JPH0890020A - タンデム式圧延機のドラフトスケジュール設定装置 - Google Patents
タンデム式圧延機のドラフトスケジュール設定装置Info
- Publication number
- JPH0890020A JPH0890020A JP6218694A JP21869494A JPH0890020A JP H0890020 A JPH0890020 A JP H0890020A JP 6218694 A JP6218694 A JP 6218694A JP 21869494 A JP21869494 A JP 21869494A JP H0890020 A JPH0890020 A JP H0890020A
- Authority
- JP
- Japan
- Prior art keywords
- learning
- data
- rolling
- neural network
- information processing
- 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.)
- Pending
Links
- 238000005096 rolling process Methods 0.000 title claims abstract description 92
- 238000013528 artificial neural network Methods 0.000 claims abstract description 40
- 230000010365 information processing Effects 0.000 claims abstract description 23
- 210000002569 neuron Anatomy 0.000 description 25
- 238000000034 method Methods 0.000 description 22
- 239000000463 material Substances 0.000 description 9
- 238000010304 firing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000010606 normalization Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Landscapes
- Control Of Metal Rolling (AREA)
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【目的】 入力データ数が多い場合でも，オペレータの
知識／操作を定量化し，誤差内の圧下率を出力できるタ
ンデム式圧延機のドラフトスケジュール設定装置。 【構成】 本装置Ａは，タンデム式圧延機の圧下条件及
び圧延目的からなる学習データと各スタンドの圧下率デ
ータとを対応させて予め記憶しておく第１記憶部３と，
上記学習データをコホーネン型ニューラルネットワーク
に入力することにより，各ニューロンの自己学習を行う
学習部５と，上記学習完了時に分類された学習データに
対応する各スタンドの圧下率データを，学習データが分
類されたニューロン毎に記憶する第３記憶部８と，新た
に入力された圧下条件及び圧延目的からなる入力データ
を，上記学習後のニューラルネットワークに入力したと
きに発火するニューロンに対応する第３記憶部８に記憶
された各スタンドの圧下率データを出力する推定部９と
より構成されている。上記構成により，好適な圧下率を
出力することができる。
知識／操作を定量化し，誤差内の圧下率を出力できるタ
ンデム式圧延機のドラフトスケジュール設定装置。 【構成】 本装置Ａは，タンデム式圧延機の圧下条件及
び圧延目的からなる学習データと各スタンドの圧下率デ
ータとを対応させて予め記憶しておく第１記憶部３と，
上記学習データをコホーネン型ニューラルネットワーク
に入力することにより，各ニューロンの自己学習を行う
学習部５と，上記学習完了時に分類された学習データに
対応する各スタンドの圧下率データを，学習データが分
類されたニューロン毎に記憶する第３記憶部８と，新た
に入力された圧下条件及び圧延目的からなる入力データ
を，上記学習後のニューラルネットワークに入力したと
きに発火するニューロンに対応する第３記憶部８に記憶
された各スタンドの圧下率データを出力する推定部９と
より構成されている。上記構成により，好適な圧下率を
出力することができる。
Description
【０００１】
【産業上の利用分野】本発明は，タンデム式圧延機のド
ラフトスケジュール設定装置に係り，詳しくは圧延条件
や圧延目的に基づいてタンデム式圧延機のドラフトスケ
ジュールを決定する装置に関するものである。
ラフトスケジュール設定装置に係り，詳しくは圧延条件
や圧延目的に基づいてタンデム式圧延機のドラフトスケ
ジュールを決定する装置に関するものである。
【０００２】
【従来の技術】鋼板等の被圧延材をタンデム配置した複
数のスタンドに連続的に通して圧延する連続圧延機にお
けるドラフトスケジュール（圧下率配分）を圧延条件に
応じて最適化することは安定操業，品質精度確保のうえ
で重要である。このドラフトスケジュールを計算機を用
いて自動設定する方法が特開平５−３８５１１号公報に
開示されている。この従来のドラフトスケジュール設定
方法は，予めオペレータのドラフトスケジュールに関す
る知識をバックプロパゲーションアルゴリズムで学習し
た階層型ニューラルネットワークを用いて定量化し，そ
れを用いてドラフトスケジュールを設定するものであ
る。図５はその概略処理手順を示したものであり，以下
説明する。まず，階層型ニューラルネットワークの構築
及び学習について説明する。最初に構成を以下のように
定義した階層型ニューラルネットワークの構築を行う
（図６参照）（Ｓ５１）。 （１）入力層のユニット数はオペレータがドラフトスケ
ジュールを決定するために必要な板幅，板厚，ロール粗
さ，圧延材材質等の圧延条件の数とする。 （２）出力層のユニット数はタンデム圧延機のスタンド
数とする。 （３）中間層の層数は２層とし，ユニット数は入力層の
ユニット数以上で，かつ出力層のユニット数以上の任意
の数とする。 次に，入力層に入力する圧延条件と出力層の望ましい出
力（熟練オペレータが設定した各スタンドの圧下率配
分）から構成されたデータ対の集合を上記ステップＳ５
１で構築された階層型ニューラルネットワークの学習デ
ータとして収集する（Ｓ５２）。この収集した学習デー
タの入力データ（圧延条件），教師データ（オペレータ
の設定した圧下率）に対し各データが±０．５の範囲内
に収まるように正規化を行う（Ｓ５３）。次に，上記ス
テップＳ５２，Ｓ５３で得られた学習データを用い，正
規化後の圧延条件を入力すると，それと対になっている
教師データを出力するように，ユニット間の重みをバッ
クプロパゲーション法を用いて修正する（Ｓ５４）。学
習は，ニューラルネットワークの出力と教師データの２
乗平均誤差が任意の設定値αより小さくなった時点まで
行う方法と，学習回数が任意の設定回数Ｎに達した時点
まで行う方法があるが，ここでは過学習を避けるため，
学習回数を設定する方法をとっている（Ｓ５５）。次
に，対象圧延材の圧延条件に対するドラフトスケジュー
ルを求める方法を説明する。まず，対象圧延材の圧延条
件に対し学習時と同様の正規化を行う。そして，正規化
後の上記圧延条件を学習済みのニューラルネットワーク
に入力すると，出力層より正規化されたドラフトスケジ
ュール推定値を得ることができる（Ｓ５６，Ｓ５７）。
出力層からの各スタンドの圧下率の推定値は±０．５に
正規化されたものであるから，非正規化を行うことによ
り，対象圧延材の圧延条件に対するドラフトスケジュー
ルを求めることができる。（Ｓ５８）。
数のスタンドに連続的に通して圧延する連続圧延機にお
けるドラフトスケジュール（圧下率配分）を圧延条件に
応じて最適化することは安定操業，品質精度確保のうえ
で重要である。このドラフトスケジュールを計算機を用
いて自動設定する方法が特開平５−３８５１１号公報に
開示されている。この従来のドラフトスケジュール設定
方法は，予めオペレータのドラフトスケジュールに関す
る知識をバックプロパゲーションアルゴリズムで学習し
た階層型ニューラルネットワークを用いて定量化し，そ
れを用いてドラフトスケジュールを設定するものであ
る。図５はその概略処理手順を示したものであり，以下
説明する。まず，階層型ニューラルネットワークの構築
及び学習について説明する。最初に構成を以下のように
定義した階層型ニューラルネットワークの構築を行う
（図６参照）（Ｓ５１）。 （１）入力層のユニット数はオペレータがドラフトスケ
ジュールを決定するために必要な板幅，板厚，ロール粗
さ，圧延材材質等の圧延条件の数とする。 （２）出力層のユニット数はタンデム圧延機のスタンド
数とする。 （３）中間層の層数は２層とし，ユニット数は入力層の
ユニット数以上で，かつ出力層のユニット数以上の任意
の数とする。 次に，入力層に入力する圧延条件と出力層の望ましい出
力（熟練オペレータが設定した各スタンドの圧下率配
分）から構成されたデータ対の集合を上記ステップＳ５
１で構築された階層型ニューラルネットワークの学習デ
ータとして収集する（Ｓ５２）。この収集した学習デー
タの入力データ（圧延条件），教師データ（オペレータ
の設定した圧下率）に対し各データが±０．５の範囲内
に収まるように正規化を行う（Ｓ５３）。次に，上記ス
テップＳ５２，Ｓ５３で得られた学習データを用い，正
規化後の圧延条件を入力すると，それと対になっている
教師データを出力するように，ユニット間の重みをバッ
クプロパゲーション法を用いて修正する（Ｓ５４）。学
習は，ニューラルネットワークの出力と教師データの２
乗平均誤差が任意の設定値αより小さくなった時点まで
行う方法と，学習回数が任意の設定回数Ｎに達した時点
まで行う方法があるが，ここでは過学習を避けるため，
学習回数を設定する方法をとっている（Ｓ５５）。次
に，対象圧延材の圧延条件に対するドラフトスケジュー
ルを求める方法を説明する。まず，対象圧延材の圧延条
件に対し学習時と同様の正規化を行う。そして，正規化
後の上記圧延条件を学習済みのニューラルネットワーク
に入力すると，出力層より正規化されたドラフトスケジ
ュール推定値を得ることができる（Ｓ５６，Ｓ５７）。
出力層からの各スタンドの圧下率の推定値は±０．５に
正規化されたものであるから，非正規化を行うことによ
り，対象圧延材の圧延条件に対するドラフトスケジュー
ルを求めることができる。（Ｓ５８）。
【０００３】
【発明が解決しようとする課題】上記したような従来の
タンデム式圧延機のドラフトスケジュール設定装置で
は，入力データが少ない場合（例えば，板幅，板厚，ロ
ール粗さ，圧延材材質の４データ），バックプロパゲー
ションアルゴリズムを用いて学習を繰り返し，必要とさ
れる誤差内の圧下率を出力するように階層型ネットワー
クを得ることができる。ところが実際にオペレータがド
ラフトスケジュールを設定する場合には，圧延条件のみ
ならず，圧延目的（例えば板厚重視，板幅重視，生産性
重視，クラウン重視）をも考慮に入れている。このよう
なオペレータの知識／操作をより正確に再現するため入
力データ数を多くすると，局所解に落ち込むなどによ
り，必要とされる誤差内の圧下率を出力する階層型ニュ
ーラルネットワークを得ることができなくなるという教
師あり学習特有の問題があった。本発明では，上記事情
に鑑みてなされたものであり，その目的とするところ
は，入力データ数が多い場合でもオペレータのドラフト
スケジュールに関する知識／操作を定量化し，必要とさ
れる誤差内の圧下率を出力可能なドラフトスケジュール
設定装置を提供することである。
タンデム式圧延機のドラフトスケジュール設定装置で
は，入力データが少ない場合（例えば，板幅，板厚，ロ
ール粗さ，圧延材材質の４データ），バックプロパゲー
ションアルゴリズムを用いて学習を繰り返し，必要とさ
れる誤差内の圧下率を出力するように階層型ネットワー
クを得ることができる。ところが実際にオペレータがド
ラフトスケジュールを設定する場合には，圧延条件のみ
ならず，圧延目的（例えば板厚重視，板幅重視，生産性
重視，クラウン重視）をも考慮に入れている。このよう
なオペレータの知識／操作をより正確に再現するため入
力データ数を多くすると，局所解に落ち込むなどによ
り，必要とされる誤差内の圧下率を出力する階層型ニュ
ーラルネットワークを得ることができなくなるという教
師あり学習特有の問題があった。本発明では，上記事情
に鑑みてなされたものであり，その目的とするところ
は，入力データ数が多い場合でもオペレータのドラフト
スケジュールに関する知識／操作を定量化し，必要とさ
れる誤差内の圧下率を出力可能なドラフトスケジュール
設定装置を提供することである。
【０００４】
【課題を解決するための手段】上記目的を達成するため
に本発明は，タンデム式圧延機の圧下条件及び圧延目的
からなる学習データと各スタンドの圧下率データとを対
応させて予め記憶しておく第１の記憶手段と，上記第１
の記憶手段に記憶された学習データを自己組織型ニュー
ラルネットワークに入力することにより，該ニューラル
ネットワークを構成する各情報処理部の自己学習を行う
学習手段と，上記学習手段による学習の完了時に分類さ
れた学習データに対応する各スタンドの圧下データを，
学習データが分類された情報処理部ごとに記憶する第２
の記憶手段と，新たに入力された圧下条件及び圧下目的
からなる入力データを，上記学習後のニューラルネット
ワークに入力したときに発火する情報処理部に対応する
上記第２の記憶手段に記憶された各スタンドの圧下率デ
ータを出力する推論手段とを具備してなるタンデム式圧
延機のドラフトスケジュール設定装置として構成されて
いる。さらには，上記学習データ，圧下率データ及び入
力データがいずれも正規化されたデータであるタンデム
式圧延機のドラフトスケジュール設定装置である。さら
には，上記推論手段における情報処理部の発火条件が該
情報処理部の荷重と入力データとの内積が最大となるこ
とであるタンデム式圧延機のドラフトスケジュール設定
装置である。さらには，上記第２の記憶手段が各スタン
ドの圧下率データを平均化して記憶するタンデム式圧延
機のドラフトスケジュール設定装置である。
に本発明は，タンデム式圧延機の圧下条件及び圧延目的
からなる学習データと各スタンドの圧下率データとを対
応させて予め記憶しておく第１の記憶手段と，上記第１
の記憶手段に記憶された学習データを自己組織型ニュー
ラルネットワークに入力することにより，該ニューラル
ネットワークを構成する各情報処理部の自己学習を行う
学習手段と，上記学習手段による学習の完了時に分類さ
れた学習データに対応する各スタンドの圧下データを，
学習データが分類された情報処理部ごとに記憶する第２
の記憶手段と，新たに入力された圧下条件及び圧下目的
からなる入力データを，上記学習後のニューラルネット
ワークに入力したときに発火する情報処理部に対応する
上記第２の記憶手段に記憶された各スタンドの圧下率デ
ータを出力する推論手段とを具備してなるタンデム式圧
延機のドラフトスケジュール設定装置として構成されて
いる。さらには，上記学習データ，圧下率データ及び入
力データがいずれも正規化されたデータであるタンデム
式圧延機のドラフトスケジュール設定装置である。さら
には，上記推論手段における情報処理部の発火条件が該
情報処理部の荷重と入力データとの内積が最大となるこ
とであるタンデム式圧延機のドラフトスケジュール設定
装置である。さらには，上記第２の記憶手段が各スタン
ドの圧下率データを平均化して記憶するタンデム式圧延
機のドラフトスケジュール設定装置である。
【０００５】
【作用】本発明によれば，タンデム式圧延機の圧延条件
及び圧延目的からなる学習データと各スタンドの圧下率
データとが第１の記憶手段により予め記憶される。上記
第１の記憶手段に記憶された学習データが自己組織型ニ
ューラルネットワークに入力されることにより，該ニュ
ーラルネットワークを構成する各情報処理部の自己学習
が学習手段により行われる。上記学習手段による学習の
完了時に分類された各データに対応する各スタンドの圧
下率データが，学習データが分類された情報処理毎に第
２の記憶手段により記憶される。新たに入力された圧延
条件及び圧延目的からなる入力データが，上記学習後の
ニューラルネットワークに入力された時に発火する情報
処理部に対応する上記第２の記憶手段に記憶された各ス
タンドの圧下率データが推論手段により出力される。こ
れにより，入力データ数が多い場合でも，オペレータの
ドラフトスケジュールに関する知識／操作を定量化し，
自己組織化型ニューラルネットワークにより教師無し学
習を行うので，上記入力データ数の増大にもかかわらず
学習のための反復計算回数はほとんど変化せず，かつ誤
差の少ないドラフトスケジュールの推測が可能となる。
及び圧延目的からなる学習データと各スタンドの圧下率
データとが第１の記憶手段により予め記憶される。上記
第１の記憶手段に記憶された学習データが自己組織型ニ
ューラルネットワークに入力されることにより，該ニュ
ーラルネットワークを構成する各情報処理部の自己学習
が学習手段により行われる。上記学習手段による学習の
完了時に分類された各データに対応する各スタンドの圧
下率データが，学習データが分類された情報処理毎に第
２の記憶手段により記憶される。新たに入力された圧延
条件及び圧延目的からなる入力データが，上記学習後の
ニューラルネットワークに入力された時に発火する情報
処理部に対応する上記第２の記憶手段に記憶された各ス
タンドの圧下率データが推論手段により出力される。こ
れにより，入力データ数が多い場合でも，オペレータの
ドラフトスケジュールに関する知識／操作を定量化し，
自己組織化型ニューラルネットワークにより教師無し学
習を行うので，上記入力データ数の増大にもかかわらず
学習のための反復計算回数はほとんど変化せず，かつ誤
差の少ないドラフトスケジュールの推測が可能となる。
【０００６】
【実施例】以下添付図面を参照して，本発明を具体化し
た実施例につき説明し，本発明の理解に供する。尚，以
下の実施例は，本発明を具体化した一例であって，本発
明の技術的範囲を限定する性格のものではない。ここ
に，図１は本発明の一実施例に係るタンデム式圧延機の
ドラフトスケジュール設定装置Ａ廻りの概略構成を示す
ブロック図，図２は上記装置Ａによる概略処理手順を示
すフロー図，図３はコホーネン型ニューラルネットワー
クの概念図，図４はコホーネン型ニューラルネットワー
クの発火状態の変化を示す説明図である。図１に示すご
とく，本実施例に係るタンデム式圧延機のドラフトスケ
ジュール設定装置Ａは，主として，タンデム式圧延機の
圧下条件及び圧延目的からなる学習データと各スタンド
の圧下率データとを対応させて予め記憶しておく第１記
憶部３（第１の記憶手段に相当）と，第１記憶部３に記
憶された学習データを自己組織型ニューラルネットワー
クに入力することにより，このニューラルネットワーク
を構成する各情報処理部の自己学習を行う学習部５（学
習手段に相当）と，学習部５による学習の完了時に分類
された学習データに対応する各スタンドの圧下率データ
を，学習データが分類された情報処理部ごとに記憶する
第３記憶部８（第２の記憶手段に相当）と，新たに入力
された圧下条件及び圧延目的からなる入力データを，上
記学習後のニューラルネットワークに入力したときに発
火する情報処理部に対応する第３記憶部８に記憶された
各スタンドの圧下率データを出力する推定部９（推論手
段に相当）とから構成されている。
た実施例につき説明し，本発明の理解に供する。尚，以
下の実施例は，本発明を具体化した一例であって，本発
明の技術的範囲を限定する性格のものではない。ここ
に，図１は本発明の一実施例に係るタンデム式圧延機の
ドラフトスケジュール設定装置Ａ廻りの概略構成を示す
ブロック図，図２は上記装置Ａによる概略処理手順を示
すフロー図，図３はコホーネン型ニューラルネットワー
クの概念図，図４はコホーネン型ニューラルネットワー
クの発火状態の変化を示す説明図である。図１に示すご
とく，本実施例に係るタンデム式圧延機のドラフトスケ
ジュール設定装置Ａは，主として，タンデム式圧延機の
圧下条件及び圧延目的からなる学習データと各スタンド
の圧下率データとを対応させて予め記憶しておく第１記
憶部３（第１の記憶手段に相当）と，第１記憶部３に記
憶された学習データを自己組織型ニューラルネットワー
クに入力することにより，このニューラルネットワーク
を構成する各情報処理部の自己学習を行う学習部５（学
習手段に相当）と，学習部５による学習の完了時に分類
された学習データに対応する各スタンドの圧下率データ
を，学習データが分類された情報処理部ごとに記憶する
第３記憶部８（第２の記憶手段に相当）と，新たに入力
された圧下条件及び圧延目的からなる入力データを，上
記学習後のニューラルネットワークに入力したときに発
火する情報処理部に対応する第３記憶部８に記憶された
各スタンドの圧下率データを出力する推定部９（推論手
段に相当）とから構成されている。
【０００７】さらに，上記学習データ，圧下率データ及
び入力データがいずれも正規化されたデータであるとし
てもよい。さらに，上記推定部９における情報処理部の
発火条件が，その情報処理部の荷重と入力データとの内
積が最大となることであるとしてもよい。さらに，上記
第３記憶部８が各スタンドの圧下率データを平均化して
記憶することとしてもよい。以下，図２を参照して上記
装置Ａによる処理手順について説明する。この処理手順
の全体構成は，「学習過程」（ステップＳ１〜Ｓ３）と
「想起プロセス」（ステップＳ４〜Ｓ８）とに大別され
る。まず，「学習過程」について説明する。予めオペレ
ータの知識を学習させる際に使用する圧延材の圧延条件
（板幅，狙い厚，圧延材質，ロール粗さ，ラフバー厚）
や圧延目的（板厚重視，生産性重視，クラウン重視で０
〜１の実数）からなる学習データとオペレータが設定し
た各スタンドの圧下率（０〜１の実数にて正規化済み）
とを対にして収集しておき，それを第１記憶部３に格納
しておく（Ｓ１）。上記学習データで圧延条件はオーダ
ーの異なる複数のデータより構成されており，演算によ
る桁落ちによって誤差が発生するのを防ぐため，まず各
データを一律に扱うことができるように正規化部４にて
正規化を行う（Ｓ２）。
び入力データがいずれも正規化されたデータであるとし
てもよい。さらに，上記推定部９における情報処理部の
発火条件が，その情報処理部の荷重と入力データとの内
積が最大となることであるとしてもよい。さらに，上記
第３記憶部８が各スタンドの圧下率データを平均化して
記憶することとしてもよい。以下，図２を参照して上記
装置Ａによる処理手順について説明する。この処理手順
の全体構成は，「学習過程」（ステップＳ１〜Ｓ３）と
「想起プロセス」（ステップＳ４〜Ｓ８）とに大別され
る。まず，「学習過程」について説明する。予めオペレ
ータの知識を学習させる際に使用する圧延材の圧延条件
（板幅，狙い厚，圧延材質，ロール粗さ，ラフバー厚）
や圧延目的（板厚重視，生産性重視，クラウン重視で０
〜１の実数）からなる学習データとオペレータが設定し
た各スタンドの圧下率（０〜１の実数にて正規化済み）
とを対にして収集しておき，それを第１記憶部３に格納
しておく（Ｓ１）。上記学習データで圧延条件はオーダ
ーの異なる複数のデータより構成されており，演算によ
る桁落ちによって誤差が発生するのを防ぐため，まず各
データを一律に扱うことができるように正規化部４にて
正規化を行う（Ｓ２）。
【０００８】次に正規化後の学習データを用いて図３
（ａ）にその概念を示したコホーネン型ネットワーク
（自己組織化型ネットワーク）の学習（自己組織化特徴
マッピング）を以下のようにして行う。 （１）コホーネン型ネットワークへ正規化後の学習デー
タを入力し，ニューロン（情報処理部）の内付随する荷
重と入力データとの内積が最大であるニューロンを抽出
する。その場合，荷重，入力データ共に規格化されてお
り，両者の方向が同じになったとき，その内積が最大と
なる。 （２）抽出されたニューロン及び図４で示された範囲の
ニューロンの荷重を入力データとの内積が大きくなるよ
うに修正する。 （３）上記処理を繰り返すことにより，各ニューロンに
分類される学習データの代表的な値が付随している荷重
に学習される。 以上のような自己組織化特徴マッピングは教師無し学習
であり，上記（１），（２）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。ここで，学習についてさ
らに説明を加える。圧延条件，圧延目的を表す正規化さ
れた学習データの集合を次式で表す。 Ｄ＝〔ｄ1 ，ｄ2 ，…ｄn 〕 次に集合Ｄのデータを次のようなパターンに分類する方
法をニューラルネットワークに学習させる。 Ｄp ＝〔ｄ1 p ，ｄ2 p ，…ｄm p 〕，ｍ＜ｎ 通常，コホーネン型ニューラルネットワークにおいて
は，図３（ａ）に示すようにニューロンが格子状に並べ
られる。 ここでは，説明の便宜上，図３（ａ）を簡略
化した図３（ｂ）について述べる。
（ａ）にその概念を示したコホーネン型ネットワーク
（自己組織化型ネットワーク）の学習（自己組織化特徴
マッピング）を以下のようにして行う。 （１）コホーネン型ネットワークへ正規化後の学習デー
タを入力し，ニューロン（情報処理部）の内付随する荷
重と入力データとの内積が最大であるニューロンを抽出
する。その場合，荷重，入力データ共に規格化されてお
り，両者の方向が同じになったとき，その内積が最大と
なる。 （２）抽出されたニューロン及び図４で示された範囲の
ニューロンの荷重を入力データとの内積が大きくなるよ
うに修正する。 （３）上記処理を繰り返すことにより，各ニューロンに
分類される学習データの代表的な値が付随している荷重
に学習される。 以上のような自己組織化特徴マッピングは教師無し学習
であり，上記（１），（２）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。ここで，学習についてさ
らに説明を加える。圧延条件，圧延目的を表す正規化さ
れた学習データの集合を次式で表す。 Ｄ＝〔ｄ1 ，ｄ2 ，…ｄn 〕 次に集合Ｄのデータを次のようなパターンに分類する方
法をニューラルネットワークに学習させる。 Ｄp ＝〔ｄ1 p ，ｄ2 p ，…ｄm p 〕，ｍ＜ｎ 通常，コホーネン型ニューラルネットワークにおいて
は，図３（ａ）に示すようにニューロンが格子状に並べ
られる。 ここでは，説明の便宜上，図３（ａ）を簡略
化した図３（ｂ）について述べる。
【０００９】今，ｍ＝ｍ1 ×ｍ2 とする。各ニューロン
ｎj （ｊ＝１，２，…，ｍ）に対し，パターンベクトル
ｄj p が対応づけられている。データベクトルｄi （ｉ
＝１，２，…，ｎ）がニューラルネットワークに入力さ
れると，各ニューロンｎj はデータベクトルｄi と自分
のパターンベクトルｄj p の内積分だけ発火する。すな
わち，各ニューロンｎj の発火度Ａj は次式で与えられ
る。 Ａj ＝（ｄi ，ｄj p ） 今， Ａk ＝ｍａｘ Ａj （１≦ｊ≦ｍ）（すなわち，ｎk
は発火度最大のニューロン） とすれば，データｄはパターンｄk p に分類される。コ
ホーネン型ニューラルネットワークの学習では，データ
Ｄを繰り返し，ニューラルネットワークに入力し，その
たびに発火度の最大のニューロンとその近傍のニューロ
ンとに対し，それらのパターンベクトルｄj p を次のよ
うに更新する。
ｎj （ｊ＝１，２，…，ｍ）に対し，パターンベクトル
ｄj p が対応づけられている。データベクトルｄi （ｉ
＝１，２，…，ｎ）がニューラルネットワークに入力さ
れると，各ニューロンｎj はデータベクトルｄi と自分
のパターンベクトルｄj p の内積分だけ発火する。すな
わち，各ニューロンｎj の発火度Ａj は次式で与えられ
る。 Ａj ＝（ｄi ，ｄj p ） 今， Ａk ＝ｍａｘ Ａj （１≦ｊ≦ｍ）（すなわち，ｎk
は発火度最大のニューロン） とすれば，データｄはパターンｄk p に分類される。コ
ホーネン型ニューラルネットワークの学習では，データ
Ｄを繰り返し，ニューラルネットワークに入力し，その
たびに発火度の最大のニューロンとその近傍のニューロ
ンとに対し，それらのパターンベクトルｄj p を次のよ
うに更新する。
【数１】 このようにして，〔ｄj p ；ｊ＝１，２，…，ｍ〕が獲
得される。すなわち，自己学習がなされる。
得される。すなわち，自己学習がなされる。
【００１０】上記学習完了後，コホーネン型ニューラル
ネットワークを構成しているニューロンの荷重を第２記
憶部６に格納する（Ｓ３）。引き続いて「想起プロセ
ス」について説明する。上記第１記憶部３に記憶されて
いる全ての学習データを正規化部４により正規化した
後，学習後の荷重をセットしたコホーネン型ニューラル
ネットワークに入力し，データ分類部７によりニューロ
ンに付随する荷重と入力データとの内積が最大となった
ニューロンに入力データを分類する（Ｓ４）。分類され
た入力データに対応する各スタンドの圧下率の平均を入
力データが分類されたニューロン毎に第３記憶部８に格
納する（Ｓ５）。次に入力部２より入力された新たな圧
延状態，圧延目的から各スタンドの圧下率を推測する場
合について述べる。まず，上位コンピュータ１より入力
部２を介して圧延状態（圧延条件）や圧延目的からなる
入力データを入力する（Ｓ６）。この入力データを正規
化部４により正規化する（Ｓ７）。この後，第２記憶部
６に格納されている学習済みの荷重をセットしたコホー
ネン型ニューラルネットワークに入力し，データ分類部
７によりニューロンの内付随する荷重と入力データとの
内積が最大であるニューロンを抽出し，抽出されたニュ
ーロンに対応している第３記憶部８に格納されている各
スタンドの圧下率の平均値を推定部９において上記圧延
状態や圧延目的を持つ圧延材の各スタンド毎の圧下率と
推定する（Ｓ８）。
ネットワークを構成しているニューロンの荷重を第２記
憶部６に格納する（Ｓ３）。引き続いて「想起プロセ
ス」について説明する。上記第１記憶部３に記憶されて
いる全ての学習データを正規化部４により正規化した
後，学習後の荷重をセットしたコホーネン型ニューラル
ネットワークに入力し，データ分類部７によりニューロ
ンに付随する荷重と入力データとの内積が最大となった
ニューロンに入力データを分類する（Ｓ４）。分類され
た入力データに対応する各スタンドの圧下率の平均を入
力データが分類されたニューロン毎に第３記憶部８に格
納する（Ｓ５）。次に入力部２より入力された新たな圧
延状態，圧延目的から各スタンドの圧下率を推測する場
合について述べる。まず，上位コンピュータ１より入力
部２を介して圧延状態（圧延条件）や圧延目的からなる
入力データを入力する（Ｓ６）。この入力データを正規
化部４により正規化する（Ｓ７）。この後，第２記憶部
６に格納されている学習済みの荷重をセットしたコホー
ネン型ニューラルネットワークに入力し，データ分類部
７によりニューロンの内付随する荷重と入力データとの
内積が最大であるニューロンを抽出し，抽出されたニュ
ーロンに対応している第３記憶部８に格納されている各
スタンドの圧下率の平均値を推定部９において上記圧延
状態や圧延目的を持つ圧延材の各スタンド毎の圧下率と
推定する（Ｓ８）。
【００１１】上記「想起プロセス」では，学習済みのニ
ューラルネットワークに新たなデータｄを入力し，発火
度最大のニューロンを探すこととしている。このとき，
同一のニューロンを発火させるデータは「似ている」と
みなす。ただし，「想起プロセス」においては，次のよ
うな過程がある。 （１）まず，学習に用いたデータに対し，それがどのニ
ューロンを最大に発火させるかにより，学習データを次
のように分類する。 Ｄ＝Ｄ1 ∪Ｄ2 ∪…∪Ｄm （２）分類データＤi に対して平均圧下率パターンを計
算しておく。すなわち，各ニューロンｎj に対し，平均
圧下率パターンを対応させておく。 （３）あるデータｄが与えられたとき，それに対して発
火度が最大になるニューロンを探し，そのニューロンに
対応する平均圧下率パターンを呼び出す。 上記ステップＳ４が（１）の過程を，ステップＳ５が
（２）の過程を，ステップＳ６〜Ｓ８が（３）の過程を
それぞれ実行する。前記各スタンドの圧下率を実現する
ため，計測機器１０，駆動モータ制御装置１１，圧下制
御装置１２に情報を伝達する。従って，オペレータの知
識／操作を自動的に定量化できる本ドラフトスケジュー
ル設定装置によると，圧延条件や圧延目的で構成される
入力データ毎に荷重を付与し，上記入力データと荷重の
総和に関する関する関数を出力するべく格子状に概念上
配列された複数のニューロンからなるコホーネン型ニュ
ーラルネットワーク部を自己組織化特徴マッピングにて
教師無し学習するので，入力データ数が増加しても学習
のための反復計算回数はほとんど変化せず，かつ誤差の
少ないドラフトスケジュールの推測が可能となる。尚，
上記実施例では，第３記憶部８には各スタンドの圧下率
の平均値を格納しているが，実使用に際しては，個別の
データを格納し，推定部９による推定時に平均化するこ
とでもよい。また，圧下率の平均値ではなく，その特定
の値を用いることとしてもよい。例えば最大値，最小値
等でもよい。
ューラルネットワークに新たなデータｄを入力し，発火
度最大のニューロンを探すこととしている。このとき，
同一のニューロンを発火させるデータは「似ている」と
みなす。ただし，「想起プロセス」においては，次のよ
うな過程がある。 （１）まず，学習に用いたデータに対し，それがどのニ
ューロンを最大に発火させるかにより，学習データを次
のように分類する。 Ｄ＝Ｄ1 ∪Ｄ2 ∪…∪Ｄm （２）分類データＤi に対して平均圧下率パターンを計
算しておく。すなわち，各ニューロンｎj に対し，平均
圧下率パターンを対応させておく。 （３）あるデータｄが与えられたとき，それに対して発
火度が最大になるニューロンを探し，そのニューロンに
対応する平均圧下率パターンを呼び出す。 上記ステップＳ４が（１）の過程を，ステップＳ５が
（２）の過程を，ステップＳ６〜Ｓ８が（３）の過程を
それぞれ実行する。前記各スタンドの圧下率を実現する
ため，計測機器１０，駆動モータ制御装置１１，圧下制
御装置１２に情報を伝達する。従って，オペレータの知
識／操作を自動的に定量化できる本ドラフトスケジュー
ル設定装置によると，圧延条件や圧延目的で構成される
入力データ毎に荷重を付与し，上記入力データと荷重の
総和に関する関する関数を出力するべく格子状に概念上
配列された複数のニューロンからなるコホーネン型ニュ
ーラルネットワーク部を自己組織化特徴マッピングにて
教師無し学習するので，入力データ数が増加しても学習
のための反復計算回数はほとんど変化せず，かつ誤差の
少ないドラフトスケジュールの推測が可能となる。尚，
上記実施例では，第３記憶部８には各スタンドの圧下率
の平均値を格納しているが，実使用に際しては，個別の
データを格納し，推定部９による推定時に平均化するこ
とでもよい。また，圧下率の平均値ではなく，その特定
の値を用いることとしてもよい。例えば最大値，最小値
等でもよい。
【００１２】
【発明の効果】本発明に係るタンデム式圧延機のドラフ
トスケジュール設定装置は，上記したように構成されて
いるため，入力データ数が多い場合でも，オペレータの
ドラフトスケジュールに関する知識／操作を定量化し，
自己組織化型ニューラルネットワークにより教師無し学
習を行うので，上記入力データ数の増大にもかかわらず
学習のための反復計算回数はほとんど変化せず，かつ誤
差の少ないドラフトスケジュールの推測が可能となる。
トスケジュール設定装置は，上記したように構成されて
いるため，入力データ数が多い場合でも，オペレータの
ドラフトスケジュールに関する知識／操作を定量化し，
自己組織化型ニューラルネットワークにより教師無し学
習を行うので，上記入力データ数の増大にもかかわらず
学習のための反復計算回数はほとんど変化せず，かつ誤
差の少ないドラフトスケジュールの推測が可能となる。
【図１】 本発明の一実施例に係るタンデム式圧延機の
ドラフトスケジュール設定装置Ａ廻りの概略構成を示す
ブロック図。
ドラフトスケジュール設定装置Ａ廻りの概略構成を示す
ブロック図。
【図２】 上記装置Ａによる概略処理手順を示すフロー
図。
図。
【図３】 コホーネン型ニューラルネットワークの概念
図。
図。
【図４】 コホーネン型ニューラルネットワークの発火
状態の変化を示す説明図。
状態の変化を示す説明図。
【図５】 従来のタンデム式圧延機のドラフトスケジュ
ール設定方法の一例における概略処理手順を示すフロー
図。
ール設定方法の一例における概略処理手順を示すフロー
図。
【図６】 従来の階層型ニューラルネットワークの概念
図。
図。
Ａ…ドラフトスケジュール設定装置 ３…第１記憶部（第１の記憶手段に相当） ５…学習部（学習手段に相当） ８…第３記憶部（第２の記憶手段に相当） ９…推定部（推論手段に相当）
フロントページの続き (51)Int.Cl.6 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｇ０５Ｂ 13/02 Ｌ 9131−3Ｈ Ｇ０６Ｆ 15/18 ５５０ Ｅ 8837−5Ｌ Ｇ０６Ｇ 7/60
Claims (4)
- 【請求項１】 タンデム式圧延機の圧下条件及び圧延目
的からなる学習データと各スタンドの圧下率データとを
対応させて予め記憶しておく第１の記憶手段と，上記第
１の記憶手段に記憶された学習データを自己組織型ニュ
ーラルネットワークに入力することにより，該ニューラ
ルネットワークを構成する各情報処理部の自己学習を行
う学習手段と，上記学習手段による学習の完了時に分類
された学習データに対応する各スタンドの圧下データ
を，学習データが分類された情報処理部ごとに記憶する
第２の記憶手段と，新たに入力された圧下条件及び圧下
目的からなる入力データを，上記学習後のニューラルネ
ットワークに入力したときに発火する情報処理部に対応
する上記第２の記憶手段に記憶された各スタンドの圧下
率データを出力する推論手段とを具備してなるタンデム
式圧延機のドラフトスケジュール設定装置。 - 【請求項２】 上記学習データ，圧下率データ及び入力
データがいずれも正規化されたデータである請求項１記
載のタンデム式圧延機のドラフトスケジュール設定装
置。 - 【請求項３】 上記推論手段における情報処理部の発火
条件が該情報処理部の荷重と入力データとの内積が最大
となることである請求項１記載のタンデム式圧延機のド
ラフトスケジュール設定装置。 - 【請求項４】 上記第２の記憶手段が各スタンドの圧下
率データを平均化して記憶する請求項１記載のタンデム
式圧延機のドラフトスケジュール設定装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6218694A JPH0890020A (ja) | 1994-09-13 | 1994-09-13 | タンデム式圧延機のドラフトスケジュール設定装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6218694A JPH0890020A (ja) | 1994-09-13 | 1994-09-13 | タンデム式圧延機のドラフトスケジュール設定装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0890020A true JPH0890020A (ja) | 1996-04-09 |
Family
ID=16723954
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP6218694A Pending JPH0890020A (ja) | 1994-09-13 | 1994-09-13 | タンデム式圧延機のドラフトスケジュール設定装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0890020A (ja) |
Cited By (3)
| 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 |
| WO2020166124A1 (ja) | 2019-02-12 | 2020-08-20 | Ｊｆｅスチール株式会社 | 製造設備の設定条件決定方法、圧延機のミルセットアップ設定値の決定方法、圧延機のミルセットアップ設定値の決定装置、製造物の製造方法および圧延材の製造方法 |
| CN113926865A (zh) * | 2020-06-29 | 2022-01-14 | 宝山钢铁股份有限公司 | 铸坯夹渣预报方法、机清控制方法、计算设备及存储介质 |
-
1994
- 1994-09-13 JP JP6218694A patent/JPH0890020A/ja active Pending
Cited By (8)
| 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 |
| WO2020166124A1 (ja) | 2019-02-12 | 2020-08-20 | Ｊｆｅスチール株式会社 | 製造設備の設定条件決定方法、圧延機のミルセットアップ設定値の決定方法、圧延機のミルセットアップ設定値の決定装置、製造物の製造方法および圧延材の製造方法 |
| JP2020134967A (ja) * | 2019-02-12 | 2020-08-31 | Ｊｆｅスチール株式会社 | 製造設備の設定条件決定方法、圧延機のミルセットアップ設定値の決定方法、圧延機のミルセットアップ設定値の決定装置、製造物の製造方法および圧延材の製造方法 |
| KR20210114459A (ko) | 2019-02-12 | 2021-09-23 | 제이에프이 스틸 가부시키가이샤 | 제조 설비의 설정 조건 결정 방법, 압연기의 밀 셋업 설정값의 결정 방법, 압연기의 밀 셋업 설정값의 결정 장치, 제조물의 제조 방법 및 압연재의 제조 방법 |
| CN113439244A (zh) * | 2019-02-12 | 2021-09-24 | 杰富意钢铁株式会社 | 制造设备的设定条件决定方法、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、制造物的制造方法及轧制材料的制造方法 |
| US12285792B2 (en) | 2019-02-12 | 2025-04-29 | Jfe Steel Corporation | Setup condition determining method for manufacturing facilities, mill setup value determining method for rolling mill, mill setup value determining device for rolling mill, product manufacturing method, and rolled material manufacturing method |
| CN113926865A (zh) * | 2020-06-29 | 2022-01-14 | 宝山钢铁股份有限公司 | 铸坯夹渣预报方法、机清控制方法、计算设备及存储介质 |
| CN113926865B (zh) * | 2020-06-29 | 2024-03-08 | 宝山钢铁股份有限公司 | 铸坯夹渣预报方法、机清控制方法、计算设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022116571A1 (zh) | 一种基于lstm的热轧弯辊力预测方法 | |
| WO1989011684A1 (en) | Inference rule determination method and inference apparatus | |
| CN110472695B (zh) | 一种工业生产过程的异常工况检测和分类方法 | |
| US5680784A (en) | Method of controlling form of strip in rolling mill | |
| CN115879369A (zh) | 一种基于优化LightGBM算法的磨煤机故障预警方法 | |
| CN113011567A (zh) | 一种卷积神经网络模型的训练方法及装置 | |
| CN118917935A (zh) | 一种批量构造风险时间序列特征及量化信息风险调节方法 | |
| Ma et al. | A novel decentralized detection framework for quality-related faults in manufacturing industrial processes | |
| CN113570007A (zh) | 零件缺陷识别模型构建优化方法、装置、设备及存储介质 | |
| John et al. | Hybrid neural–GA model to predict and minimise flatness value of hot rolled strips | |
| US7480535B2 (en) | Method for the computer-supported generation of prognoses for operative systems and a system for the generation of prognoses for operative systems | |
| CN114417248B (zh) | 基于dcgan的线性轮廓过程质量异常监控方法和系统 | |
| JPH08117827A (ja) | 圧延装置 | |
| CN114638421A (zh) | 一种发电机组备件需求的预测方法 | |
| Bouhouche et al. | Evaluation using online support-vector-machines and fuzzy reasoning. Application to condition monitoring of speeds rolling process | |
| JP3579553B2 (ja) | 設備及び製品プロセス異常状態の診断方法及び診断装置 | |
| JPH0890020A (ja) | タンデム式圧延機のドラフトスケジュール設定装置 | |
| CN111932091A (zh) | 一种基于梯度生存提升树的生存分析风险函数预测方法 | |
| JP2023041629A (ja) | 圧延設備の形状制御アクチュエータ設定モデルの生成方法、圧延設備の形状制御アクチュエータの設定方法、鋼板の形状制御方法、鋼板の製造方法、及び圧延設備の形状制御装置 | |
| Farag et al. | Neuro-fuzzy modeling of complex systems using genetic algorithms | |
| CN121210968A (zh) | 一种基于Bayes-LightGBM算法的冷连轧机轧制力预测方法 | |
| CN111079348A (zh) | 一种缓变信号检测方法和装置 | |
| CN118092385B (zh) | 数据时空邻域特征增强的工业过程故障检测方法及装置 | |
| JPH0895938A (ja) | 時系列データの学習方法及び時系列データの学習装置 | |
| CN115780530B (zh) | 基于专家知识与数据联合驱动的轧钢故障溯源方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313117 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |