JP7468466B2 - 冷間圧延機の圧延条件設定方法、冷間圧延方法、鋼板の製造方法、冷間圧延機の圧延条件設定装置、及び冷間圧延機 - Google Patents

Description

本発明は、冷間圧延機の圧延条件設定方法、冷間圧延方法、鋼板の製造方法、冷間圧延機の圧延条件設定装置、及び冷間圧延機に関する。

一般に、冷延薄鋼鈑等の圧延材を冷間圧延する際には、圧延材の長手方向及び幅方向の厚み精度を良好に保ちながら圧延材の形状（又は平坦度）を良好にすることにより、圧延材の通板性を安定化させた状態で冷間圧延が行われることが望ましい。一方で、軽量化による燃費抑制等を目的として、高負荷、且つ、圧延前板厚の薄い薄物硬質材等の難圧延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時には、圧延負荷を抑えるために、難圧延材は前工程の熱間圧延にて薄引きされた後に冷間圧延工程に送られる。

近年、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。ところが、上記のような難圧延材の冷間圧延時には、長手方向に沿って板クラウン（幅方向の厚み分布）が大きく変動することがある。長手方向に沿って板クラウンが大きく変動した際には、圧延荷重（及び付随して計算される先進率やトルク）をはじめ、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によって吸収できない場合が多い。

従って、このような場合には、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、オペレータの経験や主観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、学習結果を用いて冷間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、特許文献２には、冷間圧延機の入側で測定された板厚プロフィールを用いてエッジドロップのフィードフォワード制御を行う方法が提案されている。

特許第６７０５５１９号公報 特許第４７８４３２０号公報

しかしながら、特許文献１に記載の方法では、ミルセットアップ時点で冷間圧延機が最適な操業条件となったとしても、長手方向に沿って板クラウンが変動した場合には、冷間圧延機の出側における圧延材の形状が大きく変動し、形状不良による圧延速度の制限や、最悪の場合、圧延材の破断が発生する可能性がある。一方、特許文献２に記載の方法では、板厚プロフィールが長手方向の１断面のみであること及び線形回帰式を用いてエッジドロップを予測していることから、同じく長手方向に沿って板クラウンが変動する場合に対応することができない。

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、且つ、圧延前板厚の薄い難圧延材を圧延する際にも冷間圧延の安定性を確保しつつ生産性よく冷間圧延する圧延条件を設定可能な冷間圧延機の圧延条件設定方法及び圧延条件設定装置を提供することにある。また、本発明の他の目的は、高負荷、且つ、圧延前板厚の薄い難圧延材を冷間圧延する際にも冷間圧延の安定性を確保しつつ生産性よく冷間圧延可能な冷間圧延方法及び冷間圧延機を提供することにある。また、本発明の他の目的は、鋼板を歩留まりよく製造可能な鋼板の製造方法を提供することにある。

本発明に係る冷間圧延機の圧延条件設定方法は、圧延対象材の冷間圧延後の状態を予測する予測モデルを用いて該圧延対象材を冷間圧延する際の冷間圧延機の目標圧延条件を設定する冷間圧延機の圧延条件設定方法であって、前記予測モデルは、前記冷間圧延機の入側における圧延材の冷間圧延前データを含む過去の圧延実績データを多次元データに変換した第１多次元データを説明変数とし、前記冷間圧延機の出側における圧延材の冷間圧延後データを目的変数として生成されたものであり、前記冷間圧延機の入側における前記圧延対象材の冷間圧延前データと前記冷間圧延機の目標圧延条件とを含む情報から生成した第２多次元データを前記予測モデルに入力することにより、前記冷間圧延機の出側における前記圧延対象材の圧延後の形状を推定するステップと、推定された前記圧延後の形状が所定条件を満足するように前記冷間圧延機の目標圧延条件を変更するステップと、を含むことを特徴とする。

本発明に係る冷間圧延機の圧延条件設定方法は、上記発明において、前記冷間圧延前データには、前記冷間圧延機の入側における鋼板の厚み情報及び温度情報の少なくとも一方が含まれることを特徴とする。

本発明に係る冷間圧延機の圧延条件設定方法は、上記発明において、前記冷間圧延後データには、前記冷間圧延機の出側における鋼板の形状から算出される形状パラメータが含まれることを特徴とする。

本発明に係る冷間圧延方法は、本発明に係る冷間圧延機の圧延条件設定方法を用いて変更された冷間圧延機の目標圧延条件を用いて圧延対象材を冷間圧延するステップを含むことを特徴とする。

本発明に係る鋼板の製造方法は、本発明に係る冷間圧延方法を用いて鋼板を製造するステップを含むことを特徴とする。

本発明に係る冷間圧延機の圧延条件設定装置は、圧延対象材の冷間圧延後の状態を予測する予測モデルを用いて圧延対象材を冷間圧延する際の冷間圧延機の目標圧延条件を設定する冷間圧延機の圧延条件設定装置であって、前記予測モデルは、前記冷間圧延機の入側における圧延材の冷間圧延前データを含む過去の圧延実績データを多次元データに変換した第１多次元データを説明変数とし、前記冷間圧延機の出側における圧延材の冷間圧延後データを目的変数として生成されたものであり、前記冷間圧延機の入側における前記圧延対象材の冷間圧延前データと前記冷間圧延機の目標圧延条件とを含む情報から生成した第２多次元データを前記予測モデルに入力することにより、前記冷間圧延機の出側における前記圧延対象材の圧延後の形状を推定する手段と、推定された前記圧延後の形状が所定条件を満足するように前記冷間圧延機の目標圧延条件を変更する手段と、を備えることを特徴とする。

本発明に係る冷間圧延機の圧延条件設定装置は、上記発明において、前記冷間圧延前データには、前記冷間圧延機の入側における鋼板の厚み情報及び温度情報の少なくとも一方が含まれることを特徴とする。

本発明に係る冷間圧延機の圧延条件設定装置は、上記発明において、前記冷間圧延後データには、前記冷間圧延機の出側における鋼板の形状から算出される形状パラメータが含まれることを特徴とする。

本発明に係る冷間圧延機は、本発明に係る冷間圧延機の圧延条件設定装置を備えることを特徴とする冷間圧延機。

本発明に係る冷間圧延機の圧延条件設定方法及び圧延条件設定装置によれば、高負荷、且つ、圧延前板厚の薄い難圧延材を冷間圧延する際にも冷間圧延の安定性を確保しつつ生産性よく冷間圧延する圧延条件を設定することができる。また、本発明に係る冷間圧延方法及び冷間圧延機によれば、高負荷、且つ、圧延前板厚の薄い難圧延材を冷間圧延する際にも冷間圧延の安定性を確保しつつ生産性よく冷間圧延することができる。また、本発明に係る鋼板の製造方法によれば、鋼板を歩留まりよく製造することができる。

図１は、本発明の一実施形態である冷間圧延機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、多次元配列情報の一例を示す図である。 図４は、形状制御予測モデルの構成例を示す図である。 図５は、多次元配列情報を一次元情報に変換する処理の流れを示すフローチャートである。 図６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機の圧延条件設定方法、冷間圧延方法、鋼板の製造方法、冷間圧延機の圧延条件設定装置、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したものであって、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限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や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冷間圧延機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。また、以下の説明では、冷間圧延機によって圧延される圧延材（圧延対象材）として鋼板を例に挙げる。但し、圧延材は、鋼板に限定されることはなく、アルミニウム板等のその他の金属板でも適用可能である。

図１は、本発明の一実施形態である冷間圧延機の構成を示す模式図である。図１に示すように、本発明の一実施形態である冷間圧延機１は、鋼板Ｓの入側（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る冷間タンデム圧延機である。この冷間圧延機１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Ｓの搬送装置等は特に限定されず、適宜公知の技術を適用できる。

冷間圧延機１の各圧延スタンドにはエマルション圧延油（以降の説明で「エマルション圧延油」を単に「圧延油」と称することがある）ＯＬが供給される。冷間圧延機１は、圧延油貯留タンクとして、ダーティタンク（回収用タンク）２及びクリーンタンク３を備え、これらのタンクから供給された圧延油ＯＬが供給ライン１１を通って各圧延スタンドに供給される。

ダーティタンク２には、第１～第５圧延スタンドの下方に配置されたオイルパン５により回収された圧延油、すなわち冷間圧延で使用された圧延油が戻り配管６を通って流入する。

クリーンタンク３に貯留される圧延油ＯＬは、温水（希釈水）と圧延油の原液（界面活性剤が添加されている）とを混合することによって生成された圧延油である。この混合された温水と圧延油の原液は、撹拌機７の撹拌羽の回転数を調整することにより、つまり撹拌度合を調整することにより、目的とする所望の平均粒子径や濃度範囲を有する圧延油ＯＬとされる。

圧延油の原液としては、通常の冷間圧延に用いられるものが適用でき、例えば天然油脂、脂肪酸エステル、及び炭化水素系合成潤滑油のうちのいずれかを基油としたものを用いることができる。さらに、これらの圧延油には、油性向上剤、極圧添加剤、及び酸化防止剤等の通常の冷間圧延油に用いられる添加剤を加えてもよい。

圧延油に添加される界面活性剤としては、イオン系及び非イオン系のいずれを用いてもよく、通常の循環式クーラントシステム（循環式圧延油供給方式）で使用されるものを用いればよい。そして、圧延油の原液を好ましくは濃度２～８質量％、より好ましくは濃度３～６．０質量％に希釈し、界面活性剤を用いて水に油が分散したＯ／Ｗエマルション圧延油とすればよい。なお、圧延油の平均粒子径は、好ましくは１５μｍ以下、より好ましくは３～１０μｍとする。

操業開始以降は、ダーティタンク２に回収された圧延油が、鉄粉量制御装置等からなる鉄粉除去装置８を介してクリーンタンク３に流入する。ダーティタンク２に回収された圧延油には、圧延ロールと鋼板Ｓとの間の摩擦で発生した摩耗粉（鉄粉）が含有されている。そこで、鉄粉除去装置８は、回収された圧延油の油溶鉄分がクリーンタンク３に貯留される圧延油ＯＬとして許容される油溶鉄分となるように摩耗粉を除去する。

鉄粉除去装置８を介したダーティタンク２側からクリーンタンク３側への圧延油の移動は、連続的に行われてもよいし、間欠的に行われてもよい。鉄粉除去装置８としては、電磁フィルターやマグネットセパレータ等のマグネットフィルターを用いて鉄粉を吸着して除去するものが好ましいが、これに限らない。鉄粉除去装置８は、遠心分離等の方法を用いた公知の装置であってもよい。

ところで、圧延スタンドに供給された圧延油の一部は、鋼板Ｓによって系外に持ち出されたり、蒸発によって失われたりする。このため、クリーンタンク３内の圧延油ＯＬの貯留レベルや濃度が所定範囲内となるように、クリーンタンク３は原液タンク（不図示）から圧延油の原液が適宜補給（供給）される構成となっている。また、圧延油の希釈のための温水も適宜、クリーンタンク３に補給（供給）される。なお、クリーンタンク３内のエマルション圧延油ＯＬの貯留レベルや濃度は、不図示のセンサで測定可能となっている。

次に、冷間圧延機１の圧延油供給系統について詳細を説明する。冷間圧延機１の圧延油供給系統は、ダーティタンク２、鉄粉除去装置８、クリーンタンク３、及びクリーンタンク３から圧延油ＯＬを吸い上げるポンプ９を備えている。なお、クリーンタンク３とポンプ９との間に異物除去のためのストレーナを配置してもよい。

冷間圧延機１の圧延油供給系統は、クリーンタンク３に一端部を接続した供給ライン１１と、供給ライン１１の他端部（圧延機側）で分岐して、各圧延スタンドに対応する位置にそれぞれ配置された５組の潤滑用クーラントヘッダー１２及び５組の冷却用クーラントヘッダー１３を備えている。

各潤滑用クーラントヘッダー１２は、圧延スタンドの入側に配置され、それぞれ設けられたスプレーノズルからロールバイトに向けて潤滑油としての圧延油ＯＬを噴射することにより、ロールバイトやワークロールに潤滑油を供給する。冷却用クーラントヘッダー１３は、圧延スタンドの出側に配置され、それぞれ設けられたスプレーノズルから圧延ロールに向けて圧延油ＯＬを噴射することにより、圧延ロールを冷却する。

このような構成により、クリーンタンク３内のエマルション圧延油ＯＬが、ポンプ９によって供給ライン１１に圧送され、各圧延スタンドに配置された潤滑用クーラントヘッダー１２及び冷却用クーラントヘッダー１３に供給され、それぞれ設けられたスプレーノズルから噴射部位に供給される。また、圧延ロールに供給されたエマルション圧延油ＯＬは、鋼板Ｓによって系外に持ち出されたり、蒸発によって失われたりしたものを除いて、オイルパン５で回収され、戻り配管６を介してダーティタンク２内に戻される。その後、ダーティタンク２内に貯留されたエマルション圧延油の一部は、鉄粉除去装置８を用いて冷間圧延により発生した油溶鉄分を一定量除去された後にクリーンタンク３内に戻される。

以上の圧延油供給系統によって、摩耗分の除去処理が行われた圧延油が、圧延ロールに対し循環供給されることになる。すなわち、供給されたエマルション圧延油が循環使用される。なお、クリーンタンク３は、従来の循環給油方式での循環用の圧延油タンクに対応し、上述のように、適宜、クリーンタンク３に圧延油の原液が補給（供給）される。

〔形状制御予測モデル〕
次に、図１～図６を参照して、本発明の一実施形態である形状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形状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１００、演算ユニット２００、及び鋼板情報測定装置３００によって実現される。

圧延制御装置１００は、演算ユニット２００からの制御信号に基づいて冷間圧延機１の圧延条件を制御する。

図２は、図１に示す演算ユニット２００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２００は、演算装置２１０、入力装置２２０、記憶装置２３０、及び出力装置２４０を備えている。

演算装置２１０は、バス２５０を介して入力装置２２０、記憶装置２３０、及び出力装置２４０と有線接続されている。但し、演算装置２１０、入力装置２２０、記憶装置２３０、及び出力装置２４０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、有線接続と無線接続とを組み合わせた態様で接続されてもよい。

入力装置２２０は、圧延制御装置１００による冷間圧延機１の制御情報や鋼板情報測定装置３００によって測定された圧延入側鋼板情報（冷間圧延機１の入側における鋼板Ｓに関する情報（例えば鋼種、圧延前の板厚、板幅等））、及び操業監視装置４００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４００からの情報としては、形状制御予測モデルの実行指令情報、圧延対象の鋼板Ｓ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２３０は、例えばハードディスクドライブ、半導体ドライブ、光学ドライブ等により構成され、本システムにおいて必要な情報（後述する予測モデル生成部２１４及び予測モデル実行部２１５の機能の実現に必要な情報）を記憶する装置である。

予測モデル生成部２１４の機能の実現に必要な情報としては、例えば、鋼板情報測定装置３００によって測定された圧延入側鋼板情報、鋼板Ｓの要求特性（鋼種、製品の板厚、板幅等）や冷間圧延機１の設備制約、鋼板Ｓの溶接点通過後の圧延情報（コイル情報、形状アクチュエータ位置を含む）、圧延スタンドで使用されるクーラント性状、圧延条件（目標圧延速度を含む）等の冷間圧延に関連する説明変数、及び圧延出側鋼板情報(出側鋼板形状の１～４次成分、急峻度、エッジドロップ比率（鋼板端部の板厚減少率）等の形状パラメータを含む)等の冷間圧延に関連する目的変数を示す情報が含まれる。

なお、出側鋼板形状の１～４次成分であるΛ１～Λ４は以下に示す数式（１）～（４）を用いて算出することができる。すなわち、対称成分を表す形状パラメータΛ２，Λ４は以下に示す数式（１），（２）により算出され、非対称成分を表す形状パラメータΛ１，Λ３は以下に示す数式（３），（４）により算出される。但し、数式（１）～（４）におけるパラメータλ１～λ４は、鋼板形状Ｙとして伸び率を取り、幅方向には板幅で無次元した座標ｘ（－１≦ｘ≦１）を取り、鋼板形状Ｙを以下の数式（５）に示す４次式関数で近似したときの係数を示す。また、急峻度とは、圧延後の鋼板Ｓの波の高さδとそのピッチＰを用いてλ＝δ／Ｐで定義される値である。

予測モデル実行部２１５の機能の実現に必要な情報としては、例えば予測モデル生成部２１４によって生成された鋼板Ｓの圧延状態毎の形状制御予測モデル及び形状制御予測モデルに入力される各種情報及び形状制約条件が挙げられる。ここで、形状制約条件とは、冷間圧延機１の出側における鋼板形状の合否を判定する基準となる条件であり、例えば上述した出側鋼板形状の１～４次成分、急峻度、エッジドロップ比率のそれぞれに対して合格と判定される範囲が予め適宜設定される。

出力装置２４０は、演算装置２１０からの制御信号を圧延制御装置１００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４００は、液晶ディスプレイや有機ディスプレイ等の任意の表示装置を備えている。操業監視装置４００は、圧延制御装置１００から冷間圧延機１の操業状態を示す各種情報を受信し、受信した情報をオペレータが冷間圧延機１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２１０は、ＲＡＭ（Random Access Memory）２１１、ＲＯＭ（Read Only Memory）２１２、及び演算処理部２１３を備えている。

ＲＯＭ２１２は、コンピュータプログラムである予測モデル生成プログラム２１２ａ及び予測モデル実行プログラム２１２ｂを記憶している。

演算処理部２１３は、演算処理機能を有し、バス２５０を介してＲＡＭ２１１及びＲＯＭ２１２と接続されている。

ＲＡＭ２１１、ＲＯＭ２１２、及び演算処理部２１３は、バス２５０を介して入力装置２２０、記憶装置２３０、及び出力装置２４０に接続されている。

演算処理部２１３は、機能ブロックとして、予測モデル生成部２１４及び予測モデル実行部２１５を備えている。

予測モデル生成部２１４は、冷間圧延機１における過去の圧延実績のうち、鋼板Ｓの圧延前データ及び圧延条件と、過去の圧延実績のうち、各圧延前データに対応する鋼板Ｓの圧延後データとを結び付ける機械学習手法による形状制御予測モデルを生成する処理部である。機械学習手法による形状制御予測モデルとして、本実施形態では、ニューラルネットワークモデルを用いる。但し、機械学習手法は、ニューラルネットワークに限定されず、他の公知の機械学習手法を採用しても構わない。

予測モデル生成部２１４は、学習用データ取得部２１４ａ、前処理部２１４ｂ、第１データ変換部２１４ｃ、モデル生成部２１４ｄ、及び結果保存部２１４ｅを備えている。予測モデル生成部２１４は、操業監視装置４００から形状制御予測モデルの生成の指示を受けた際に、ＲＯＭ７３に記憶されている予測モデル生成プログラム２１２ａを実行することにより、学習用データ取得部２１４ａ、前処理部２１４ｂ、第１データ変換部２１４ｃ、モデル生成部２１４ｄ、及び結果保存部２１４ｅとして機能する。形状制御予測モデルは、予測モデル生成部２１４が実行する度に更新される。

学習用データ取得部２１４ａは、形状制御予測モデルの生成のための事前処理として、過去の圧延実績データのうち、鋼板情報測定装置３００からの圧延入側鋼板情報と圧延条件を入力実績データ（説明変数）とし、圧延出側鋼板情報を出力実績データ（目的変数）とした、複数の学習用データを取得する。具体的には、学習用データ取得部２１４ａは、圧延機入側で測定された鋼板Ｓの幅方向及び長手方向の板厚情報及び温度情報の少なくとも一方と当該コイルでの過去の圧延実績を入力実績データとし、その入力実績データを用いた冷間圧延時の冷間圧延機１の出側における鋼板形状から算出される形状パラメータを出力実績データとした、複数の学習用データを取得する。学習用データ取得部２１４ａは、記憶装置２３０から上記の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２３０に記憶される。学習用データ取得部２１４ａは、記憶装置２３０に学習用データを記憶させることなく、前処理部２１４ｂやモデル生成部２１４ｄに学習用データを供給してもよい。

入力実績データには、説明変数を時間方向に連結した多次元配列情報が含まれる。本実施形態では、多次元配列情報として、図３（ａ）～（ｃ）に示すような情報を採用する。

図３（ａ）は鋼板情報測定装置３００の測定点が１つである場合の例を示す。この場合、学習用データ取得部２１４ａは、鋼板Ｓの長手方向に対して連続的に測定された測定点に対して、鋼板Ｓの幅方向にデータを複製し、縦列（垂直方向）が幅方向、横列（水平方向）が採取ピッチとなる配列を作成し、さらに当該コイルの情報及び過去の圧延実績より選択される説明変数を連結させた多次元配列情報を作成して入力実績データとする。縦列、横列、及び説明変数の列数は特に限定されない。

図３（ｂ）は、鋼板情報測定装置３００の測定点を鋼板Ｓの幅方向に対して走査する場合の例を示す。この場合、学習用データ取得部２１４ａは、鋼板Ｓの長手方向に対して連続的、且つ、波状に測定された測定点に対して、鋼板Ｓの長手方向にデータを複製する。図３（ａ）に示した例と同様、説明変数を連結させた多次元配列情報が作成され、入力実績データとなる。

図３（ｃ）は、鋼板情報測定装置３００の測定点が鋼板Ｓの幅方向に複数ある場合の例を示す。この場合、学習用データ取得部２１４ａは、鋼板Ｓの長手方向に対して連続的に測定された測定点群に対して、図３（ａ）に示した例と同様、説明変数を連結させることにより多次元配列情報を作成して入力実績データとする。

なお、鋼板情報測定装置３００により測定される情報は板厚及び温度情報の少なくとも一方とする。板厚計の測定手法は特に限定されず、接触式でも非接触式（γ線、Ｘ線等）でもよい。温度計も同様に限定されず、接触式でも放射温度計のような非接触式でもよい。また、鋼板情報測定装置３００が温度計である場合は、鋼板Ｓに温度を付与するための鋼板加熱装置を上流側に設置してもよい。

なお、記憶装置２３０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２１４ａは、オペレータに対して１回又は複数回、形状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２３０に記憶されている学習用データの数が多いほど形状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２１４ａは、データ数が閾値に至るまでオペレータに対して、形状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。

前処理部２１４ｂは、学習用データ取得部２１４ａが取得した学習用データを形状制御予測モデル生成用に加工する。具体的には、前処理部２１４ｂは、学習用データを構成する圧延実績データをニューラルネットワーク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。

入力実績データは多次元情報である。このため、第１データ変換部２１４ｃは、畳み込みニューラルネットワークを用いて特徴量を残した状態で入力実績データを次元圧縮し、一次元情報とする（図４参照）。入力実績データは、一次元情報となった状態で図４に示すニューラルネットワークモデルの入力層５０１に結合される。

ここで、図５を参照して、第１データ変換部２１４ｃの処理例について説明する。図５は、多次元配列情報を一次元情報に変換する処理の流れを示すフローチャートである。図５に示すように、多次元配列情報を一次元情報に変換する処理、すなわち多次元配列情報の格納方法は、複数のフィルターの入出力が多段に繋がれた構造を有している。すなわち、多次元配列情報を一次元情報に変換する処理は、入力側から順番に、第１畳み込みステップＳ１、第１プーリングステップＳ２、第２畳み込みステップＳ３、第２プーリングステップＳ４、及び全結合ステップＳ５を含む。

第１畳み込みステップＳ１では、第１データ変換部２１４ｃが、横６４×縦６４の多次元配列情報を入力とし、畳み込み演算によって６４×６４の第１特徴マップを出力する。第１特徴マップは、入力配列のどの箇所にどのような局所的な特徴があるのかを示す。畳み込み演算では、例えば横３×縦３ピクセル、３２チャンネルのフィルターとし、フィルターの適用間隔を１、周辺を０で埋める（パッディング）長さを１とする。

第１プーリングステップＳ２では、第１データ変換部２１４ｃが、第１畳み込みステップＳ１により出力された第１特徴マップを入力とし、第１特徴マップの横３×縦３ピクセル内での最大値を新たな１ピクセルとする。第１データ変換部２１４ｃは、係る操作を、ピクセルをずらしながらマップ全体にわたり実施する。これにより、第１プーリングステップＳ２では、第１データ変換部２１４ｃは、第１特徴マップを圧縮した第２特徴マップを出力する。

第２畳み込みステップＳ３では、第１データ変換部２１４ｃが、第２特徴マップを入力とし、畳み込み演算によって第３特徴マップを出力する。畳み込み演算では、例えば横３×縦３ピクセル、３２チャンネルのフィルターとし、フィルターの適用間隔を１、周辺を０で埋める（パッディング）長さを１とする。

第２プーリングステップＳ４では、第１データ変換部２１４ｃが、第２畳み込みステップＳ３により出力された第３特徴マップを入力とし、第３特徴マップの横３×縦３ピクセル内での最大値を新たな１ピクセルとする。第１データ変換部２１４ｃは、係る操作を、ピクセルをずらしながらマップ全体にわたり実施する。これにより、第２プーリングステップＳ４では、第１データ変換部２１４ｃは、第３特徴マップを圧縮した第４特徴マップを出力する。

全結合ステップＳ５では、第１データ変換部２１４ｃが、第２プーリングステップＳ４により出力された第４特徴マップの情報を一列に配列する。そして、全結合ステップＳ５から出力された１００個のニューロンは図４に示すニューラルネットワークモデルの入力層５０１となる。なお、畳み込みの手法や出力ニューロン数は上記に限定されない。また、畳み込みニューラルネットワークの手法としてはＧｏｏｇｌｅＮｅｔやＶＧＧ１６、ＭＯＢＩＬＥＮＥＴ、ＥＦＦＩＣＩＥＮＴＮＥＴ等の既知のモデルを用いてもよい。

図２に戻る。モデル生成部２１４ｄは、前処理部２１４ｂが取得した複数の学習用データを用いた機械学習（第１データ変換部７７Ｃで変換された情報も含む）によって、圧延入側鋼板情報や説明変数（当該コイル情報や過去圧延実績）を入力実績データとして含み、圧延出側鋼板情報を出力実績データとする形状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、モデル生成部２１４ｄは、形状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生成する。すなわち、モデル生成部２１４ｄは、形状制御予測モデル生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（圧延入側鋼板情報を含む圧延実績データ）と出力実績データ（圧延出側鋼板情報）とを結び付ける形状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生成する。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、モデル生成部２１４ｄは、ニューラルネットワーク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、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、モデル生成部２１４ｄ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生成し、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、各隠れ層のニューロン数、各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、モデル生成部２１４ｄは演算装置２１０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、形状制御予測モデルを予め生成して保存しておき、それら適宜読み出しても構わない。

図４に示すように、本実施形態における形状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は、入力側から順に、入力層５０１、中間層５０２、及び出力層５０３を備えている。

図３で作成された多次元配列情報は、学習用データ取得部２１４ａによって畳み込みニューラルネットワークを用いて特徴量を残した状態で次元圧縮され、一次元情報となった状態で入力層５０１に格納される。

中間層５０２は複数の隠れ層で構成され、各々の隠れ層には複数のニューロンが配置されている。中間層５０２内に構成される隠れ層の数や各隠れ層に配置されるニューロンの数は特に限定されない。中間層５０２では、あるニューロンから続く隠れ層へのニューロンの伝達は、重み係数による変数の重み付けと共に、活性化関数を介して行われる。活性化関数にはシグモイト関数やハイパボリックタンジェント関数、あるいはランプ関数を用いることができる。

出力層５０３は、中間層５０２により伝達されたニューロンの情報が結合され、最終的な冷間圧延に対する形状制約判定値として出力される。出力層５０３内に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Ｓの冷間圧延時の圧延実績（圧延入側鋼板情報及び操業条件）とその時の圧延制約実績（板形状判定）とに基づき、ニューラルネットワーク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。

ニューラルネットワークモデルの重み係数が学習された後、モデル生成部２１４ｄは、評価用データ（形状制御予測モデルを用いた圧延対象となる鋼板Ｓの圧延条件実績）を、この重み係数が学習されたニューラルネットワークモデルに入力して、評価用データに対する推定結果を得る。

図２に戻る。結果保存部２１４ｅは、学習用データ、評価用データ、ニューラルネットワークモデルのパラメータ（重み係数）、学習用データに対するニューラルネットワークモデルの出力結果、及び評価用データに対するニューラルネットワークモデルの出力結果を記憶装置２３０に記憶させる。

予測モデル実行部２１５は、鋼板Ｓの冷間圧延中に、予測モデル生成部２１４で生成された形状制御予測モデルを用いて圧延対象の鋼板Ｓの圧延条件に対応する冷間圧延後の鋼板Ｓの形状パラメータを予測する。そして、予測モデル実行部２１５は、圧延対象の鋼板Ｓにおける目標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２１５は、情報読取部２１５ａ、第２データ変換部２１５ｂ、圧延形状予測部２１５ｃ、圧延条件決定部２１５ｄ、及び結果出力部２１５ｅを備えている。ここで、予測モデル実行部２１５は、入力装置２２０を介して圧延制御装置１００から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、ＲＯＭ２１２に記憶されている予測モデル実行プログラム２１２ｂを実行することにより、情報読取部２１５ａ、第２データ変換部２１５ｂ、圧延形状予測部２１５ｃ、圧延条件決定部２１５ｄ、及び結果出力部２１５ｅとして機能する。

情報読取部２１５ａは、記憶装置２３０から操業監視装置４００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Ｓの圧延条件を読み込む。

第２データ変換部２１５ｂは、形状制御予測モデルへの入力データとなる多次元配列情報を一次元情報に畳み込む処理を行う。第２データ変換部２１５ｂの処理は、第１データ変換部２１４ｃ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データ変換部２１４ｃ及び第２データ変換部２１５ｂを一つの処理部としてサブルーチン化してもよい。

圧延形状予測部２１５ｃは、第２データ変換部２１５ｂで畳み込まれた後の一次元情報を形状制御予測モデルに入力して圧延対象の鋼板Ｓの冷間圧延機出側における形状パラメータを予測する。

圧延条件決定部２１５ｄは、鋼板Ｓの形状パラメータが、別途設定されている形状制約判定閾値以内となるように説明変数中の目標圧延条件を設定変更して上記の情報読取部２１５ａ、第２データ変換部２１５ｂ、及び圧延形状予測部２１５ｃの処理の実行に繰り返し戻す処理を行う。

結果出力部２１５ｅは、鋼板Ｓの圧延後の形状パラメータが予め設定した形状制約判定閾値以内となると作動し、決定した圧延対象の鋼板Ｓの圧延条件（形状制御アクチュエータ量）を出力する。

次に、図６を参照して、予測モデル実行部２１５の処理について説明する。

図６は、予測モデル実行部２１５の処理の流れを示すフローチャートである。図６に示すように、形状制御予測モデルを実行する際は、まず、予測モデル実行部２１５の情報読取部２１５ａが、ステップＳ１１の処理として、圧延対象の鋼板Ｓの要求特性に対応する形状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記憶装置２３０から読み込む。

次に、情報読取部２１５ａが、ステップＳ１２の処理として、上位計算機から入力装置２２０を介して記憶装置２３０に記憶されている要求される形状制約判定閾値を読み込む。次に、情報読取部２１５ａは、ステップＳ１３の処理として、上位計算機から入力装置２２０を介して記憶装置２３０に記憶されている圧延対象の鋼板Ｓの圧延条件を読み込む。

次に、圧延形状予測部２１５ｃが、ステップＳ１４の処理として、ステップＳ１１の処理で読み込まれた形状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用いて、ステップＳ１３の処理で読み込まれた圧延対象の鋼板Ｓの圧延条件を多次元配列化した入力実績データとして、対応する冷間圧延中の鋼板Ｓに対する形状パラメータを求める。なお、ニューラルネットワークモデルによる予測結果は図４に示すニューラルネットワークモデルの出力層５０３に出力される。

次に、圧延条件決定部２１５ｄが、ステップＳ１５の処理として、ステップＳ１４の処理で求められた鋼板Ｓの形状パラメータがステップＳ１２の処理で読み込まれた形状制約判定閾値以内であるか否かを判定する。なお、計算の収束が十分でない場合は、実際にステップＳ１５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、形状パラメータが形状制約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、形状パラメータが形状制約判定閾値以内である場合（ステップＳ１５：Ｙｅｓ）は、予測モデル実行部２１５は一連の処理を終了する。一方、形状パラメータが形状制約判定閾値以内でない場合には（ステップＳ１５：Ｎｏ）、予測モデル実行部２１５は処理をステップＳ１６の処理に進める。

ステップＳ１６の処理では、圧延条件決定部２１５ｄが、ステップＳ１３の処理で読み込まれた圧延対象の鋼板Ｓの圧延条件（例えば、形状制御アクチュエータ操作量）の一部を変更し、ステップＳ１７の処理に移行する。ステップＳ１７の処理では、結果出力部２１５ｅが、出力装置２４０を介して変更された圧延条件の一部に関する情報を圧延制御装置１００へ伝送する。

ステップＳ１６の処理で圧延条件の一部が変更されているときは、ステップＳ１７の処理では、圧延条件決定部２１５ｄは、ステップＳ１７の処理で圧延条件の一部、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の操作量が変更された圧延対象の鋼板Ｓの圧延条件を、最適化された鋼板Ｓの圧延条件として決定する。そして、圧延条件決定部２１５ｄは、そのときの圧延条件に基づいて形状制御アクチュエータの操作量を決定する。圧延制御装置１００は、冷間圧延段階において結果出力部２１５ｅから伝送された形状制御アクチュエータに関する情報に基づいて圧延条件を変更する。

圧延条件の変更量の算出方法として、圧延条件決定部２１５ｄは、ステップＳ１４の処理で求められた形状パラメータとステップＳ１２の処理で読み込まれた形状制約判定閾値との差異に基づいて、圧延対象の鋼板Ｓの適切な圧延条件を算出する。そして、圧延条件決定部２１５ｄは、算出した圧延条件とステップＳ１３の処理で読み込まれた圧延対象の鋼板Ｓの圧延条件とを比較してステップＳ１７の処理において圧延条件を変更する。

ステップＳ１３の処理に戻ると、圧延形状予測部２１５ｃは、圧延条件の一部が変更された圧延対象の鋼板Ｓの圧延条件を読み込む。また、ステップＳ１４の処理において、圧延形状予測部２１５ｃは、形状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により、ステップＳ１３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Ｓの圧延条件に対応する冷間圧延後の鋼板Ｓの形状パラメータを求める。また、ステップＳ１５の処理において、圧延条件決定部２１５ｄは、ステップＳ１４の処理で求められた形状パラメータがステップＳ１２の処理で読み込まれた形状制約判定閾値以内であるか否かを判定する。そして、その判定結果がＹＥＳになるまでステップＳ１３、ステップＳ１４、ステップＳ１５、ステップＳ１６、及びステップＳ１７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２１５による処理（形状制御決定ステップ）は終了する。

以上の説明から明らかなように、本実施形態では、予測モデル生成部２１４が、過去の鋼板Ｓの圧延実績とその圧延実績に対応する過去の形状制御実績とを結び付ける機械学習手法による形状制御予測モデルを生成する。また、予測モデル実行部２１５は、鋼板Ｓの冷間圧延中に、生成された形状制御予測モデルにより圧延対象の鋼板Ｓの形状パラメータを求める。そして、予測モデル実行部２１５は、求められた形状パラメータが形状制約判定閾値以内となるように圧延対象の鋼板Ｓの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形状制御が実施され、冷間圧延中の形状不良や破断等のトラブルの発生を抑制しながら生産性を維持できる。さらに、本実施形態によれば、冷間圧延中の鋼板Ｓの形状予測に用いる説明変数として、圧延実績データより採取される数値情報を連結し多次元配列情報を入力データとして使用するので、冷間圧延中に発生する制約に対して寄与の大きい因子をニューラルネットワークモデル上で識別することができる。

〔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、形状制御予測モデルによる鋼板Ｓの形状予測の反復及び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、冷間圧延機１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２００によって、形状制御アクチュエータ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１００は、演算ユニット２００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１００は、演算ユニット２００からの制御量が異常と判定したり、演算ユニット２００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２４０と操業監視装置４００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２１５の処理結果（特に圧延形状予測部２１５ｃによる圧延中の鋼板Ｓの形状予測情報、及び圧延条件決定部２１５ｄにより決定された変更後の圧延条件）を操業監視装置４００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２．５ｍａｓｓ％Ｓｉ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圧延実績データ）を用いてニューラルネットワークモデルによる学習を実施し、過去の鋼板の圧延実績と過去の鋼板の圧延実績とを結び付け、鋼板形状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。

発明例では、過去の鋼板の圧延実績データとして、圧延入側にて実測された鋼板の幅方向の長手鋼板情報実績に加え、鋼板の変形抵抗、圧延パススケジュール（圧延荷重・張力・鋼板形状・板厚精度）、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用いた。さらに、上記圧延実績データを複製・連結した多次元配列情報を入力実績データとして用いた。過去の鋼板の圧延実績データとして、圧延出側鋼板形状実績が学習された。冷間タンデム圧延機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１００がオンとなった段階で、生成されたニューラルネットワークモデルによる冷間圧延後の鋼板の形状を予測した。そして、予測された形状が所定の形状制約判定閾値以内となるように圧延条件を逐次変更して、圧延条件を設定した。

比較例でも発明例と同様に、母材厚１．８ｍｍ、板幅１０００ｍｍの２．８ｍａｓｓ％Ｓｉ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。表１に示す番号１，３，５，７，９，１１の比較例では、過去の鋼板の圧延実績データを時間方向に複製せずに一次元配列とした入力データを用いて過去の鋼板形状実績データを結び付け、鋼板形状の予測に用いるニューラルネットワークモデルを生成した。

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、比較例では十分な学習がなされなかったため、入側板クラウン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、鋼板の圧延中の形状を適切に予測し、その予測された形状パラメータが予め設定された形状制約判定閾値以内となるように圧延条件を逐次変更して圧延後の鋼板形状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トラブルの発生を抑制できるだけでなく、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。

１ 冷間圧延機
２ ダーティタンク（回収用タンク）
３ クリーンタンク
５ オイルパン
６ 戻り配管
７ 撹拌機
８ 鉄粉除去装置
９ ポンプ
１１ 供給ライン
１２ 潤滑用クーラントヘッダー
１３ 冷却用クーラントヘッダー
１００ 圧延制御装置
２００ 演算ユニット
２１０ 演算装置
２１１ ＲＡＭ（Random Access Memory）
２１２ ＲＯＭ（Read Only Memory）
２１２ａ 予測モデル生成プログラム
２１２ｂ 予測モデル実行プログラム
２１３ 演算処理部
２１４ 予測モデル生成部
２１４ａ 学習用データ取得部
２１４ｂ 前処理部
２１４ｃ 第１データ変換部
２１４ｄ モデル生成部
２１４ｅ 結果保存部
２１５ 予測モデル実行部
２１５ａ 情報読取部
２１５ｂ 第２データ変換部
２１５ｃ 圧延形状予測部
２１５ｄ 圧延条件決定部
２１５ｅ 結果出力部
２２０ 入力装置
２３０ 記憶装置
２４０ 出力装置
３００ 鋼板情報測定装置
４００ 操業監視装置
５０１ 入力層
５０２ 中間層
５０３ 出力層
Ｓ 鋼板

Claims (9)

1. 圧延対象材の冷間圧延後の状態を予測する予測モデルを用いて圧延対象材を冷間圧延する際の冷間圧延機の目標圧延条件を設定する冷間圧延機の圧延条件設定方法であって、
   前記予測モデルは、前記冷間圧延機の入側における圧延材の冷間圧延前データを含む過去の圧延実績データを時間方向に連結した第１多次元データを説明変数とし、前記冷間圧延機の出側における圧延材の冷間圧延後データを目的変数として生成されたものであり、
   前記冷間圧延機の入側における前記圧延対象材の冷間圧延前データと前記冷間圧延機の目標圧延条件とを含む情報から生成した第２多次元データを前記予測モデルに入力することにより、前記冷間圧延機の出側における前記圧延対象材の圧延後の形状を推定するステップと、
   推定された前記圧延後の形状が所定条件を満足するように前記冷間圧延機の目標圧延条件を変更するステップと、
   を含むことを特徴とする冷間圧延機の圧延条件設定方法。
2. 前記冷間圧延前データには、前記冷間圧延機の入側における鋼板の厚み情報及び温度情報の少なくとも一方が含まれることを特徴とする請求項１に記載の冷間圧延機の圧延条件設定方法。
3. 前記冷間圧延後データには、前記冷間圧延機の出側における鋼板の形状から算出される形状パラメータが含まれることを特徴とする請求項１又は２に記載の冷間圧延機の圧延条件設定方法。
4. 請求項１～３のうち、いずれか１項に記載の冷間圧延機の圧延条件設定方法を用いて変更された冷間圧延機の目標圧延条件を用いて圧延対象材を冷間圧延するステップを含むことを特徴とする冷間圧延方法。
5. 請求項４に記載の冷間圧延方法を用いて鋼板を製造するステップを含むことを特徴とする鋼板の製造方法。
6. 圧延対象材の冷間圧延後の状態を予測する予測モデルを用いて圧延対象材を冷間圧延する際の冷間圧延機の目標圧延条件を設定する冷間圧延機の圧延条件設定装置であって、
   前記予測モデルは、前記冷間圧延機の入側における圧延材の冷間圧延前データを含む過去の圧延実績データを時間方向に連結した第１多次元データを説明変数とし、前記冷間圧延機の出側における圧延材の冷間圧延後データを目的変数として生成されたものであり、
   前記冷間圧延機の入側における前記圧延対象材の冷間圧延前データと前記冷間圧延機の目標圧延条件とを含む情報から生成した第２多次元データを前記予測モデルに入力することにより、前記冷間圧延機の出側における前記圧延対象材の圧延後の形状を推定する手段と、
   推定された前記圧延後の形状が所定条件を満足するように前記冷間圧延機の目標圧延条件を変更する手段と、
   を備えることを特徴とする冷間圧延機の圧延条件設定装置。
7. 前記冷間圧延前データには、前記冷間圧延機の入側における鋼板の厚み情報及び温度情報の少なくとも一方が含まれることを特徴とする請求項６に記載の冷間圧延機の圧延条件設定装置。
8. 前記冷間圧延後データには、前記冷間圧延機の出側における鋼板の形状から算出される形状パラメータが含まれることを特徴とする請求項６又は７に記載の冷間圧延機の圧延条件設定装置。
9. 請求項６～８のうち、いずれか１項に記載の冷間圧延機の圧延条件設定装置を備えることを特徴とする冷間圧延機。

Images