を
提供することを目的とする。
問題点を解決するため、入力データ数が多い場合でも、
実用的な時間内に入力データ間の関係を学習し、より精
度良い予測結果が出力できるルーパ異常挙動予測装置を
提供することを目的とする。
【０００８】
【課題を解決するための手段】本発明の要旨は、圧延材
料の成分、圧延条件、圧延目的に基づき圧延する熱間圧
延設備のルーパ異常挙動を予測するルーパ異常挙動予測
装置において、ルーパ異常挙動の有無と相関の大きい圧
延材料の成分、圧延条件、圧延目的を取り込む入力手段
と、あらかじめ蓄積しておいた圧延材料の成分、圧延条
件、圧延目的からなる学習データとこれらの学習データ
の圧延時のルーパ異常挙動の有無に関する情報を対応さ
せて格納する第一記憶手段と、圧延材料の成分、圧延条
件、圧延目的により構成される入力データ毎に荷重を付
与し、上記入力データと荷重との差に関する関数を出力
するべく格子状に概念上配列された複数の情報処理部か
らなるコホーネン型ニューラルネットと、第一記憶手段
に記憶された圧延材料の成分、圧延条件、圧延目的から
なる学習データを前記コホーネン型ニューラルネットに
入力し、情報処理部の荷重と学習入力データとの差が最
小である情報処理部を抽出し、その情報処理部およびそ
の近傍の情報処理部の荷重を学習入力データとの差が小
さくなるように修正する学習手段と、学習後のコホーネ
ン型ニューラルネットの各情報処理部の荷重を格納する
第二記憶手段と、圧延材料の成分、圧延条件、圧延目的
よりなる学習データを、学習後の修正された荷重になっ
ているコホーネン型ニューラルネットに入力し、情報処
理部の荷重と入力データとの差が最小となった情報処理
部に、入力データを分類するデータ分類手段と、前記第
一記憶手段に記憶された圧延材料の成分、圧延条件、圧
延目的よりなる学習データに対応するルーパ異常挙動の
有無に関する情報を前記データ分類手段で分類した情報
処理部毎に分類し、前記分類結果より求めた各情報処理
部でのルーパ異常挙動の発生頻度を格納する第三記憶手
段と、予測対象となる圧延材料の成分、圧延条件、圧延
目的よりなるデータを、前記入力手段から前記データ分
類手段に入力し、それから出力された分類結果に対応し
ている前記第三記憶手段に格納されているルーパ異常挙
動の発生頻度を前記予測対象のルーパ異常挙動の発生頻
度とし、これより前記予測対象のルーパ異常挙動の有無
を推定する推定手段とを具備してなるルーパ異常挙動予
測装置である。
料の成分、圧延条件、圧延目的に基づき圧延する熱間圧
延設備のルーパ異常挙動を予測するルーパ異常挙動予測
装置において、ルーパ異常挙動の有無と相関の大きい圧
延材料の成分、圧延条件、圧延目的を取り込む入力手段
と、あらかじめ蓄積しておいた圧延材料の成分、圧延条
件、圧延目的からなる学習データとこれらの学習データ
の圧延時のルーパ異常挙動の有無に関する情報を対応さ
せて格納する第一記憶手段と、圧延材料の成分、圧延条
件、圧延目的により構成される入力データ毎に荷重を付
与し、上記入力データと荷重との差に関する関数を出力
するべく格子状に概念上配列された複数の情報処理部か
らなるコホーネン型ニューラルネットと、第一記憶手段
に記憶された圧延材料の成分、圧延条件、圧延目的から
なる学習データを前記コホーネン型ニューラルネットに
入力し、情報処理部の荷重と学習入力データとの差が最
小である情報処理部を抽出し、その情報処理部およびそ
の近傍の情報処理部の荷重を学習入力データとの差が小
さくなるように修正する学習手段と、学習後のコホーネ
ン型ニューラルネットの各情報処理部の荷重を格納する
第二記憶手段と、圧延材料の成分、圧延条件、圧延目的
よりなる学習データを、学習後の修正された荷重になっ
ているコホーネン型ニューラルネットに入力し、情報処
理部の荷重と入力データとの差が最小となった情報処理
部に、入力データを分類するデータ分類手段と、前記第
一記憶手段に記憶された圧延材料の成分、圧延条件、圧
延目的よりなる学習データに対応するルーパ異常挙動の
有無に関する情報を前記データ分類手段で分類した情報
処理部毎に分類し、前記分類結果より求めた各情報処理
部でのルーパ異常挙動の発生頻度を格納する第三記憶手
段と、予測対象となる圧延材料の成分、圧延条件、圧延
目的よりなるデータを、前記入力手段から前記データ分
類手段に入力し、それから出力された分類結果に対応し
ている前記第三記憶手段に格納されているルーパ異常挙
動の発生頻度を前記予測対象のルーパ異常挙動の発生頻
度とし、これより前記予測対象のルーパ異常挙動の有無
を推定する推定手段とを具備してなるルーパ異常挙動予
測装置である。
【０００９】
【作用】本発明では、あらかじめルーパ異常挙動の有無
と相関の大きい圧延材料の成分、圧延条件、圧延目的か
らなる学習データとルーパ異常挙動の有無を対にして収
集しておき、それを第一記憶手段(101) に格納してお
く。
と相関の大きい圧延材料の成分、圧延条件、圧延目的か
らなる学習データとルーパ異常挙動の有無を対にして収
集しておき、それを第一記憶手段(101) に格納してお
く。
【００１０】圧延材料の成分、圧延条件、圧延目的から
なる前記学習データを用いてコホーネン型ニューラルネ
ットの学習を、自己組織化特徴マッピングアルゴリズム
に従い、学習手段(103) にて以下のようにして行う。 (1) まず、コホーネン型ニューラルネットへ第一記憶手
段(101) から学習手段(103) に学習データを入力する。 (2) そして、コホーネン型ニューラルネットの情報処理
部の荷重と入力データとの差が最小である情報処理部を
抽出する。 (3) 抽出された情報処理部およびその近傍の情報処理部
の荷重を入力データとの差が小さくなるように修正す
る。
なる前記学習データを用いてコホーネン型ニューラルネ
ットの学習を、自己組織化特徴マッピングアルゴリズム
に従い、学習手段(103) にて以下のようにして行う。 (1) まず、コホーネン型ニューラルネットへ第一記憶手
段(101) から学習手段(103) に学習データを入力する。 (2) そして、コホーネン型ニューラルネットの情報処理
部の荷重と入力データとの差が最小である情報処理部を
抽出する。 (3) 抽出された情報処理部およびその近傍の情報処理部
の荷重を入力データとの差が小さくなるように修正す
る。
【００１１】上記 (1)〜(3) の処理を繰り返すことによ
り各情報処理部の荷重が、この情報処理部に分類された
学習データの代表的な値へと修正される。コホーネン型
ニューラルネットを自己組織化特徴マッピングアルゴリ
ズムで学習する場合、上記 (1)〜(3) の反復回数は入力
データ数が増加しても、十分な学習データが用意されて
いるならば5000回程度で十分である。
り各情報処理部の荷重が、この情報処理部に分類された
学習データの代表的な値へと修正される。コホーネン型
ニューラルネットを自己組織化特徴マッピングアルゴリ
ズムで学習する場合、上記 (1)〜(3) の反復回数は入力
データ数が増加しても、十分な学習データが用意されて
いるならば5000回程度で十分である。
【００１２】学習終了後、コホーネン型ニューラルネッ
トを構成している情報処理部の荷重を第二記憶手段(10
4) に格納するとともに、前記第一記憶手段(101) に記
憶されている学習データを、学習後の修正された荷重に
なっているコホーネン型ニューラルネットに入力し、デ
ータ分類手段(105) にて入力データを情報処理部の荷重
と、前記入力データとの差が最小になった情報処理部に
分類する。そして、この分類結果より求められた各情報
処理部に、前記第一記憶手段(101) に記憶されているル
ーパ異常挙動の有無に関する情報を対応させ、各情報処
理部でのルーパ異常挙動の発生頻度を第三記憶手段(10
6) に格納する。
トを構成している情報処理部の荷重を第二記憶手段(10
4) に格納するとともに、前記第一記憶手段(101) に記
憶されている学習データを、学習後の修正された荷重に
なっているコホーネン型ニューラルネットに入力し、デ
ータ分類手段(105) にて入力データを情報処理部の荷重
と、前記入力データとの差が最小になった情報処理部に
分類する。そして、この分類結果より求められた各情報
処理部に、前記第一記憶手段(101) に記憶されているル
ーパ異常挙動の有無に関する情報を対応させ、各情報処
理部でのルーパ異常挙動の発生頻度を第三記憶手段(10
6) に格納する。
【００１３】予測対象となる圧延材料に対する圧延時の
ルーパ異常挙動の有無を推測する場合、まず入力手段(1
02) より予測対象となる圧延材料の成分、圧延条件、圧
延目的からなるデータをデータ分類手段(105) に入力
し、前記データをいずれかの情報処理部に分類する。推
定手段(107) において、前記分類結果に対応する第三記
憶手段(106) に格納されているルーパ異常挙動の発生頻
度を予測対象のルーパ異常挙動の発生頻度とし、それが
しきい値を超えているならば、ルーパ異常挙動の可能
性：有り、そうでなければルーパ異常挙動の可能性：無
しであると推定する。
ルーパ異常挙動の有無を推測する場合、まず入力手段(1
02) より予測対象となる圧延材料の成分、圧延条件、圧
延目的からなるデータをデータ分類手段(105) に入力
し、前記データをいずれかの情報処理部に分類する。推
定手段(107) において、前記分類結果に対応する第三記
憶手段(106) に格納されているルーパ異常挙動の発生頻
度を予測対象のルーパ異常挙動の発生頻度とし、それが
しきい値を超えているならば、ルーパ異常挙動の可能
性：有り、そうでなければルーパ異常挙動の可能性：無
しであると推定する。
【００１４】上記、ルーパ異常挙動予測装置によると、
圧延材料の成分、圧延条件、圧延目的より構成される入
力データ毎に荷重を付与し、上記入力データと荷重との
差に関する関数を出力すべく格子状に概念上配列された
複数の情報処理部からなるコホーネン型ニューラルネッ
トを自己組織化特徴マッピングアルゴリズムにて学習す
るので、入力データ数(n) に対し、学習時間のオーダー
Ｏは(n) となり、入力データが増加しても実用的な学習
時間で学習を終了させることができる。
圧延材料の成分、圧延条件、圧延目的より構成される入
力データ毎に荷重を付与し、上記入力データと荷重との
差に関する関数を出力すべく格子状に概念上配列された
複数の情報処理部からなるコホーネン型ニューラルネッ
トを自己組織化特徴マッピングアルゴリズムにて学習す
るので、入力データ数(n) に対し、学習時間のオーダー
Ｏは(n) となり、入力データが増加しても実用的な学習
時間で学習を終了させることができる。
【００１５】
【実施例】以下、図に基づいて本発明を具体化した実施
例について説明する。ここに図１は本発明のルーパ異常
挙動予測装置の原理を示すブロック図、図２は本発明の
一実施例を実施する際のシステム構成図、図３は前記ル
ーパ異常挙動予測装置が具備する複数の情報処理部によ
り構成されているコホーネン型ニューラルネットを示す
概念図、図４は前記コホーネン型ニューラルネットを学
習する際、発火した特定の情報処理部からの距離と学習
回数との関係を示す図である。なお、以下に説明する実
施例は本発明を具体化した一例にすぎず、本発明の技術
範囲を限定するものではない。
例について説明する。ここに図１は本発明のルーパ異常
挙動予測装置の原理を示すブロック図、図２は本発明の
一実施例を実施する際のシステム構成図、図３は前記ル
ーパ異常挙動予測装置が具備する複数の情報処理部によ
り構成されているコホーネン型ニューラルネットを示す
概念図、図４は前記コホーネン型ニューラルネットを学
習する際、発火した特定の情報処理部からの距離と学習
回数との関係を示す図である。なお、以下に説明する実
施例は本発明を具体化した一例にすぎず、本発明の技術
範囲を限定するものではない。
【００１６】図２に示す圧延設備は、タンデムに配置さ
れた熱間仕上げ圧延機(201) と圧延機(201) 間に配置さ
れたルーパ装置(202) と、これら圧延機(201) とルーパ
装置(202) を制御するための制御装置(203) と、ルーパ
異常挙動を予測する予測装置(204) と、この予測装置(2
04) と前記制御装置(203) を接続するための制御介入装
置(205) と、前記予測装置(204) に接続された警報装置
(206) とを具備している。
れた熱間仕上げ圧延機(201) と圧延機(201) 間に配置さ
れたルーパ装置(202) と、これら圧延機(201) とルーパ
装置(202) を制御するための制御装置(203) と、ルーパ
異常挙動を予測する予測装置(204) と、この予測装置(2
04) と前記制御装置(203) を接続するための制御介入装
置(205) と、前記予測装置(204) に接続された警報装置
(206) とを具備している。
【００１７】前記各圧延機(201) はミルモータ(207) に
より駆動されている。前記ルーパ装置(202) は圧延機(2
01) 間を走行する圧延材料(208) にルーパ(209) が当接
して、圧延材料(208) に適切な張力を付与するものであ
り、前記ルーパ(209) にはルーパモータ(210) によって
適当なトルクが与えられる。前記ルーパ(209) の位置は
ルーパ角度検出装置(211) によって検出される。前記制
御装置(203) は、ルーパ位置設定装置(212) とコントロ
ーラ(213) とミルモータ速度制御装置(214) とから構成
されている。
より駆動されている。前記ルーパ装置(202) は圧延機(2
01) 間を走行する圧延材料(208) にルーパ(209) が当接
して、圧延材料(208) に適切な張力を付与するものであ
り、前記ルーパ(209) にはルーパモータ(210) によって
適当なトルクが与えられる。前記ルーパ(209) の位置は
ルーパ角度検出装置(211) によって検出される。前記制
御装置(203) は、ルーパ位置設定装置(212) とコントロ
ーラ(213) とミルモータ速度制御装置(214) とから構成
されている。
【００１８】すなわち、ルーパ角度検出装置(211) によ
って検出したルーパ位置と、ルーパ位置設定装置(212)
により設定した設定位置との偏差に基づき、コントロー
ラ(213) およびミルモータ速度制御装置(214) を介して
ミルモータ(207) の速度を制御することにより、圧延機
(201) 間の圧延材料(208) のたわみ長さをコントロール
して、ルーパ位置を設定位置に保つようにフィードバッ
ク制御し、圧延材料の張力を所定値に維持している。
って検出したルーパ位置と、ルーパ位置設定装置(212)
により設定した設定位置との偏差に基づき、コントロー
ラ(213) およびミルモータ速度制御装置(214) を介して
ミルモータ(207) の速度を制御することにより、圧延機
(201) 間の圧延材料(208) のたわみ長さをコントロール
して、ルーパ位置を設定位置に保つようにフィードバッ
ク制御し、圧延材料の張力を所定値に維持している。
【００１９】前記予測装置(204) は学習により得られた
情報を基にして、上位コンピュータ(215) より与えられ
た「通板前の圧延材料に関するルーパ異常挙動に相関の
大きいデータ（圧延材料の成分、圧延条件、圧延目
的）」に対するこの圧延材料の通板時のルーパ異常挙動
（ハンチング、急上昇等）の発生頻度を算出し、この発
生頻度がしきい値より大きければルーパ異常挙動の可能
性：有りの信号を、しきい値より小さければルーパ異常
挙動の可能性：無しの信号を前記制御介入装置(205) と
警報装置(206) に出力するものである。
情報を基にして、上位コンピュータ(215) より与えられ
た「通板前の圧延材料に関するルーパ異常挙動に相関の
大きいデータ（圧延材料の成分、圧延条件、圧延目
的）」に対するこの圧延材料の通板時のルーパ異常挙動
（ハンチング、急上昇等）の発生頻度を算出し、この発
生頻度がしきい値より大きければルーパ異常挙動の可能
性：有りの信号を、しきい値より小さければルーパ異常
挙動の可能性：無しの信号を前記制御介入装置(205) と
警報装置(206) に出力するものである。
【００２０】前記制御介入装置(205) はルーパ異常挙動
の可能性：有りという信号を受け取ると、制御ゲインの
再設定や制御ロジックの選択を行い、制御装置(203) に
出力する。制御装置(203) は、再設定された制御ゲイン
や制御ロジックに基づき圧延機(201) を制御する。
の可能性：有りという信号を受け取ると、制御ゲインの
再設定や制御ロジックの選択を行い、制御装置(203) に
出力する。制御装置(203) は、再設定された制御ゲイン
や制御ロジックに基づき圧延機(201) を制御する。
【００２１】前記予測装置(204) に用いているコホーネ
ン型ニューラルネットは、図３に示すような格子状に概
念上配列されている複数の情報処理部で構成されてお
り、入力データＸ＝(X1,X2, ……,Xk ) と同次元の荷重
Ｗ＝(Wij1, Wij2,……,Wijk )をもっている。Ｗは概念
上、ｉ行ｊ列に配置されている情報処理部の荷重を示
す。入力データは全ての情報処理部に入力され、情報処
理部では入力データと荷重との差Ｙijを下記(1) 式にて
算出する。
ン型ニューラルネットは、図３に示すような格子状に概
念上配列されている複数の情報処理部で構成されてお
り、入力データＸ＝(X1,X2, ……,Xk ) と同次元の荷重
Ｗ＝(Wij1, Wij2,……,Wijk )をもっている。Ｗは概念
上、ｉ行ｊ列に配置されている情報処理部の荷重を示
す。入力データは全ての情報処理部に入力され、情報処
理部では入力データと荷重との差Ｙijを下記(1) 式にて
算出する。
【００２２】
【数１】
【００２３】コホーネン型ニューラルネットの学習アル
ゴリズムである自己組織化特徴マッピングを以下に説明
する。
ゴリズムである自己組織化特徴マッピングを以下に説明
する。
【００２４】あらかじめ圧延材料の成分、圧延条件、
圧延目的からなる学習データとルーパ異常挙動の有無を
対にして収集しておき、それを第一記憶手段(101) に格
納しておく。 コホーネン型ニューラルネットの各情報処理部に上記
学習データを入力し、情報処理部のうち(1) 式で定義さ
れている荷重と入力データとの差が最小である情報処理
部を抽出する。 抽出された情報処理部およびその近傍の情報処理部の
荷重を入力データとの差が小さくなるよう下記(2) 式に
従い修正する。なお、図４に示すように、学習回数Ｔが
増えるに従って、学習係数αは小さく、荷重を修正する
範囲は狭くなっていく。
圧延目的からなる学習データとルーパ異常挙動の有無を
対にして収集しておき、それを第一記憶手段(101) に格
納しておく。 コホーネン型ニューラルネットの各情報処理部に上記
学習データを入力し、情報処理部のうち(1) 式で定義さ
れている荷重と入力データとの差が最小である情報処理
部を抽出する。 抽出された情報処理部およびその近傍の情報処理部の
荷重を入力データとの差が小さくなるよう下記(2) 式に
従い修正する。なお、図４に示すように、学習回数Ｔが
増えるに従って、学習係数αは小さく、荷重を修正する
範囲は狭くなっていく。
【００２５】 Ｗijk new ＝Ｗijk old ＋α（Ｘk −Ｗijk old ）………………(2) ここで、Ｗijk new ：修正後の荷重 Ｗijk old ：修正前の荷重 α＝0.5 (Ｔ＜500) 0.3 ( 500≦Ｔ＜1000) 0.1 (1000≦Ｔ＜3000) 0.05 (3000≦Ｔ) ただし、Ｔは学習回数
【００２６】上記、の処理を繰り返すことにより、
各情報処理部の荷重がこの情報処理部に分類された学習
データの代表的な値へと変化してゆく。
各情報処理部の荷重がこの情報処理部に分類された学習
データの代表的な値へと変化してゆく。
【００２７】このように、コホーネン型ニューラルネッ
トを自己組織化特徴マッピングアルゴリズムで学習する
場合、入力データ数(n) が増加しても、上記、の反
復回数のオーダーＯが(n) であるため、実用的な学習時
間で学習を終了させることができる。
トを自己組織化特徴マッピングアルゴリズムで学習する
場合、入力データ数(n) が増加しても、上記、の反
復回数のオーダーＯが(n) であるため、実用的な学習時
間で学習を終了させることができる。
【００２８】また、入力データを「ルーパ異常挙動の有
無と相関の大きい複数のデータ（圧延材料の成分、圧延
条件、圧延目的）」で構成するので、予測対象通板時の
ルーパ異常挙動（ハンチング、急上昇等）の予測精度は
向上する。
無と相関の大きい複数のデータ（圧延材料の成分、圧延
条件、圧延目的）」で構成するので、予測対象通板時の
ルーパ異常挙動（ハンチング、急上昇等）の予測精度は
向上する。
【００２９】
【発明の効果】以上述べたところから明らかなように、
本発明によれば、圧延材料の成分、圧延条件、圧延目的
により構成される入力データ毎に荷重を付与し、上記入
力データと荷重との差に関する関数を出力するべく格子
状に概念上配列された複数の情報処理部からなるコホー
ネン型ニューラルネットを自己組織化特徴マッピングに
て学習することにより、入力データ数が増加しても学習
のための反復回数はほとんど変化せず、実用的な時間で
学習を行うことができる。また、入力データを「ルーパ
異常挙動の有無と相関の大きい複数のデータ（圧延材料
の成分、圧延条件、圧延目的）」で構成するので、予測
対象通板時のルーパ異常挙動（ハンチング、急上昇等）
の予測精度は向上する。
本発明によれば、圧延材料の成分、圧延条件、圧延目的
により構成される入力データ毎に荷重を付与し、上記入
力データと荷重との差に関する関数を出力するべく格子
状に概念上配列された複数の情報処理部からなるコホー
ネン型ニューラルネットを自己組織化特徴マッピングに
て学習することにより、入力データ数が増加しても学習
のための反復回数はほとんど変化せず、実用的な時間で
学習を行うことができる。また、入力データを「ルーパ
異常挙動の有無と相関の大きい複数のデータ（圧延材料
の成分、圧延条件、圧延目的）」で構成するので、予測
対象通板時のルーパ異常挙動（ハンチング、急上昇等）
の予測精度は向上する。
【図１】本発明のルーパ異常挙動予測装置の原理を示す
ブロック図である。
ブロック図である。
【図２】本発明の一実施例を実施する際のシステム構成
図である。
図である。
【図３】本発明のルーパ異常挙動予測装置が具備する複
数の情報処理部により構成されているコホーネン型ニュ
ーラルネットを示す概念図である。
数の情報処理部により構成されているコホーネン型ニュ
ーラルネットを示す概念図である。
【図４】コホーネン型ニューラルネットを学習する際、
発火した特定の情報処理部からの距離と学習回数との関
係を示す図である。
発火した特定の情報処理部からの距離と学習回数との関
係を示す図である。
【図５】従来の処理過程のフローチャートを示す図であ
る。
る。
【図６】階層型ニューラルネットの説明図である。
101 …第一記憶手段、102 …入力手段、103 …学習手
段、104 …第二記憶手段、105 …データ分類手段、106
…第三記憶手段、107 …推定手段、201 …圧延機、202
…ルーパ装置、203 …制御装置、204 …予測装置、205
…制御介入装置、206 …警報装置、207 …ミルモータ、
208 …圧延材料、209 …ルーパ、210 …ルーパモータ、
211 …ルーパ角度検出装置、212 …ルーパ位置設定装
置、213 …コントローラ、214 …ミルモータ速度制御装
置、215 …上位コンピュータ。
段、104 …第二記憶手段、105 …データ分類手段、106
…第三記憶手段、107 …推定手段、201 …圧延機、202
…ルーパ装置、203 …制御装置、204 …予測装置、205
…制御介入装置、206 …警報装置、207 …ミルモータ、
208 …圧延材料、209 …ルーパ、210 …ルーパモータ、
211 …ルーパ角度検出装置、212 …ルーパ位置設定装
置、213 …コントローラ、214 …ミルモータ速度制御装
置、215 …上位コンピュータ。
Claims (1)
- 【請求項１】 圧延材料の成分、圧延条件、圧延目的に
基づき圧延する熱間圧延設備のルーパ異常挙動を予測す
るルーパ異常挙動予測装置において、 ルーパ異常挙動の有無と相関の大きい圧延材料の成分、
圧延条件、圧延目的を取り込む入力手段と、 あらかじめ蓄積しておいた圧延材料の成分、圧延条件、
圧延目的からなる学習データとこれらの学習データの圧
延時のルーパ異常挙動の有無に関する情報を対応させて
格納する第一記憶手段と、 圧延材料の成分、圧延条件、圧延目的により構成される
入力データ毎に荷重を付与し、上記入力データと荷重と
の差に関する関数を出力するべく格子状に概念上配列さ
れた複数の情報処理部からなるコホーネン型ニューラル
ネットと、 第一記憶手段に記憶された圧延材料の成分、圧延条件、
圧延目的からなる学習データを前記コホーネン型ニュー
ラルネットに入力し、情報処理部の荷重と学習入力デー
タとの差が最小である情報処理部を抽出し、その情報処
理部およびその近傍の情報処理部の荷重を学習入力デー
タとの差が小さくなるように修正する学習手段と、 学習後のコホーネン型ニューラルネットの各情報処理部
の荷重を格納する第二記憶手段と、 圧延材料の成分、圧延条件、圧延目的よりなる学習デー
タを、学習後の修正された荷重になっているコホーネン
型ニューラルネットに入力し、情報処理部の荷重と入力
データとの差が最小となった情報処理部に、入力データ
を分類するデータ分類手段と、 前記第一記憶手段に記憶された圧延材料の成分、圧延条
件、圧延目的よりなる学習データに対応するルーパ異常
挙動の有無に関する情報を前記データ分類手段で分類し
た情報処理部毎に分類し、前記分類結果より求めた各情
報処理部でのルーパ異常挙動の発生頻度を格納する第三
記憶手段と、 予測対象となる圧延材料の成分、圧延条件、圧延目的よ
りなるデータを、前記入力手段から前記データ分類手段
に入力し、それより出力された分類結果に対応している
前記第三記憶手段に格納されているルーパ異常挙動の発
生頻度を前記予測対象のルーパ異常挙動の発生頻度と
し、これより前記予測対象のルーパ異常挙動の有無を推
定する推定手段とを具備してなることを特徴とするルー
パ異常挙動予測装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7128341A JPH08318302A (ja) | 1995-05-26 | 1995-05-26 | ルーパ異常挙動予測装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7128341A JPH08318302A (ja) | 1995-05-26 | 1995-05-26 | ルーパ異常挙動予測装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH08318302A true JPH08318302A (ja) | 1996-12-03 |
Family
ID=14982411
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP7128341A Withdrawn JPH08318302A (ja) | 1995-05-26 | 1995-05-26 | ルーパ異常挙動予測装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH08318302A (ja) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010036220A (ja) * | 2008-08-05 | 2010-02-18 | Kobe Steel Ltd | 圧延条件演算装置および該方法ならびに圧延システム |
| JP2010072868A (ja) * | 2008-09-17 | 2010-04-02 | Nippon Steel Corp | プラント制御診断装置、方法及びプログラム |
| CN108311544A (zh) * | 2018-03-07 | 2018-07-24 | 首钢集团有限公司 | 一种轧制力参数自学习方法及装置 |
| JP2024175568A (ja) * | 2023-06-06 | 2024-12-18 | 株式会社Tmeic | 板離れ防止システム |
-
1995
- 1995-05-26 JP JP7128341A patent/JPH08318302A/ja not_active Withdrawn
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010036220A (ja) * | 2008-08-05 | 2010-02-18 | Kobe Steel Ltd | 圧延条件演算装置および該方法ならびに圧延システム |
| JP2010072868A (ja) * | 2008-09-17 | 2010-04-02 | Nippon Steel Corp | プラント制御診断装置、方法及びプログラム |
| CN108311544A (zh) * | 2018-03-07 | 2018-07-24 | 首钢集团有限公司 | 一种轧制力参数自学习方法及装置 |
| JP2024175568A (ja) * | 2023-06-06 | 2024-12-18 | 株式会社Tmeic | 板離れ防止システム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6922675B2 (ja) | 製造プロセスの状態予測装置、方法及びプログラム、並びに製造プロセスの制御システム | |
| DE112004002759T5 (de) | Verfahren und Vorrichtung zum Steuern der Materialqualität in einem Walz-, Schmiede- oder Nivellierungsverfahren | |
| CN113439244B (zh) | 轧制机的轧机设置设定值的决定方法、轧制机的轧机设置设定值的决定装置及轧制材料的制造方法 | |
| TWI749735B (zh) | 收縮產生預測系統 | |
| JP2021098213A (ja) | 熱間圧延の反り予測方法、反り制御方法、熱延鋼板の製造方法、反り予測モデルの生成方法、及び熱延設備 | |
| JP2018010521A (ja) | 製品の状態予測装置、製品の状態制御装置、製品の状態予測方法及びプログラム | |
| CN117718335B (zh) | 一种融合ilq理论和机器学习的活套-厚度控制方法 | |
| JP4003733B2 (ja) | プラントシステム，制御装置及び制御方法 | |
| KR20040043911A (ko) | 신경 회로망을 이용한 압연 하중 예측 장치 및 방법 | |
| JP3020771B2 (ja) | プラント制御装置 | |
| JPH08117827A (ja) | 圧延装置 | |
| US6807449B1 (en) | Method for controlling and pre-setting a steelworks or parts of a steelworks | |
| JPH08318302A (ja) | ルーパ異常挙動予測装置 | |
| JP7135962B2 (ja) | 鋼板の仕上出側温度制御方法、鋼板の仕上出側温度制御装置、及び鋼板の製造方法 | |
| KR20190078334A (ko) | 연속 압연 패스 스케쥴 설정 장치 | |
| JP2968631B2 (ja) | 熱延プロセス制御方法 | |
| KR100660231B1 (ko) | 연속압연공정의 강판의 최적 목표형상 설정방법 | |
| JP4208509B2 (ja) | 圧延プロセスのモデル学習装置 | |
| JP2646900B2 (ja) | タンデム圧延機のドラフトスケジュールの決定方法 | |
| JPH07204718A (ja) | 圧延装置 | |
| JPH07185620A (ja) | 圧延装置 | |
| JP3331191B2 (ja) | 圧延設備の形状制御装置および方法 | |
| JPH07102380B2 (ja) | 多段圧延機における圧延材の形状制御方法 | |
| JP7677266B2 (ja) | 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 | |
| JP2502239B2 (ja) | 圧延機の圧延工程スケジュ―ル設定方法 |
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: 20020806 |