WO2024209749A1 - 冷間圧延条件設定方法、冷間圧延方法、冷延鋼板製造方法、冷間圧延条件算出装置、及び冷間圧延機 - Google Patents

冷間圧延条件設定方法、冷間圧延方法、冷延鋼板製造方法、冷間圧延条件算出装置、及び冷間圧延機 Download PDF

Info

Publication number
WO2024209749A1
WO2024209749A1 PCT/JP2023/046014 JP2023046014W WO2024209749A1 WO 2024209749 A1 WO2024209749 A1 WO 2024209749A1 JP 2023046014 W JP2023046014 W JP 2023046014W WO 2024209749 A1 WO2024209749 A1 WO 2024209749A1
Authority
WO
WIPO (PCT)
Prior art keywords
rolling
cold rolling
conditions
cold
prediction model
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.)
Ceased
Application number
PCT/JP2023/046014
Other languages
English (en)
French (fr)
Inventor
昇輝 藤田
好規 生駒
将司 岡
悦充 原田
行宏 松原
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
JFE Steel Corp
Original Assignee
JFE Steel Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by JFE Steel Corp filed Critical JFE Steel Corp
Priority to EP23932158.1A priority Critical patent/EP4647188A4/en
Priority to MX2025011832A priority patent/MX2025011832A/es
Priority to KR1020257025859A priority patent/KR20250130827A/ko
Priority to CN202380096711.0A priority patent/CN120981304A/zh
Priority to JP2024522149A priority patent/JP7609337B1/ja
Publication of WO2024209749A1 publication Critical patent/WO2024209749A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B21B37/16—Control of thickness, width, diameter or other transverse dimensions
    • B21B37/24—Automatic variation of thickness according to a predetermined program
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B1/00—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations
    • B21B1/22—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length
    • B21B1/24—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length in a continuous or semi-continuous process
    • B21B1/28—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length in a continuous or semi-continuous process by cold-rolling, e.g. Steckel cold mill
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B1/00—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations
    • B21B1/40—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling foils which present special problems, e.g. because of thinness
    • C—CHEMISTRY; METALLURGY
    • C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23G—CLEANING OR DE-GREASING OF METALLIC MATERIAL BY CHEMICAL METHODS OTHER THAN ELECTROLYSIS
    • C23G3/00—Apparatus for cleaning or pickling metallic material
    • C23G3/02—Apparatus for cleaning or pickling metallic material for cleaning wires, strips, filaments continuously
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Program-control systems
    • G05B19/02—Program-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B1/00—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations
    • B21B1/22—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length
    • B21B2001/221—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length by cold-rolling
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B3/00—Rolling materials of special alloys so far as the composition of the alloy requires or permits special rolling methods or sequences ; Rolling of aluminium, copper, zinc or other non-ferrous metals
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45234—Thin flat workpiece, sheet metal machining

Definitions

  • the present invention relates to a method for setting cold rolling conditions, a cold rolling method, a method for manufacturing cold rolled steel sheets, a cold rolling condition calculation device, and a cold rolling machine.
  • the shape (or flatness) of the steel sheet is improved while maintaining good thickness accuracy in the longitudinal and transverse directions, and rolling is performed in a state where the threadability of the steel sheet is stabilized.
  • Many of the control factors of the cold rolling mill are automatically controlled by actuators mounted on the cold rolling mill, and opportunities for operators to set the control factors of the cold rolling mill are decreasing.
  • Patent Document 1 proposes a method of learning past operating conditions using a neural network and using the learning results to perform mill setup for the rolling mill.
  • Patent Document 2 proposes a method in which the steel sheet before cold rolling is heated, bent and stretched using a tension leveler, and pickled.
  • Patent Document 1 has the following problems. That is, in this method, past operating conditions are learned and the results are used to perform mill setup of the rolling mill. However, when there is variation in the residual scale in the coil longitudinal direction, particularly in difficult-to-roll materials with a total Si and Al content of 3.0 mass% or more, the shape at the exit of the rolling mill varies greatly due to variations in the friction coefficient. Therefore, even if the rolling mill is in optimal operating conditions at the time of mill setup, poor shape can lead to a reduction in the rolling speed, and in the worst case, the sheet can break.
  • Patent Document 2 is expected to allow for mechanical scale removal using a tension leveler.
  • the elongation rate cannot be changed continuously along the length of the coil, it cannot handle cases where the scale thickness or scale composition varies along the length of the coil, such as when only one section of the coil is operated at a low speed during hot-rolled sheet annealing.
  • the present invention was made in consideration of the above problems, and its purpose is to ensure rolling stability without impeding productivity, even when cold rolling difficult-to-roll materials (steel sheets) that are subject to high loads and contain a large amount of additive elements.
  • the present invention was completed based on the above findings, and its gist is as follows:
  • a method for setting cold rolling conditions, using a prediction model, for cold rolling a steel sheet having a total content of Si and Al of 3.0 mass% or more that has been successively subjected to hot rolling, annealing, and pickling comprising:
  • the prediction model is a prediction model trained using cold rolling conditions, including information on the material to be rolled, annealing conditions, pickling conditions, and the amount of work rolls used in the first rolling stand in cold rolling, as explanatory variables, and using asymmetric components, among the rolling results in the first rolling stand, as objective variables, among the past operational results;
  • a step of predicting an asymmetric component in the first rolling stand by inputting annealing conditions, pickling conditions, and cold rolling conditions set in the first rolling stand in cold rolling of a material to be rolled into the prediction model; and changing the set cold rolling conditions so that the predicted asymmetric component satisfies a predetermined condition.
  • a cold rolling method in which cold rolling is performed on a material to be rolled under set cold rolling conditions that have been changed by the cold rolling condition setting method described in 1 above.
  • a method for producing cold-rolled steel sheet in which the material to be rolled is subjected to hot rolling, annealing, and pickling treatments in sequence, and then cold rolling is performed using the cold rolling method described in 2 above to produce a cold-rolled steel sheet.
  • a cold rolling condition calculation device that uses a prediction model to set cold rolling conditions when cold rolling a steel sheet having a total Si and Al content of 3.0 mass% or more that has been successively subjected to hot rolling, annealing, and pickling, comprising:
  • the prediction model is a prediction model trained using cold rolling conditions, including information on the material to be rolled, annealing conditions, pickling conditions, and the amount of work rolls used in the first rolling stand in cold rolling, as explanatory variables, and using asymmetric components, among the rolling results in the first rolling stand, as objective variables, among the past operational results;
  • FIG. 1 is a schematic diagram showing the configuration of a manufacturing facility according to an embodiment of the present invention.
  • FIG. 2 is a block diagram showing the configuration of the arithmetic unit shown in FIG.
  • FIG. 3 is a graph showing the relationship between the pickling rate and the standard deviation of the differential load in the first rolling stand.
  • FIG. 4 is a flowchart showing the flow of processing by the prediction model executing unit.
  • a steel plate having a total Si and Al content of 3.0 mass% or more is used as the rolled material (rolling target material) to be rolled by a cold rolling mill.
  • the total Si and Al content is 3.0 mass% or more, strong oxide scale is likely to be formed during continuous annealing.
  • the total Si and Al content is less than 3.0 mass%, strong oxide scale is not formed, and scale removal by pickling is possible.
  • the total Si and Al content exceeds 6.0 mass%, the effect of scale removal by pickling is reduced. Therefore, it is preferable that the total Si and Al content is 6.0 mass% or less.
  • FIG. 1 is a schematic diagram showing the configuration of a manufacturing facility in one embodiment of the present invention.
  • (i) shows a continuous annealing line
  • (ii) shows a cold rolling line connected to the continuous annealing line.
  • 2 is a payoff rule
  • 3 is an annealing furnace
  • 4 is a pickling tank.
  • the annealing furnace 3 and the pickling tank 4 are appropriately equipped with transport rolls (not shown).
  • the cold tandem rolling mill 5 has five rolling stands. Specifically, from the entry side (left side of the paper in FIG. 1) to the exit side (right side of the paper in FIG. 1), five rolling stands are provided, namely, the first rolling stand to the fifth rolling stand (#1STD to #5STD).
  • tension rolls and diff rolls, thickness gauges, and shape gauges are appropriately installed between adjacent rolling stands.
  • the configuration of the rolling stands and the conveying device for the steel sheet 1 are not particularly limited, and publicly known technologies may be applied as appropriate.
  • the continuous annealing line and the cold rolling line are connected to form one line, but the continuous annealing line and the cold rolling line may each be independent lines.
  • steel sheet 1 rolled in a hot rolling line (not shown) is discharged from a payoff reel 2 and passes through an annealing furnace 3 and a pickling tank 4. Next, steel sheet 1 is cold rolled in a cold tandem rolling mill 5 and then wound on a coiler 6.
  • the annealing method in the annealing furnace 3 is not particularly limited, and a vertical furnace, horizontal furnace, or batch furnace can be used.
  • the oxides produced in the annealing furnace 3 are pickled (chemically ground) by passing through the pickling tank 4. In this pickling process, acid penetrates the boundary between the base material and the surface oxide, and the surface oxide is peeled off and removed.
  • the pickling solution used for the pickling is not particularly limited, but it is preferable to use a hydrochloric acid or sulfuric acid solution with a concentration of 5% by volume or more, or a nitric acid solution (a mixture of 5% by volume or more nitric acid and 0.5% by volume or more hydrochloric acid).
  • the functions related to the rolling control prediction model which is one embodiment of the present invention, are realized by the rolling control device 7, the calculation unit 8, and the operation information measurement device 9 shown in Figure 1.
  • the rolling control device 7 controls the cold rolling conditions of the cold tandem rolling mill 5 based on control signals from the calculation unit 8.
  • FIG. 2 is a block diagram showing the configuration of the arithmetic unit 8 shown in FIG. 1.
  • the arithmetic unit 8 includes an arithmetic device 71, an input device 88, a storage device 89, and an output device 90.
  • the arithmetic unit 71 is connected to the input device 88, the storage device 89, and the output device 90 via a bus 87 in a wired manner.
  • the arithmetic unit 71, the input device 88, the storage device 89, and the output device 90 are not limited to this type of connection, and may be connected wirelessly or in a combination of wired and wireless connections.
  • the input device 88 functions as an input port for inputting rolling results (plate thickness, deformation resistance, rolling load, tension, roll information (roll diameter, roll material, roll roughness, tonnage used since the roll was inserted (amount of work roll used)), rolling speed, etc.) from the rolling control device 7, annealing/pickling results (plate thickness, temperature, gas, speed, acid results, etc.) from the operation information measuring device 9, and information from the operation monitoring device 91.
  • the information from the operation monitoring device 91 includes execution command information for the rolling control prediction model, information about the steel plate 1 to be rolled (previous process conditions, steel type, size), and cold rolling condition information (numeric information, text information, and image information) set by the process computer or the operator before cold rolling.
  • the storage device 89 is, for example, a hard disk drive, a semiconductor drive, an optical drive, etc., and is a device that stores information required in this system (information required to realize the functions of the prediction model creation unit 77 and the prediction model execution unit 78 described below).
  • Information necessary for realizing the functions of the prediction model creation unit 77 includes, for example, annealing, pickling, and rolling results in the first rolling stand from the operation information measurement device 9, the required characteristics of the steel sheet 1 (steel type, plate thickness, plate width, etc.), mill equipment constraints, roll information used in rolling (roll diameter, roll material, roll roughness, tonnage used since the rolls were inserted), properties of the coolant used in the rolling stand, explanatory variables related to cold rolling such as target rolling speed, and objective variables. It is important that the roll information includes the amount of work rolls used in the first rolling stand in cold rolling, particularly the tonnage used since the rolls were inserted.
  • the surface of the work rolls becomes rough depending on the rolling material and rolling tonnage, and roughness information in the barrel direction remains as an asymmetric component, but it is difficult to measure the roughness of the work rolls online while lubricating oil is constantly being supplied.
  • roll wear progresses due to the accumulation of rolling load and slip speed (speed difference between material and roll speed), so the correlation with roll roughness can be indirectly evaluated by the tonnage used after the roll is inserted.
  • the asymmetric component of the rolling performance in the first rolling stand is used as the objective variable.
  • the "asymmetric component” refers to the operating conditions that are independently controlled on the operator side (OP side) and the drive side (DR side) during cold rolling, that is, the cold rolling conditions in which a difference occurs between the OP side and the DR side.
  • information on the asymmetric component may be referred to as asymmetric rolling information or asymmetric rolling data.
  • the "OP side” refers to the operator side in the steel plate width direction
  • the "DR side” refers to the equipment side opposite to the OP side.
  • Information required to realize the functions of the prediction model execution unit 78 includes, for example, a rolling control prediction model for each rolling state of the steel plate 1 created by the prediction model creation unit 77 and various information input to the rolling control prediction model.
  • the output device 90 functions as an output port that outputs a control signal from the calculation device 71 to the rolling control device 7.
  • the operation monitoring device 91 is equipped with any display such as a liquid crystal display or an organic display.
  • the operation monitoring device 91 receives various information indicating the operating status of the cold tandem rolling mill 5 from the rolling control device 7, and displays this information on an operation screen (operation screen) that allows the operator to monitor the operating status of the cold tandem rolling mill 5.
  • the calculation device 71 includes a RAM 72, a ROM 73, and a calculation processing unit 76.
  • ROM 73 stores a prediction model creation program 74 and a prediction model execution program 75.
  • the calculation processing unit 76 has a calculation processing function and is connected to the RAM 72 and the ROM 73 via the bus 87.
  • RAM 72, ROM 73, and the calculation processing unit 76 are connected to an input device 88, a storage device 89, and an output device 90 via a bus 87.
  • the calculation processing unit 76 has the following functional blocks: a prediction model creation unit 77 and a prediction model execution unit 78.
  • the prediction model creation unit 77 is a processing unit that creates a rolling control prediction model by a machine learning method that links past annealing/pickling/rolling results in the cold tandem rolling mill 5 with rolling constraint conditions corresponding to the past rolling results.
  • a rolling control prediction model by a machine learning method a neural network model such as deep learning, a regression tree model such as random forest, a gradient boosting model such as XGBOOST, etc. can be used, but is not particularly limited, and other known machine learning methods may also be adopted.
  • the prediction model creation unit 77 includes a learning data acquisition unit 77A, a first data preprocessing unit 77B, a model creation unit 77C, and a result storage unit 77D.
  • the prediction model creation unit 77 receives an instruction to create a rolling control prediction model from the operation monitoring device 91, it executes the prediction model creation program 74 stored in the ROM 73, thereby functioning as the learning data acquisition unit 77A, the first data preprocessing unit 77B, the model creation unit 77C, and the result storage unit 77D.
  • the rolling control prediction model is updated each time the prediction model creation unit 77 is executed.
  • the learning data acquisition unit 77A acquires multiple pieces of learning data as pre-processing for generating a rolling control prediction model.
  • input performance data output performance data (objective variable).
  • the annealing conditions include, for example, line speed, furnace temperature, gas flow rate, dew point, cooling amount, and sheet temperature.
  • the pickling conditions include, for example, acid concentration, additive concentration, acid temperature, and line speed.
  • the rolling performance data includes, for example, the inlet and outlet sheet thickness, roll diameter, roll material, roll roughness, tonnage used after the roll is inserted, reduction ratio, deformation resistance, rolling speed, rolling load, inlet and outlet tension, and coolant flow rate in rolling the coil in the first rolling stand.
  • the asymmetric rolling data includes the asymmetric rolling state in the first rolling stand using the input performance data, such as the rolling differential load, the differential tension at the inlet and outlet, the difference in roll reduction position, the lubricating coolant settings (flow rate difference) for the upper and lower work rolls, and the roll surface roughness (roughness difference between the upper and lower work rolls due to the remaining scale state on the front and back surfaces of the steel sheet).
  • input performance data such as the rolling differential load, the differential tension at the inlet and outlet, the difference in roll reduction position, the lubricating coolant settings (flow rate difference) for the upper and lower work rolls, and the roll surface roughness (roughness difference between the upper and lower work rolls due to the remaining scale state on the front and back surfaces of the steel sheet).
  • the learning data acquisition unit 77A acquires the above-mentioned input actual data and output actual data from the storage device 89 to create learning data.
  • Each piece of learning data consists of a pair of input actual data and output actual data.
  • the learning data is stored in the storage device 89.
  • the learning data acquisition unit 77A may supply the learning data to the first data pre-processing unit 77B or the model creation unit 77C without storing the learning data in the storage device 89. Note that it is not necessary to input all of the data contained in each piece of information described above, and only a portion of the data may be input.
  • the learning data acquisition unit 77A requests the operator to perform cold rolling once or multiple times without using the rolling control prediction model. Also, the greater the number of learning data stored in the storage device 89, the higher the prediction accuracy of the rolling control prediction model. Therefore, if the number of learning data is less than a preset threshold, the learning data acquisition unit 77A may request the operator to perform cold rolling without using the rolling control prediction model until the number of data reaches the threshold.
  • the first data pre-processing unit 77B processes the learning data acquired by the learning data acquisition unit 77A for creating a rolling control prediction model. Specifically, the first data pre-processing unit 77B standardizes (normalizes) the value range of the input actual data between 0 and 1 as necessary in order to load the rolling actual data constituting the learning data into the machine learning model. Furthermore, if abnormal data or unacquired data is included, processing is performed to delete or fill in the relevant data.
  • the model creation unit 77C uses machine learning using multiple pieces of learning data acquired by the first data pre-processing unit 77B to generate a rolling control prediction model that includes explanatory variables (the coil information and past annealing, pickling, and rolling results) as input performance data and outputs the asymmetric rolling state during cold rolling as performance data.
  • explanatory variables the coil information and past annealing, pickling, and rolling results
  • a neural network is adopted as the machine learning method, and therefore the model creation unit 77C creates a neural network model as the rolling control prediction model. That is, the model creation unit 77C creates a neural network model as the rolling control prediction model that links the input actual data (past annealing, pickling, and rolling actual data) and the output actual data (asymmetric rolling state during cold rolling) in the learning data processed for creating the rolling control prediction model.
  • the neural network model is expressed, for example, by a function formula.
  • the model creation unit 77C sets the hyperparameters used in the machine learning model, and performs learning using a neural network model that uses these hyperparameters. As an optimization calculation of the hyperparameters, the model creation unit 77C first creates a neural network model in which some of the hyperparameters are gradually changed for the learning data, and selects the hyperparameters that provide the highest prediction accuracy for the validation data.
  • the hyperparameters are usually set to, but are not limited to, the number of hidden layers, the number of neurons in each hidden layer, the dropout rate in each hidden layer (which blocks neuronal transmission with a certain probability), the activation function in each hidden layer, and the number of outputs.
  • the hyperparameter optimization method it is possible to use grid search, which changes parameters in stages, random search, which selects parameters randomly, or search using Bayesian optimization.
  • model creation unit 77C is incorporated as part of the calculation device 71, but the configuration is not limited to this.
  • rolling control prediction models may be created and stored in advance, and then read out as necessary.
  • Figure 3 shows the relationship between the pickling speed (mpm, meter per minute) and the standard deviation of the differential load at the first rolling stand (tonf). It can be seen that for steel sheets with a total Si and Al content of 3.0 mass% or more, the standard deviation of the differential load at the first rolling stand increases as the pickling speed increases. This is thought to be because scale formed during annealing was not completely removed by pickling and remained, causing localized uneven lubrication or surface roughness of the work roll due to the remaining scale.
  • the model creation unit 77C inputs the evaluation data (the actual operating conditions of the steel plate 1 to be rolled using the rolling control prediction model) into the machine learning model in which the weighting coefficients have been learned, and obtains an estimation result for the evaluation data.
  • the result storage unit 77D stores the learning data, the evaluation data, the parameters of the machine learning model, the output results of the machine learning model for the learning data, and the output results of the machine learning model for the evaluation data in the storage device 89.
  • the prediction model execution unit 78 predicts the asymmetric rolling state of the steel plate 1 during cold rolling, which corresponds to the cold rolling conditions of the steel plate 1 to be rolled, using the rolling control prediction model created by the prediction model creation unit 77 during the cold rolling of the steel plate 1. The prediction model execution unit 78 then determines the cold rolling conditions for the steel plate 1 to be rolled.
  • the information reading unit 78A reads from the storage device 89 the cold rolling conditions for the steel plate 1 to be rolled, which are set by the process computer and the operator in the operation monitoring device 91.
  • the second data pre-processing unit 78B performs data creation processing to be input to the rolling condition prediction unit 78C.
  • the processing of the second data pre-processing unit 78B is the same as that of the first data pre-processing unit 77B, so a detailed description of the processing is omitted.
  • the first data pre-processing unit 77B and the second data pre-processing unit 78B may be made into a subroutine as a single processing unit.
  • the rolling state prediction unit 78C inputs the input data created by the second data pre-processing unit 78B into the rolling state prediction model to predict the asymmetric rolling state of the steel plate 1 to be rolled.
  • the cold rolling condition determination unit 78D performs processing to change the settings of the cold rolling conditions in the explanatory variables and repeatedly return to the execution of the processing of the information reading unit 78A, the second data pre-processing unit 78B, and the rolling state prediction unit 78C until the asymmetric rolling state of the steel plate 1 satisfies a predetermined condition. In one embodiment, it is sufficient to perform processing to change the settings of the cold rolling conditions in the explanatory variables and repeatedly return to the execution of the processing of the information reading unit 78A, the second data pre-processing unit 78B, and the rolling state prediction unit 78C until the asymmetric rolling state of the steel plate 1 becomes equal to or less than a predetermined threshold value.
  • the result output unit 78E operates when the asymmetric rolling state of the steel plate 1 satisfies a predetermined condition, and outputs the determined rolling operation conditions of the steel plate 1 to be rolled. In one embodiment, the result output unit 78E operates when the asymmetric rolling state of the steel plate 1 falls below a predetermined threshold value, and outputs the determined rolling operation conditions of the steel plate 1 to be rolled.
  • FIG. 4 is a flowchart showing the processing flow of the prediction model execution unit 78.
  • the information reading unit 78A of the prediction model execution unit 78 reads from the storage device 89 a machine learning model as a rolling condition prediction model corresponding to the required characteristics of the steel plate 1 to be rolled.
  • the information reading unit 78A reads the judgment threshold value for the requested asymmetric rolling state stored in the storage device 89 from the host computer via the input device 88.
  • the information reading unit 78A reads the cold rolling conditions for the steel plate 1 to be rolled stored in the storage device 89 from the host computer via the input device 88.
  • step S44 the rolling state prediction unit 78C of the prediction model execution unit 78 uses the machine learning model as the rolling state prediction model loaded in step S41 to determine an asymmetric rolling state value for the steel plate 1 during corresponding cold rolling as input actual data including the annealing, pickling, and cold rolling conditions for the steel plate 1 to be rolled loaded in step S43.
  • step S45 the cold rolling condition determination unit 78D of the prediction model execution unit 78 determines whether the asymmetric rolling state value of the steel sheet 1 obtained in step S44 is within the judgment threshold of the asymmetric rolling state read in step S42. If the calculation does not converge sufficiently, an upper limit may be set on the number of convergence iterations within the range of the calculation time that can actually be executed in the processing of step S45. Note that the asymmetric rolling state value being within the judgment threshold corresponds to satisfying the specified condition in the present invention.
  • step S45 If it is determined that the asymmetric rolling state value is within the judgment threshold (if the judgment result in step S45 is YES), the prediction model execution unit 78 ends the processing. On the other hand, if it is determined that the asymmetric rolling state value is not within the judgment threshold (if the judgment result in step S45 is NO), the prediction model execution unit 78 proceeds to processing in step S46.
  • the cold rolling condition determination unit 78D changes some of the cold rolling conditions (shape control actuator in the first rolling stand, lubricating coolant flow rate, rolling speed, etc.) of the steel plate 1 to be rolled that were read in the process of step S43, and then proceeds to the process of step S47.
  • the result output unit 78E of the prediction model execution unit 78 transmits information related to some of the determined cold rolling conditions to the rolling control device 7 via the output device 90.
  • the cold rolling condition determination unit 78D determines the cold rolling conditions of the steel sheet 1 to be rolled in which some of the cold rolling conditions, specifically the bender amount and shift amount of the work rolls and intermediate rolls, the roll down position (leveling) in the rolling stand, the amount of lubricating coolant at the entry side of the rolling stand, and the operation amount of the rolling speed have been changed in the process of step S47, as the optimized cold rolling conditions of the steel sheet 1. Then, the cold rolling condition determination unit 78D determines the operation amount of the rolling state based on the cold rolling conditions at that time. The rolling control device 7 changes the cold rolling conditions based on the information on the rolling state transmitted from the result output unit 78E during the cold rolling stage.
  • the cold rolling condition determination unit 78D calculates appropriate cold rolling conditions for the steel plate 1 to be rolled based on the difference between the asymmetric rolling state value obtained in the processing of step S44 and the judgment threshold value read in the processing of step S42. Then, the cold rolling condition determination unit 78D compares the calculated cold rolling conditions with the cold rolling conditions for the steel plate 1 to be rolled that were read in the processing of step S43, and changes the cold rolling conditions in the processing of step S47.
  • the rolling state prediction unit 78C reads the cold rolling conditions of the steel sheet 1 to be rolled, some of which have been changed.
  • the rolling state prediction unit 78C uses a machine learning model as a rolling state prediction model to determine an asymmetric rolling state value of the steel sheet 1 during cold rolling, which corresponds to the cold rolling conditions of the steel sheet 1 to be rolled, some of which have been changed and which have been read in the process of step S43.
  • the cold rolling condition determination unit 78D determines whether the constraint judgment value of the asymmetric rolling state obtained in the process of step S44 is within the judgment threshold value read in the process of step S42. Then, the series of processes of steps S43, S44, S45, S46, and S47 are repeatedly executed until the judgment result becomes YES. This ends the process by the prediction model execution unit 78 (rolling state control determination step).
  • the prediction model creation unit 77 creates a rolling state prediction model using a machine learning technique that links past operational results, including annealing, pickling, and rolling of the steel sheet 1, with past asymmetric rolling results corresponding to the operational results.
  • the prediction model execution unit 78 determines the asymmetric rolling state value of the steel sheet 1 to be rolled using the created rolling state prediction model during cold rolling of the steel sheet 1.
  • the prediction model execution unit 78 determines the cold rolling conditions for the steel sheet 1 to be rolled so that the determined asymmetric rolling state value is within a threshold value.
  • the present invention is not limited thereto and various modifications and improvements can be made.
  • the repetition of the rolling state prediction of the steel sheet 1 by the rolling state prediction model and the determination of the cold rolling conditions are performed over the entire length of the coil, but they may be performed only partially.
  • the cold tandem rolling mill 5 is not limited to a four-high type, and may be a multiple rolling mill such as a two-high (2Hi) or six-high (6Hi) type, and there is no particular limit to the number of rolling stands.
  • it may be a cluster rolling mill or a Sendzimir rolling mill.
  • the rolling control device 7 cannot execute control based on the command from the calculation unit 8. Therefore, it is preferable that the rolling control device 7 does not execute this implementation when it judges that the control amount from the calculation unit 8 is abnormal, or when the control amount is not supplied from the calculation unit 8, etc.
  • the output device 90 and the operation monitoring device 91 are not connected, but the two may be connected so as to be able to communicate with each other.
  • This allows the processing results of the prediction model execution unit 78 (particularly the rolling state prediction information of the steel sheet 1 during rolling by the rolling state prediction unit 78C, and the changed cold rolling conditions determined by the cold rolling condition determination unit 78D) to be displayed on the operation screen of the operation monitoring device 91.
  • learning was first carried out using a machine learning model (gradient boosting method using LightGBM (Gradient Boosting Machine)) using learning data (approximately 3,000 records of past steel plate annealing, pickling, and rolling performance data), linking past steel plate operational performance with past steel plate asymmetric rolling performance at the first rolling stand, and creating a machine learning model to be used to predict the rolling state of steel plates.
  • grade boosting method using LightGBM Gradient Boosting Machine
  • the input data consisted of annealing conditions (line speed, furnace temperature, gas flow rate, dew point, cooling amount, sheet temperature), pickling conditions (acid concentration, additive concentration, acid temperature, line speed) and cold rolling conditions (roll diameter, roll material, initial roll roughness, tonnage used after roll insertion, deformation resistance of steel sheet, rolling load, rolling tension, emulsion properties, work roll dimensions, crown, roughness information, bender amount, and work roll shift amount) as past operational data of steel sheet.
  • annealing conditions line speed, furnace temperature, gas flow rate, dew point, cooling amount, sheet temperature
  • pickling conditions ascid concentration, additive concentration, acid temperature, line speed
  • cold rolling conditions roll diameter, roll material, initial roll roughness, tonnage used after roll insertion, deformation resistance of steel sheet, rolling load, rolling tension, emulsion properties, work roll dimensions, crown, roughness information, bender amount, and work roll shift amount
  • the roll gap was adjusted in the cold tandem rolling mill 5, and after the welding point of the steel sheet passed, the rolling control device 7 was turned on, and the asymmetric rolling state during cold rolling was predicted by the created machine learning model.
  • the cold rolling conditions were then set by successively changing the cold rolling conditions so that the predicted asymmetric rolling state was below a predetermined threshold.
  • any of the inlet coolant flow rate, rolling position difference, and rolling speed may be changed.
  • the rolling position difference there is a 1% probability of breakage occurring, although it is within the allowable range, so it is more preferable to change the inlet coolant flow rate or the rolling speed.
  • the number of breaks that occurred in the steel sheets after rolling 100 coils in the invention example and comparative example is shown in Table 1.
  • Table 1 in the comparative example, sufficient learning was not done about the asymmetric rolling state in the rolling stand, so when the remaining scale state fluctuated significantly along the length of the coil, operational constraints were exceeded, causing problems such as shrinkage breakage.
  • the cold rolling method and cold rolling mill of the present invention it is preferable to use the cold rolling method and cold rolling mill of the present invention to appropriately predict the asymmetric rolling state during rolling of a steel plate, and to determine the rolling state by successively changing the cold rolling conditions so that the predicted asymmetric rolling state value is equal to or less than a preset threshold value. It has also been confirmed that the application of the present invention not only makes it possible to prevent product problems such as defective shapes and plate breakage during cold rolling, but also greatly contributes to improving productivity and quality in the rolling process and subsequent processes.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Organic Chemistry (AREA)
  • Biophysics (AREA)
  • Materials Engineering (AREA)
  • General Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Metallurgy (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Metal Rolling (AREA)
  • Control Of Metal Rolling (AREA)

Abstract

高負荷な難圧延材を圧延する際にも圧延の安定性を確保しつつ生産性を阻害しない冷間圧延条件を算出する。本発明の冷間圧延条件設定方法は、熱間圧延、焼鈍、酸洗処理が順次行われたＳｉ及びＡｌの合計含有量が３．０％以上の鋼板を冷間圧延する際の条件を、予測モデルを用いて設定する方法であって、前記予測モデルは、過去の操業実績の内、圧延対象材の情報、焼鈍条件、酸洗条件、及び冷間圧延における第１圧延スタンドでのワークロール使用量を含む、冷間圧延条件を説明変数とし、第１圧延スタンドでの圧延実績の内、非対称成分を目的変数として学習された予測モデルであり、圧延対象材に対する焼鈍条件、酸洗条件、及び第１圧延スタンドでの設定冷間圧延条件を前記予測モデルに入力することにより、前記第１圧延スタンドでの非対称成分を予測するステップと、予測された前記非対称成分が予め定められた条件を満足するように前記設定冷間圧延条件を変更するステップとを含む。

Description

冷間圧延条件設定方法、冷間圧延方法、冷延鋼板製造方法、冷間圧延条件算出装置、及び冷間圧延機
　本発明は、冷間圧延条件設定方法、冷間圧延方法、冷延鋼板製造方法、冷間圧延条件算出装置、及び冷間圧延機に関する。
　一般に、冷延薄鋼鈑を圧延する際には、鋼板の長手方向及び幅方向の板厚精度を良好に保ちながら鋼板の形状（又は平坦度）を良好にすることにより、鋼板の通板性を安定化させた状態で圧延が行われる。冷間圧延機の制御因子の多くは冷間圧延機に搭載されたアクチュエータによって自動的に制御され、オペレータが冷間圧延機の制御因子を設定する機会は減りつつある。
　一方で、軽量化による燃費抑制等を目的として、高強度でありながら薄ゲージである薄物硬質材のニーズが高まっている。このような難圧延材の冷間圧延では、合金元素を多く含んでいることから組織の不均一性の改善や冷間圧延時の負荷を抑えるため、熱間圧延にて薄引きされた鋼板に対して焼鈍が行われる。その後、焼鈍で形成された酸化スケールを酸洗工程で除去したのち冷間圧延工程に送られる。このような高負荷でかつ合金元素を多く含む難圧延材の冷間圧延時には、コイル長手方向に対して酸化スケールの残存分布が大きく変動することがある。酸化スケールが部分的に残存している箇所では鋼板上への油分付着が阻害されるため、ロールバイト内の摩擦状態が変動し、ひいては圧延荷重（及び付随して計算される先進率やトルク）が変動する。そのため、冷間圧延機のロールギャップ、ワークロールベンダーや中間ロールシフト、及びサーマルクラウンによるロール膨張に代表されるロール撓み補正に対する変動が自動制御で吸収できない場合が多い。この場合、オペレータは冷間圧延機の設備制約を満たしつつ、且つ、生産性を阻害しないように、パススケジュールや形状制御アクチュエータを設定する。
　このため、近年、オペレータの経験によって冷間圧延機の操業速度、ひいては生産性が左右されやすくなっている。このような背景から、特許文献１には、ニューラルネットワークを用いて過去の操業条件を学習し、学習結果を用いて圧延機のミルセットアップを行う方法が提案されている。
　また、ロールバイト内にて酸化スケールとワークロールが油膜を介さずに金属接触するためワークロールが面荒れする問題も生じる。このような背景から、特許文献２には、冷間圧延前の鋼板に対して、加熱、テンションレベラーによる曲げ伸ばし、および酸洗を施す方法が提案されている。
特開２０２０－１３４９６７号公報 特開２０２０－０５９０５０号公報
　しかし、特許文献１で提案されている方法には次のような問題があった。すなわち、前記方法では、過去の操業条件を学習し、その結果を用いて圧延機のミルセットアップが行われる。しかし、特に、Ｓｉ及びＡｌの合計含有量が３．０質量％以上の難圧延材においてコイル長手方向に対して残存スケールの変動がある場合、摩擦係数の変動に起因して圧延機出側の形状が大きく変動する。そのため、ミルセットアップ時点で圧延機が最適な操業条件であったとしても、形状不良による圧延速度の抑制を招き、最悪な場合板破断に至ることもある。
　また、特許文献２に示す方法では、テンションレベラーによる機械的なスケール除去が期待できる。しかし、コイル長手で連続的に伸長率を変更できないため、熱延板焼鈍時にコイルの一区間だけ低速操業した場合など、コイル長手でスケール厚やスケール組成が変動した場合に対応できない。
　本発明は、上記課題に鑑みてなされたものであって、その目的は、高負荷でかつ添加元素を多く含有した難圧延材（鋼板）を冷間圧延する際にも、生産性を阻害することなく、圧延の安定性を確保することである。
　本発明は上記知見に基づいて完成されたものであり、その要旨は以下の通りである。
１．熱間圧延、焼鈍、酸洗処理が順次行われたＳｉ及びＡｌの合計含有量が３．０質量％以上の鋼板を冷間圧延する際の冷間圧延条件を、予測モデルを用いて設定する冷間圧延条件設定方法であって、
　前記予測モデルは、過去の操業実績の内、圧延対象材の情報、焼鈍条件、酸洗条件、及び冷間圧延における第１圧延スタンドでのワークロール使用量を含む、冷間圧延条件を説明変数とし、第１圧延スタンドでの圧延実績の内、非対称成分を目的変数として学習された予測モデルであり、
　圧延予定の圧延対象材に対する焼鈍条件、酸洗条件、及び冷間圧延における第１圧延スタンドでの設定冷間圧延条件を前記予測モデルに入力することにより、前記第１圧延スタンドでの非対称成分を予測するステップと、
　予測された前記非対称成分が予め定められた条件を満足するように前記設定冷間圧延条件を変更するステップとを含む、冷間圧延条件設定方法。
２．上記１に記載の冷間圧延条件設定方法により変更された設定冷間圧延条件により圧延対象材に冷間圧延を施す、冷間圧延方法。
３．圧延対象材に対して、熱間圧延、焼鈍、酸洗処理を順次施し、次いで、上記２に記載の冷間圧延方法により冷間圧延を施して冷延鋼板を製造する、冷延鋼板製造方法。
４．熱間圧延、焼鈍、酸洗処理が順次行われたＳｉ及びＡｌの合計含有量が３．０質量％以上の鋼板を冷間圧延する際の冷間圧延条件を、予測モデルを用いて設定する冷間圧延条件算出装置であって、
　前記予測モデルは、過去の操業実績の内、圧延対象材の情報、焼鈍条件、酸洗条件、及び冷間圧延における第１圧延スタンドでのワークロール使用量を含む、冷間圧延条件を説明変数とし、第１圧延スタンドでの圧延実績の内、非対称成分を目的変数として学習された予測モデルであり、
　圧延予定の圧延対象材に対する焼鈍条件、酸洗条件、及び、冷間圧延における第１圧延スタンドでの設定冷間圧延条件を前記予測モデルに入力することにより、前記第１圧延スタンドでの非対称成分を予測する予測手段と、
　予測された前記非対称成分が予め定められた条件を満足するように前記設定冷間圧延条件を変更する変更手段とを備える、冷間圧延条件算出装置。
５．上記４に記載の冷間圧延条件算出装置を備える、冷間圧延機。
　本発明の冷間圧延条件設定方法によれば、Ｓｉ及びＡｌの合計含有量が３．０質量％以上の高負荷でかつ添加元素を多く含有した難圧延材を圧延する際にも圧延の安定性を確保しつつ生産性を阻害しない冷間圧延条件を算出することができる。そのため、本発明によれば、高負荷でかつ添加元素を多く含有した難圧延材を安定的に、且つ、生産性よく圧延することができる。
図１は、本発明の一実施形態における製造設備の構成を示す模式図である。 図２は、図１に示す演算ユニットの構成を示すブロック図である。 図３は、酸洗速度と第１圧延スタンドでの差荷重の標準偏差の関係を示す図である。 図４は、予測モデル実行部の処理の流れを示すフローチャートである。
　以下、図面を参照して、本発明の一実施形態である冷間圧延方法、冷間圧延における冷間圧延条件算出装置、及び冷間圧延機について説明する。なお、以下に示す実施形態は、本発明の技術思想を具体化するための装置や方法を例示するものであって、構成部品の材質、形状、構造、配置等を以下に示す実施形態に特定するものではない。また、図面は模式的なものである。このため、厚みと平面寸法との関係、比率等は現実のものとは異なることに留意すべきであり、図面相互間においても互いの寸法の関係や比率が異なる部分が含まれている。
〔冷間圧延機の構成〕
　まず、図１を参照して、本発明の一実施形態である製造設備の構成について説明する。なお、本明細書中では「冷間圧延」を単に「圧延」と記載することがあり、本明細書において「冷間圧延」と「圧延」は同義である。
　本発明においては、冷間圧延機により圧延される圧延材（圧延対象材）として、Ｓｉ及びＡｌの合計含有量が３．０質量％以上の鋼板を使用する。Ｓｉ及びＡｌの合計含有量が３．０質量％以上である場合、連続焼鈍時に強固な酸化スケールが生成されやすい。ＳｉおよびＡｌの合計含有量が３．０質量％未満の鋼板の場合は強固な酸化スケールが生成されず、酸洗でのスケール除去が可能である。一方、ＳｉおよびＡｌの合計含有量が６．０質量％を超える鋼板の場合は、酸洗によるスケール除去の効果が薄くなる。そのため、Ｓｉ及びＡｌの合計含有量は６．０質量％以下であることが好ましい。
　図１は、本発明の一実施形態における製造設備の構成を示す模式図である。図１中、（ｉ）は連続焼鈍ライン、（ｉｉ）は前記連続焼鈍ラインに接続された冷間圧延ラインを、それぞれ示している。
　（ｉ）の連続焼鈍ラインにおいて、２はペイオフルール、３は焼鈍炉、４は酸洗槽である。焼鈍炉３、酸洗槽４には、図示しない搬送ロールが適宜設置されている。
　（ｉｉ）の冷間圧延ラインにおいて、５は冷間タンデム圧延機、６はコイラーである。図１に示した例では、冷間タンデム圧延機５は５機の圧延スタンドを備えている。具体的には、入側（図１の紙面に向かって左側）から出側（図１の紙面に向かって右側）に向かって順に、第１圧延スタンド～第５圧延スタンド（＃１ＳＴＤ～＃５ＳＴＤ）の５機の圧延スタンドを備えている。冷間タンデム圧延機５において、隣り合う圧延スタンド間には、図示しないテンションロール及びデフロール、板厚計、及び形状計が適宜設置されている。圧延スタンドの構成や鋼板１の搬送装置等は特に限定されず、適宜公知の技術を適用しても構わない。
　また、図１の実施形態では、連続焼鈍ラインと冷間圧延ラインが接続されて１つのラインを構成しているが、連続焼鈍ラインと冷間圧延ラインはそれぞれ独立したラインであってもよい。
　図１に示す実施形態では、熱間圧延ライン（図示せず）で圧延された鋼板１はペイオフリール２から払い出されたのち、焼鈍炉３、酸洗槽４を通過する。次いで、鋼板１は冷間タンデム圧延機５で冷間圧延された後、コイラー６に巻き取られる。
　焼鈍炉３での焼鈍方法は特に限定されず、垂直炉や水平炉、バッチ炉を用いることができる。焼鈍炉３で生成された酸化物は酸洗槽４を通過することで酸洗（化学的研削）が行われる。この酸洗処理では、母材と表層酸化物との境界に酸が浸透し、表層酸化物が剥離除去される。前記酸洗に用いる酸洗液はとくに限定されないが、濃度が５体積％以上の塩酸又は硫酸溶液、あるいは硝塩酸溶液（５体積％以上の硝酸と０．５体積％以上の塩酸を混合させた溶液）を用いることが好ましい。
〔圧延制御予測モデル〕
　次に、本発明の一実施形態における圧延制御予測モデルについて説明する。
　本発明の一実施形態である圧延制御予測モデルに関連する機能は、図１に示す圧延制御装置７、演算ユニット８、操業情報測定装置９により実現される。
　圧延制御装置７は、演算ユニット８からの制御信号に基づいて冷間タンデム圧延機５の冷間圧延条件を制御する。
　図２は、図１に示す演算ユニット８の構成を示すブロック図である。図２に示すように、演算ユニット８は、演算装置７１、入力装置８８、記憶装置８９、及び出力装置９０を備えている。
　演算装置７１は、バス８７を介して入力装置８８、記憶装置８９、及び出力装置９０と有線接続されている。但し、演算装置７１、入力装置８８、記憶装置８９、及び出力装置９０は、この接続の態様に限らず、無線により接続されてもよく、有線と無線とを組み合わせた態様で接続されてもよい。
　入力装置８８は、圧延制御装置７からの圧延実績（板厚、変形抵抗、圧延荷重、張力、ロール情報（ロール径、ロール材質、ロール粗度、ロールが挿入されてからの使用トン数(ワークロール使用量)）、圧延速度、など）や操業情報測定装置９からの焼鈍・酸洗実績（板厚、温度、ガス、速度、酸実績、など）及び、操業監視装置９１からの情報が入力される入力ポートとして機能する。操業監視装置９１からの情報としては、圧延制御予測モデルの実行指令情報、圧延対象の鋼板１に関する情報（前工程条件、鋼種、サイズ）及び冷間圧延前にプロセスコンピュータ又はオペレータにより設定された冷間圧延条件情報（数値情報、文字情報及び画像情報）が含まれる。
　記憶装置８９は、例えばハードディスクドライブ、半導体ドライブ、光学ドライブ等で構成され、本システムにおいて必要な情報（後述する予測モデル作成部７７及び予測モデル実行部７８の機能の実現に必要な情報）を記憶する装置である。
　予測モデル作成部７７の機能の実現に必要な情報としては、例えば、操業情報測定装置９からの焼鈍、酸洗及び第１圧延スタンドでの圧延実績、鋼板１の要求特性（鋼種、板厚、板幅等）やミル設備制約、圧延に使用されるロール情報（ロール径、ロール材質、ロール粗度、ロールが挿入されてからの使用トン数）、圧延スタンドで使用されるクーラント性状、目標圧延速度等の冷間圧延に関連する説明変数、及び目的変数が挙げられる。ロール情報は、冷間圧延における第１圧延スタンドでのワークロール使用量として、特にロールが挿入されてからの使用トン数が含まれることが重要である。ワークロールでは圧延材と圧延トン数によって、表面が荒れ、バレル方向の粗さ情報が非対称成分として残るが、潤滑油が絶えず供給されている中、オンラインでワークロールの粗さを測定することは困難である。一方、ロールの摩耗は圧延荷重、そしてすべり速度(材料とロール速度の速度差)の累積によって進行するため、ロールが挿入されてからの使用トン数でロール粗さとの相関を間接的に評価することができるからである。本発明においては、第１圧延スタンドでの圧延実績の内、非対称成分を前記目的変数として用いる。ここで「非対称成分」とは、冷間圧延の際にオペレータ側（ＯＰ側）とドライブ側（ＤＲ側）とで独立して制御される操業条件であり、すなわちＯＰ側とＤＲ側とで差分が発生する冷間圧延条件をいう。以下の説明において、前記非対称成分についての情報を、非対称圧延情報または非対称圧延データという場合がある。なお、「ＯＰ側」とは、鋼板幅方向における操作者側であり、「ＤＲ側」とは、ＯＰ側とは反対の設備側を指す。
　予測モデル実行部７８の機能の実現に必要な情報としては、例えば、予測モデル作成部７７によって作成された鋼板１の圧延状態毎の圧延制御予測モデル及び圧延制御予測モデルに入力される各種情報が挙げられる。
　出力装置９０は、演算装置７１からの制御信号を圧延制御装置７に対して出力する出力ポートとして機能する。
　操業監視装置９１は、液晶ディスプレイや有機ディスプレイ等の任意のディスプレイを備えている。操業監視装置９１は、圧延制御装置７から冷間タンデム圧延機５の操業状態を示す各種情報を受信し、これら情報をオペレータが冷間タンデム圧延機５の操業状態を監視するための運転画面（操業画面）に表示する。
　演算装置７１は、ＲＡＭ７２、ＲＯＭ７３、及び演算処理部７６を備えている。
　ＲＯＭ７３は、予測モデル作成プログラム７４及び予測モデル実行プログラム７５を記憶している。
　演算処理部７６は、演算処理機能を有し、バス８７を介してＲＡＭ７２及びＲＯＭ７３と接続されている。
　ＲＡＭ７２、ＲＯＭ７３、及び演算処理部７６は、バス８７を介して入力装置８８、記憶装置８９、及び出力装置９０に接続されている。
　演算処理部７６は、機能ブロックとして、予測モデル作成部７７及び予測モデル実行部７８を備えている。
　予測モデル作成部７７は、冷間タンデム圧延機５における、過去の焼鈍・酸洗・圧延実績と過去の圧延実績に対応する圧延制約条件とを結び付ける機械学習手法による圧延制御予測モデルを作成する処理部である。機械学習手法による圧延制御予測モデルとしては、ディープラーニングのようなニューラルネットワークモデルや、ランダムフォレストなどの回帰木モデル、ＸＧＢＯＯＳＴなどの勾配ブースティングモデル、等を用いることができるが、特に限定されず、他の公知の機械学習の手法を採用しても構わない。
　予測モデル作成部７７は、学習用データ取得部７７Ａ、第１データ前処理部７７Ｂ、モデル作成部７７Ｃ、及び結果保存部７７Ｄを備えている。予測モデル作成部７７は、操業監視装置９１から圧延制御予測モデルの作成の指示を受けた際に、ＲＯＭ７３に記憶されている予測モデル作成プログラム７４を実行することにより、学習用データ取得部７７Ａ、第１データ前処理部７７Ｂ、モデル作成部７７Ｃ、及び結果保存部７７Ｄとして機能する。圧延制御予測モデルは、予測モデル作成部７７が実行する度に更新される。
　学習用データ取得部７７Ａは、圧延制御予測モデルの生成のための事前処理として、複数の学習用データを取得する。前記学習用データの取得においては、過去の圧延実績データのうち、圧延対象材の情報と操業情報測定装置９からの焼鈍条件、酸洗条件、および第１圧延スタンドでの圧延実績データを入力実績データ（説明変数）とする。また、第１圧延スタンドでの非対称圧延データを出力実績データ（目的変数）とする。
　前記焼鈍条件としては、例えば、ライン速度、炉温、ガス流量、露点、冷却量、板温などが挙げられる。前記酸洗条件としては、例えば、酸濃度、添加剤濃度、酸温度、ライン速度などが挙げられる。前記圧延実績データとしては、当該コイルでの第１圧延スタンドでの圧延における、入出側板厚、ロール径、ロール材質、ロール粗度、ロールが挿入されてからの使用トン数、圧下率、変形抵抗、圧延速度、圧延荷重、入出側張力、クーラント流量などが挙げられる。
　前記非対称圧延データとしては、前記入力実績データを用いた第１圧延スタンドでの非対称圧延状態、例えば、圧延差荷重、入出側での差張力、ロールの圧下位置差、上下ワークロールでの潤滑クーラント設定（流量差）やロール表面粗度（鋼板表裏面のスケール残存状態による上下のワークロールの粗度差）などが挙げられる。
　学習用データ取得部７７Ａは、記憶装置８９から上記入力実績データ及び出力実績データを取得して学習用データを作成する。各学習用データは、入力実績データと出力実績データの組からなる。学習用データは、記憶装置８９に記憶される。学習用データ取得部７７Ａは、記憶装置８９に学習用データを記憶させることなく、第１データ前処理部７７Ｂやモデル作成部７７Ｃに学習用データを供給してもよい。なお、上記した各情報に含まれるデータは全てを入力する必要はなく、一部を入力することとしてもよい。
　なお、記憶装置８９に過去の圧延実績データが記憶されていない場合（例えば、過去に実績のない冷間圧延条件や鋼種条件である場合）やサンプル量が少ない場合には、学習用データ取得部７７Ａは、オペレータに対して１回又は複数回、圧延制御予測モデルを使用せずに冷間圧延を実行するよう要求する。また、記憶装置８９に記憶されている学習用データの数が多いほど圧延制御予測モデルによる予測精度が高まる。このため、学習用データの数が予め設定した閾値未満である場合、学習用データ取得部７７Ａは、データ数が閾値に至るまでオペレータに対して、圧延制御予測モデルを使用せずに冷間圧延を実行するよう要求してもよい。
　第１データ前処理部７７Ｂは、学習用データ取得部７７Ａが取得した学習用データを圧延制御予測モデル作成用に加工する。具体的には、第１データ前処理部７７Ｂは、学習用データを構成する圧延実績データを機械学習モデルに読み込ませるために、必要に応じて０～１の間で入力実績データの値域を標準化（正規化）する。また、異常データや未取得データが含まれる場合は、該当データを削除あるいは補填する処理が行われる。
　モデル作成部７７Ｃは、第１データ前処理部７７Ｂが取得した複数の学習用データを用いた機械学習によって、説明変数（当該コイル情報や過去の焼鈍・酸洗・圧延実績）を入力実績データとして含み、冷間圧延時の非対称圧延状態を出力実績データとする圧延制御予測モデルを生成する。
　本実施形態では、機械学習の手法としてはニューラルネットワークを採用するため、モデル作成部７７Ｃは、圧延制御予測モデルとしてニューラルネットワークモデルを作成する。すなわち、モデル作成部７７Ｃは、圧延制御予測モデル作成用に加工された学習用データにおける、入力実績データ（過去の焼鈍・酸洗・圧延実績データ）と出力実績データ（冷間圧延時の非対称圧延状態）とを結び付ける圧延制御予測モデルとしてのニューラルネットワークモデルを作成する。ニューラルネットワークモデルは、例えば関数式で表現される。
　具体的には、モデル作成部７７Ｃは、機械学習モデルに用いられるハイパーパラメータの設定を行うと共に、それらハイパーパラメータを用いたニューラルネットワークモデルによる学習を行う。ハイパーパラメータの最適化計算として、モデル作成部７７Ｃは、まず学習用データに対して、ハイパーパラメータ内の幾つかを段階的に変更したニューラルネットワークモデルを作成し、検証用データに対する予測精度が最も高くなるようなハイパーパラメータを選択する。
　ハイパーパラメータとして通常、隠れ層の数、各々の隠れ層におけるニューロン数、各々の隠れ層におけるドロップアウト率（ニューロンの伝達をある一定の確率で遮断する）、各々の隠れ層における活性化関数、及び出力数が設定されるが、これに限定されない。また、ハイパーパラメータの最適化手法は特に限定されないが、パラメータを段階的に変更するグリッドサーチや、パラメータをランダムに選択するランダムサーチ、あるいはベイズ最適化による探索を用いることができる。
　なお、モデル作成部７７Ｃは演算装置７１の一部として組み込まれているが、構成はこれに限定されない。例えば、圧延制御予測モデルを予め作成して保存しておき、それら適宜読み出しても構わない。
　モデル作成部７７Ｃは、最終的な冷間圧延に対する非対称圧延状態値として出力される。構成される出力数は特に限定されない。この出力された結果と、過去の鋼板１の操業実績（焼鈍条件、酸洗条件、および圧延実績）とその時の冷間タンデム圧延機５の第１圧延スタンドにおける非対称圧延実績（圧延差荷重、入出側での差張力、ロールの圧下位置差、上下ワークロールでの潤滑クーラント設定やロール表面粗度など）とに基づき、機械学習モデル内の重み係数が徐々に最適化されることで学習が行われる。
　図３は、酸洗速度（mpm, meter per minute）と第１圧延スタンドでの差荷重の標準偏差（tonf）との関係を示す図である。Ｓｉ及びＡｌの合計含有量が３．０質量％以上の鋼板では、酸洗速度が増加することで、第１圧延スタンドでの差荷重の標準偏差が増加することがわかる。これは、焼鈍時に生じたスケールが酸洗で除去しきれずに残存し、残存スケールに起因した局所的な潤滑ムラあるいはワークロールの面荒れが発生したためだと考えられる。
　機械学習モデルの重み係数が学習された後、モデル作成部７７Ｃは、評価用データ（圧延制御予測モデルを用いた圧延対象となる鋼板１の操業条件実績）を、この重み係数が学習された機械学習モデルに入力して、評価用データに対する推定結果を得る。
　結果保存部７７Ｄは、学習用データ、評価用データ、機械学習モデルのパラメータ、学習用データに対する機械学習モデルの出力結果、及び評価用データに対する機械学習モデルの出力結果を記憶装置８９に記憶させる。
　予測モデル実行部７８は、鋼板１の冷間圧延中に、予測モデル作成部７７で作成された圧延制御予測モデルを用いて圧延対象の鋼板１の冷間圧延条件に対応する冷間圧延中の鋼板１の非対称圧延状態を予測する。そして、予測モデル実行部７８は、圧延対象の鋼板１における冷間圧延条件を決定する。
　上記処理を行うため、予測モデル実行部７８は、情報読取部７８Ａ、第２データ前処理部７８Ｂ、圧延状態予測部７８Ｃ、冷間圧延条件決定部７８Ｄ、及び結果出力部７８Ｅを備えている。ここで、予測モデル実行部７８は、圧延制御装置７から入力装置８８を介して冷間圧延が実施されていることを知らせる信号を受けたときに、ＲＯＭ７３に記憶されている予測モデル実行プログラム７５を実行することにより、情報読取部７８Ａ、圧延状態予測部７８Ｃ、冷間圧延条件決定部７８Ｄ、及び結果出力部７８Ｅとして機能する。
　情報読取部７８Ａは、記憶装置８９から操業監視装置９１にてプロセスコンピュータならびにオペレータにより設定された圧延対象の鋼板１の冷間圧延条件を読み込む。
　第２データ前処理部７８Ｂは、圧延状態予測部７８Ｃに入力するデータ作成処理を行う。第２データ前処理部７８Ｂの処理は、第１データ前処理部７７Ｂの処理と同じであるため、処理の詳細な説明は省略する。第１データ前処理部７７Ｂ及び第２データ前処理部７８Ｂを一つの処理部としてサブルーチン化してもよい。
　圧延状態予測部７８Ｃは、第２データ前処理部７８Ｂで作成された入力データを圧延状態予測モデルに入力して圧延対象の鋼板１の非対称圧延状態を予測する。
　冷間圧延条件決定部７８Ｄは、鋼板１の非対称圧延状態が予め定められた条件を満たすまで説明変数中の冷間圧延条件を設定変更して上記の情報読取部７８Ａ、第２データ前処理部７８Ｂ、及び圧延状態予測部７８Ｃの処理の実行に繰り返し戻す処理を行う。一実施形態においては、鋼板１の非対称圧延状態が予め設定した閾値以下となるまで説明変数中の冷間圧延条件を設定変更して上記の情報読取部７８Ａ、第２データ前処理部７８Ｂ、及び圧延状態予測部７８Ｃの処理の実行に繰り返し戻す処理を行えばよい。
　結果出力部７８Ｅは、鋼板１の非対称圧延状態が予め定められた条件を満たすと作動し、決定した圧延対象の鋼板１の圧延操業条件を出力する。一実施形態においては、結果出力部７８Ｅは、鋼板１の非対称圧延状態が予め設定した閾値以下となると作動し、決定した圧延対象の鋼板１の圧延操業条件を出力すればよい。
　次に、図４を参照して、予測モデル実行部７８の処理について説明する。
　図４は、予測モデル実行部７８の処理の流れを示すフローチャートである。図４に示すように、圧延状態予測モデルを実行する際は、まず、予測モデル実行部７８の情報読取部７８Ａが、ステップＳ４１の処理において、圧延対象の鋼板１の要求特性に対応する圧延状態予測モデルとしての機械学習モデルを記憶装置８９から読み込む。
　次に、情報読取部７８Ａが、ステップＳ４２の処理において、上位計算機から入力装置８８を介して記憶装置８９に記憶されている要求される非対称圧延状態の判定閾値を読み込む。次に、情報読取部７８Ａは、ステップＳ４３の処理において、上位計算機から入力装置８８を介して記憶装置８９に記憶されている圧延対象の鋼板１の冷間圧延条件を読み込む。
　次に、予測モデル実行部７８の圧延状態予測部７８Ｃが、ステップＳ４４の処理において、ステップＳ４１の処理で読み込まれた圧延状態予測モデルとしての機械学習モデルを用いて、ステップＳ４３の処理で読み込まれた圧延対象の鋼板１における焼鈍・酸洗・冷間圧延条件を含む入力実績データとして、対応する冷間圧延中の鋼板１に対する非対称圧延状態値を求める。
　次に、予測モデル実行部７８の冷間圧延条件決定部７８Ｄが、ステップＳ４５の処理において、ステップＳ４４の処理で求められた鋼板１の非対称圧延状態値がステップＳ４２の処理で読み込まれた非対称圧延状態の判定閾値以内か否かを判定する。なお、計算の収束が十分でない場合は、実際にステップＳ４５の処理で実行可能な計算時間の範囲内で収束の繰り返し回数に上限を設けてもよい。なお、非対称圧延状態値が判定閾値以内であることは本発明における所定条件を満足することに相当する。
　そして、非対称圧延状態値が判定閾値以内と判定した場合（ステップＳ４５における判定結果がＹＥＳの場合）は、予測モデル実行部７８は処理を終了する。一方、非対称圧延状態値が判定閾値以内でないと判定した場合（ステップＳ４５における判定結果がＮｏの場合）には、予測モデル実行部７８は処理をステップＳ４６の処理に進める。
　ステップＳ４６の処理では、冷間圧延条件決定部７８Ｄが、ステップＳ４３の処理で読み込まれた圧延対象の鋼板１の冷間圧延条件（第１圧延スタンドにおける形状制御アクチュエータや潤滑クーラント流量、圧延速度、など）の一部を変更し、ステップＳ４７の処理に移行する。ステップＳ４７の処理では、予測モデル実行部７８の結果出力部７８Ｅが、出力装置９０を介して決定された冷間圧延条件の一部に関する情報を圧延制御装置７へ伝送する。
　ステップＳ４６の処理で冷間圧延条件の一部が変更されているときは、ステップＳ４７の処理では、冷間圧延条件決定部７８Ｄは、ステップＳ４７の処理で冷間圧延条件の一部、具体的にはワークロールや中間ロールのベンダー量やシフト量、圧延スタンドでの圧下位置（レベリング）、圧延スタンド入側の潤滑クーラント量、圧延速度の操作量が変更された圧延対象の鋼板１の冷間圧延条件を、最適化された鋼板１の冷間圧延条件として決定する。そして、冷間圧延条件決定部７８Ｄは、そのときの冷間圧延条件に基づいて圧延状態の操作量を決定する。圧延制御装置７は、冷間圧延段階において結果出力部７８Ｅから伝送された圧延状態に関する情報に基づいて冷間圧延条件を変更する。
　冷間圧延条件の変更量の算出方法として、冷間圧延条件決定部７８Ｄは、ステップＳ４４の処理で求められた非対称圧延状態値とステップＳ４２の処理で読み込まれた判定閾値との差異に基づいて、圧延対象の鋼板１の適切な冷間圧延条件を算出する。そして、冷間圧延条件決定部７８Ｄは、算出した冷間圧延条件とステップＳ４３の処理で読み込まれた圧延対象の鋼板１の冷間圧延条件とを比較してステップＳ４７の処理において冷間圧延条件を変更する。
　ステップＳ４３の処理に戻ると、圧延状態予測部７８Ｃは、冷間圧延条件の一部が変更された圧延対象の鋼板１の冷間圧延条件を読み込む。また、ステップＳ４４の処理において、圧延状態予測部７８Ｃは、圧延状態予測モデルとしての機械学習モデルにより、ステップＳ４３の処理で読み込まれた一部が変更された圧延対象の鋼板１の冷間圧延条件に対応する冷間圧延中の鋼板１の非対称圧延状態値を求める。また、ステップＳ４５の処理において、冷間圧延条件決定部７８Ｄは、ステップＳ４４の処理で求められた非対称圧延状態の制約判定値がステップＳ４２の処理で読み込まれた判定閾値以内か否かを判定する。そして、その判定結果がＹＥＳになるまでステップＳ４３、ステップＳ４４、ステップＳ４５、ステップＳ４６、及びステップＳ４７の一連の処理を繰り返し実行する。これにより、予測モデル実行部７８による処理（圧延状態制御決定ステップ）が終了する。
　以上の説明から明らかなように、本実施形態では、予測モデル作成部７７が、過去の鋼板１の焼鈍・酸洗・圧延を含む操業実績とその操業実績に対応する過去の非対称圧延実績とを結び付ける機械学習手法による圧延状態予測モデルを作成する。また、予測モデル実行部７８は、鋼板１の冷間圧延中に、作成された圧延状態予測モデルにより圧延対象の鋼板１の非対称圧延状態値を求める。そして、予測モデル実行部７８は、求められた非対称圧延状態値が閾値以内となるように圧延対象の鋼板１の冷間圧延条件を決定する。これにより、オペレータの経験や主観によらない、圧延操業における各種制約を満たす圧延制御が実施され、冷間圧延中の形状不良や破断等のトラブルを防止しながら生産性を維持できる。
〔変形例〕
　以上、本発明の実施形態について説明してきたが、本発明はこれに限定されずに種々の変更、改良を行うことができる。例えば、本実施形態では、圧延状態予測モデルによる鋼板１の圧延状態予測の反復及び冷間圧延条件の決定をコイル全長にわたって行うこととしたが、一部で行うこととしてもよい。また、冷間タンデム圧延機５としては、４段式に限定されず、２段式（２Ｈｉ）や６段式（６Ｈｉ）等の多重圧延機であってもよく、圧延スタンドの数にも特に限定はない。また、クラスター圧延機やゼンジミア圧延機であってもよい。
　また、演算ユニット８によって、冷間圧延条件の変更上下限界値を超える異常な制御量が算出される場合や制御量が算出できない場合に、圧延制御装置７は、演算ユニット８からの指令に基づく制御を実行できない。そこで、圧延制御装置７は、演算ユニット８からの制御量が異常と判定したり、演算ユニット８から制御量が供給されなかったりした場合等には、本実施を行わないようにするとよい。
　また、図２に示す構成例では、出力装置９０と操業監視装置９１は接続されていないが、両者は通信可能に接続されていてもよい。これにより、予測モデル実行部７８の処理結果（特に圧延状態予測部７８Ｃによる圧延中の鋼板１の圧延状態予測情報、及び冷間圧延条件決定部７８Ｄにより決定された変更後の冷間圧延条件）を操業監視装置９１の運転画面に表示することができる。
　以下、本発明を実施例に基づいて説明する。
　図１に示す実施形態の全５圧延スタンドからなる冷間タンデム圧延機を用い、母材厚２．０ｍｍ、板幅１０００ｍｍのＳｉおよびＡｌを含有する電磁鋼板用の素材鋼板を圧延材として仕上げ厚０．３００ｍｍまで冷間圧延する実験を行った。圧延油の原液としては、合成エステル油に植物油脂が添加された基油に対して油性剤及び酸化防止剤をそれぞれ１質量％ずつ添加し、また界面活性剤としてノニオン系界面活性剤を対油濃度で３質量％だけ添加したものを使用した。また、循環使用されるエマルション圧延油は、圧延油の濃度３．５質量％、平均粒子径５μｍ、温度５５℃のエマルション圧延油に調製した。
　事前学習として、まず、学習用データ（３０００件程度の過去の鋼板の焼鈍・酸洗・圧延実績データ）を用いて機械学習モデル（ＬｉｇｈｔＧＢＭ（Gradient Boosting Machine）による勾配ブースティング法）による学習を実施し、過去の鋼板の操業実績と過去の鋼板の第１圧延スタンドでの非対称圧延実績とを結び付け、鋼板の圧延状態の予測に用いる機械学習モデルを作成した。
　発明例では、過去の鋼板の操業実績データとして、焼鈍条件（ライン速度、炉温、ガス流量、露点、冷却量、板温）、酸洗条件（酸濃度、添加剤濃度、酸温度、ライン速度）および冷間圧延条件（ロール径、ロール材質、ロール初期粗度、ロールが挿入されてからの使用トン数、鋼板の変形抵抗、圧延荷重、圧延張力、エマルション性状、ワークロールの寸法・クラウン・粗さ情報、ベンダー量、及びワークロールシフト量）からなる情報を入力実績データとして用いた。過去の鋼板の非圧延実績データとして、第１圧延スタンドにおける差荷重、入側および出側差張力、圧下位置差の判定実績が学習された。冷間タンデム圧延機５にてロールギャップの調整を行い、鋼板の溶接点が通過した後、圧延制御装置７がオンとなった段階で、作成された機械学習モデルによる冷間圧延中の非対称圧延状態を予測した。そして、予測された非対称圧延状態が所定の閾値以下となるように冷間圧延条件を逐次変更して、冷間圧延条件を設定した。なお、単独の冷間圧延条件を変更する場合、入側クーラント流量、圧延位置差、圧延速度の何れであってもよいが、圧延位置差を変更した場合、許容範囲ではあるが１％の確率で破断が発生しており、入側クーラント流量、又は、圧延速度を変更することがより好ましい。
　比較例でも発明例と同様に、母材厚２．０ｍｍ、板幅１０００ｍｍのＳｉおよびＡｌを含有する電磁鋼板用の素材鋼板（圧延対象）を板厚０．３ｍｍまで冷間圧延する実験を行った。比較例では、目的変数として第１圧延スタンドにて非対称成分を有しない圧延実績（圧延和荷重、和張力）を過去の鋼板の操業実績データと結び付け、圧延状態の予測に用いるニューラルネットワークモデルを作成した。
　発明例及び比較例の１００コイル圧延後の鋼板の破断発生数を表１に示す。表１に示したように、比較例では圧延スタンドでの非対称圧延状態について十分な学習がなされなかったため、コイル長手で残存スケール状態が大きく変動した際に操業制約を超えて、絞り破断等のトラブルが発生した。
　以上のことから、本発明に係る冷間圧延方法及び冷間圧延機を用いて、鋼板の圧延中の非対称圧延状態を適切に予測し、その予測された非対称圧延状態値が予め設定された閾値以下となるように冷間圧延条件を逐次変更して圧延状態を決定することが好ましいことが確認された。また、これにより、本発明を適用することにより、冷間圧延中の形状不良や板破断等の製品トラブルを防止できるだけでなく、圧延工程や次工程以降の生産性の向上や品質の向上に大いに寄与できることが確認された。
　以上、本発明者らによってなされた発明を適用した実施の形態について説明したが、本実施形態による本発明の開示の一部をなす記述及び図面により本発明は限定されることはない。すなわち、本実施形態に基づいて当業者等によりなされる他の実施の形態、実施例、及び運用技術等は全て本発明の範疇に含まれる。
Figure JPOXMLDOC01-appb-T000001
　１　鋼板
　２　ペイオフリール
　３　焼鈍炉
　４　酸洗槽
　５　冷間タンデム圧延機
　６　コイラー
　７　圧延制御装置
　８　演算ユニット
　９　操業情報測定装置
　７１　演算装置
　７４　予測モデル作成プログラム
　７５　予測モデル実行プログラム
　７６　演算処理部
　７７　予測モデル作成部
　７７Ａ　学習用データ取得部
　７７Ｂ　第１データ前処理部
　７７Ｃ　モデル作成部
　７７Ｄ　結果保存部
　７８　予測モデル実行部
　７８Ａ　情報読取部
　７８Ｂ　第２データ変換部
　７８Ｃ　圧延状態予測部
　７８Ｄ　冷間圧延条件決定部
　７８Ｅ　結果出力部
　８８　入力装置
　８９　記憶装置
　９０　出力装置
　９１　操業監視装置
 

Claims (5)

  1. 　熱間圧延、焼鈍、酸洗処理が順次行われたＳｉ及びＡｌの合計含有量が３．０質量％以上の鋼板を冷間圧延する際の冷間圧延条件を、予測モデルを用いて設定する冷間圧延条件設定方法であって、
    　前記予測モデルは、過去の操業実績の内、圧延対象材の情報、焼鈍条件、酸洗条件、及び冷間圧延における第１圧延スタンドでのワークロール使用量を含む、冷間圧延条件を説明変数とし、第１圧延スタンドでの圧延実績の内、非対称成分を目的変数として学習された予測モデルであり、
    　圧延予定の圧延対象材に対する焼鈍条件、酸洗条件、及び冷間圧延における第１圧延スタンドでのワークロール使用量を含む、設定冷間圧延条件を前記予測モデルに入力することにより、前記第１圧延スタンドでの非対称成分を予測するステップと、
    　予測された前記非対称成分が予め定められた条件を満足するように前記設定冷間圧延条件を変更するステップとを含む、冷間圧延条件設定方法。
  2. 　請求項１に記載の冷間圧延条件設定方法により変更された設定冷間圧延条件により圧延対象材に冷間圧延を施す、冷間圧延方法。
  3. 　圧延対象材に対して、熱間圧延、焼鈍、酸洗処理を順次施し、次いで、請求項２に記載の冷間圧延方法により冷間圧延を施して冷延鋼板を製造する、冷延鋼板製造方法。
  4. 　熱間圧延、焼鈍、酸洗処理が順次行われたＳｉ及びＡｌの合計含有量が３．０質量％以上の鋼板を冷間圧延する際の冷間圧延条件を、予測モデルを用いて設定する冷間圧延条件算出装置であって、
    　前記予測モデルは、過去の操業実績の内、圧延対象材の情報、焼鈍条件、酸洗条件、及び冷間圧延における第１圧延スタンドでのワークロール使用量を含む、冷間圧延条件を説明変数とし、第１圧延スタンドでの圧延実績の内、非対称成分を目的変数として学習された予測モデルであり、
    　圧延予定の圧延対象材に対する焼鈍条件、酸洗条件、及び、冷間圧延における第１圧延スタンドでのワークロール使用量を含む、設定冷間圧延条件を前記予測モデルに入力することにより、前記第１圧延スタンドでの非対称成分を予測する予測手段と、
    　予測された前記非対称成分が予め定められた条件を満足するように前記設定冷間圧延条件を変更する変更手段とを備える、冷間圧延条件算出装置。
  5. 　請求項４に記載の冷間圧延条件算出装置を備える、冷間圧延機。
     
PCT/JP2023/046014 2023-04-06 2023-12-21 冷間圧延条件設定方法、冷間圧延方法、冷延鋼板製造方法、冷間圧延条件算出装置、及び冷間圧延機 Ceased WO2024209749A1 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
EP23932158.1A EP4647188A4 (en) 2023-04-06 2023-12-21 Cold rolling condition-setting method, cold rolling method, cold rolled steel sheet manufacturing method, cold rolling condition-calculating device, and cold rolling mill
MX2025011832A MX2025011832A (es) 2023-04-06 2023-12-21 Metodo de ajuste de la condicion de laminacion en frio, metodo de laminacion en frio, metodo de produccion de lamina de acero laminada en frio, dispositivo de calculo de la condicion de laminacion en frio, y laminadora en frio
KR1020257025859A KR20250130827A (ko) 2023-04-06 2023-12-21 냉간 압연 조건 설정 방법, 냉간 압연 방법, 냉연 강판 제조 방법, 냉간 압연 조건 산출 장치 및, 냉간 압연기
CN202380096711.0A CN120981304A (zh) 2023-04-06 2023-12-21 冷轧条件设定方法、冷轧方法、冷轧钢板制造方法、冷轧条件计算装置以及冷轧机
JP2024522149A JP7609337B1 (ja) 2023-04-06 2023-12-21 冷間圧延条件設定方法、冷間圧延方法、冷延鋼板製造方法、冷間圧延条件算出装置、及び冷間圧延機

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2023-062371 2023-04-06
JP2023062371 2023-04-06

Publications (1)

Publication Number Publication Date
WO2024209749A1 true WO2024209749A1 (ja) 2024-10-10

Family

ID=92971653

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/046014 Ceased WO2024209749A1 (ja) 2023-04-06 2023-12-21 冷間圧延条件設定方法、冷間圧延方法、冷延鋼板製造方法、冷間圧延条件算出装置、及び冷間圧延機

Country Status (7)

Country Link
EP (1) EP4647188A4 (ja)
JP (1) JP7609337B1 (ja)
KR (1) KR20250130827A (ja)
CN (1) CN120981304A (ja)
MX (1) MX2025011832A (ja)
TW (1) TWI893605B (ja)
WO (1) WO2024209749A1 (ja)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009013432A (ja) * 2007-06-29 2009-01-22 Kobe Steel Ltd 表面性状にすぐれた高Ｓｉ熱延鋼板の製造方法
CN104942015A (zh) * 2015-06-19 2015-09-30 中冶南方工程技术有限公司 一种冷轧机组中酸洗工艺段智能控制方法和系统
US20190361409A1 (en) * 2016-09-13 2019-11-28 Primetals Technologies Germany Gmbh Use of comprehensive artificial intelligence in primary industry plants
JP2020059050A (ja) 2018-10-11 2020-04-16 日本製鉄株式会社 圧延設備及び鋼板の圧延方法
CN111563686A (zh) * 2020-05-13 2020-08-21 中冶南方工程技术有限公司 一种基于全流程数据的冷轧硅钢质量判定方法
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
WO2022172524A1 (ja) * 2021-02-15 2022-08-18 Ｊｆｅスチール株式会社 冷間圧延機の圧延条件算出方法、冷間圧延機の圧延条件算出装置、冷間圧延方法、冷間圧延機、及び鋼板の製造方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009013432A (ja) * 2007-06-29 2009-01-22 Kobe Steel Ltd 表面性状にすぐれた高Ｓｉ熱延鋼板の製造方法
CN104942015A (zh) * 2015-06-19 2015-09-30 中冶南方工程技术有限公司 一种冷轧机组中酸洗工艺段智能控制方法和系统
US20190361409A1 (en) * 2016-09-13 2019-11-28 Primetals Technologies Germany Gmbh Use of comprehensive artificial intelligence in primary industry plants
JP2020059050A (ja) 2018-10-11 2020-04-16 日本製鉄株式会社 圧延設備及び鋼板の圧延方法
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
CN111563686A (zh) * 2020-05-13 2020-08-21 中冶南方工程技术有限公司 一种基于全流程数据的冷轧硅钢质量判定方法
WO2022172524A1 (ja) * 2021-02-15 2022-08-18 Ｊｆｅスチール株式会社 冷間圧延機の圧延条件算出方法、冷間圧延機の圧延条件算出装置、冷間圧延方法、冷間圧延機、及び鋼板の製造方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4647188A1

Also Published As

Publication number Publication date
JPWO2024209749A1 (ja) 2024-10-10
EP4647188A1 (en) 2025-11-12
CN120981304A (zh) 2025-11-18
KR20250130827A (ko) 2025-09-02
TW202440244A (zh) 2024-10-16
JP7609337B1 (ja) 2025-01-07
MX2025011832A (es) 2025-11-03
EP4647188A4 (en) 2026-05-06
TWI893605B (zh) 2025-08-11

Similar Documents

Publication Publication Date Title
WO2022172524A1 (ja) 冷間圧延機の圧延条件算出方法、冷間圧延機の圧延条件算出装置、冷間圧延方法、冷間圧延機、及び鋼板の製造方法
EP4309816B1 (en) Method for setting rolling condition for cold rolling mill, cold rolling method, method for manufacturing steel sheet, device for setting rolling condition for cold rolling mill, and cold rolling mill
JP4990747B2 (ja) 調質圧延方法
EP4252928B1 (en) Cold rolling method, cold rolling mill, and steel sheet manufacturing method
JP7047988B1 (ja) 冷間圧延機のチャタリング検出方法、冷間圧延機のチャタリング検出装置、冷間圧延方法、冷間圧延機、及び鋼板の製造方法
WO2022172525A1 (ja) 冷間圧延機のチャタリング検出方法、冷間圧延機のチャタリング検出装置、冷間圧延方法、冷間圧延機、及び鋼板の製造方法
JP7609337B1 (ja) 冷間圧延条件設定方法、冷間圧延方法、冷延鋼板製造方法、冷間圧延条件算出装置、及び冷間圧延機
JP7230880B2 (ja) 圧延荷重予測方法、圧延方法、熱延鋼板の製造方法、及び圧延荷重予測モデルの生成方法
JP7294242B2 (ja) 表面粗さの予測方法、鋼帯の製造方法および学習済の機械学習モデルの生成方法
US20250315019A1 (en) Cold rolling mill rolling condition setting method, cold rolling method, steel sheet manufacturing method, cold rolling mill rolling condition setting device, and cold rolling mill
JP7513222B1 (ja) 鋼板の冷間圧延方法、冷延鋼板の製造方法、及び冷延鋼板の製造設備
JP2007203303A (ja) 冷間圧延における形状制御方法
US12617009B2 (en) Cold rolling mill rolling condition setting method, cold rolling method, steel sheet manufacturing method, cold rolling mill rolling condition setting device, and cold rolling mill
JP2025092957A (ja) 鋼板の冷間圧延方法、冷延鋼板の製造方法、及び冷延鋼板の製造設備
JP3832216B2 (ja) 冷間タンデム圧延における板幅制御方法
WO2025126558A1 (ja) 鋼板の冷間圧延方法、冷延鋼板の製造方法および冷延鋼板の製造設備
JP6152835B2 (ja) 鋼帯の調質圧延設備および調質圧延方法

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 2024522149

Country of ref document: JP

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23932158

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 202517068251

Country of ref document: IN

ENP Entry into the national phase

Ref document number: 1020257025859

Country of ref document: KR

Free format text: ST27 STATUS EVENT CODE: A-0-1-A10-A15-NAP-PA0105 (AS PROVIDED BY THE NATIONAL OFFICE)

WWE Wipo information: entry into national phase

Ref document number: 1020257025859

Country of ref document: KR

WWP Wipo information: published in national office

Ref document number: 202517068251

Country of ref document: IN

WWE Wipo information: entry into national phase

Ref document number: 2501006572

Country of ref document: TH

WWE Wipo information: entry into national phase

Ref document number: MX/A/2025/011832

Country of ref document: MX

WWP Wipo information: published in national office

Ref document number: MX/A/2025/011832

Country of ref document: MX

NENP Non-entry into the national phase

Ref country code: DE

WWP Wipo information: published in national office

Ref document number: 2023932158

Country of ref document: EP