JP5759206B2 - Learning coefficient controller - Google Patents
Learning coefficient controller Download PDFInfo
- Publication number
- JP5759206B2 JP5759206B2 JP2011044050A JP2011044050A JP5759206B2 JP 5759206 B2 JP5759206 B2 JP 5759206B2 JP 2011044050 A JP2011044050 A JP 2011044050A JP 2011044050 A JP2011044050 A JP 2011044050A JP 5759206 B2 JP5759206 B2 JP 5759206B2
- Authority
- JP
- Japan
- Prior art keywords
- model
- learning
- learning coefficient
- value
- coefficient
- 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.)
- Active
Links
- 238000012937 correction Methods 0.000 claims description 95
- 238000005096 rolling process Methods 0.000 claims description 65
- 238000004364 calculation method Methods 0.000 claims description 61
- 238000006243 chemical reaction Methods 0.000 claims description 57
- 238000012544 monitoring process Methods 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 12
- 239000002436 steel type Substances 0.000 description 12
- 239000000463 material Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005098 hot rolling Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000013517 stratification Methods 0.000 description 2
- 238000012369 In process control Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005097 cold rolling Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000010965 in-process control Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Landscapes
- Control Of Metal Rolling (AREA)
- Feedback Control In General (AREA)
Description
本発明は、金属等を圧延するプロセスに係わり、特に圧延プロセスを表現したモデルのパラメータを修正する学習係数制御装置に関する。 The present invention relates to a process for rolling metal or the like, and more particularly to a learning coefficient control device for correcting parameters of a model expressing the rolling process.
通常、プロセスの制御においては、プロセスの現象を表現したモデルが作成され、このモデルに対して制御系が構築されて制御が実施される。従って、最終製品の制御精度は、モデルがいかに精度良くプロセスを表現しているか、ということに大きく関係している。そこで、プロセスとモデルの誤差を埋めるため、モデルの学習を行い、モデルの精度向上が図られている。 Normally, in process control, a model expressing a phenomenon of a process is created, and a control system is constructed for this model and control is performed. Therefore, the control accuracy of the final product is largely related to how accurately the model represents the process. Therefore, in order to fill in the error between the process and the model, the model is learned to improve the accuracy of the model.
一般に圧延モデルの予測精度を向上させるために、圧延実績値と圧延モデル予測値との誤差を埋める学習制御が行われている。圧延モデルの代表的なものとして荷重モデルがあり、この荷重モデルの制御方法として式(1)に示すような学習係数
There is a learning method that improves prediction accuracy.
ここで、
である。 here,
It is.
学習係数は圧延実績値と圧延モデル予測値の比で表され、圧延モデル誤差の生じやすい因子で区分された層別テーブルを用いて層別毎に学習される。具体的には、特許文献1に記載されているように、鋼種、圧延サイズ及びワークロール別に学習区分を層別化することで、圧延材や圧延スタンドの違いによる圧延モデルの誤差を学習し、圧延モデルの精度向上が図られている。
The learning coefficient is expressed as a ratio between the rolling actual value and the rolling model predicted value, and is learned for each layer using a layered table divided by factors that are likely to cause a rolling model error. Specifically, as described in
また、学習係数は実績値の異常により、算出される学習係数も異常な値となる場合がある。これはモデルが原因で異常値となった訳ではないため、そのような異常値を学習してはならない。このため、一般的に学習係数には制限値が設けられており、学習係数が制限値を超えた場合、学習係数は無視、または制限値内の予め決められた値に置き換えられて学習される。 In addition, the learning coefficient may be an abnormal value due to an abnormality in the actual value. This does not mean that the model has resulted in an abnormal value, so such an abnormal value must not be learned. For this reason, a learning coefficient is generally provided with a limit value. When the learning coefficient exceeds the limit value, the learning coefficient is ignored or learned by being replaced with a predetermined value within the limit value. .
前述したように、学習係数を層別化して学習及び記憶することにより、モデルの予測精度は向上されるが、この層別毎の学習係数には以下に示すような問題がある。 As described above, the learning accuracy is stratified by learning and storing the learning coefficients in layers, but the learning coefficients for each layer have the following problems.
モデル式のパラメータが適切でない場合、または予め設定された制限値が適正でない場合には、ある層別に対して算出された学習係数が正しい値であっても、制限値を超えることがある。これらの場合も当該学習係数は無視、または制限値内の予め決められた値に置き換えられて学習される。このため、次の圧延材では学習係数が適切でないために、圧延モデルの予測精度を向上することができない。 If the parameters of the model formula are not appropriate, or if a preset limit value is not appropriate, the limit value may be exceeded even if the learning coefficient calculated for a certain stratification is a correct value. Also in these cases, the learning coefficient is ignored or learned by being replaced with a predetermined value within the limit value. For this reason, since the learning coefficient is not appropriate for the next rolled material, the prediction accuracy of the rolling model cannot be improved.
本発明は上記課題を解決するためになされたもので、学習係数が制限値を超えた場合でも、層別化した学習係数を修正し、制限値内で学習係数を制御することにより、効率良くモデル誤差を修正することができる学習係数制御装置を提供することにある。 The present invention has been made to solve the above problem, and even when the learning coefficient exceeds the limit value, the stratified learning coefficient is corrected, and the learning coefficient is controlled within the limit value, thereby efficiently. An object of the present invention is to provide a learning coefficient control device capable of correcting a model error.
請求項1に記載の発明は、圧延プロセスを表現した荷重モデル及び変形抵抗モデルに基づき最終的に1つの圧延荷重を予測するプロセスモデルについて、圧延荷重の予測値と実績値との差に基づき各々のモデルの学習係数を算出する学習演算部と、各々のモデルの学習係数を各々のモデルに対して用意された層別テーブルに記憶する記憶部と、予測計算を構成する荷重モデル及び変形抵抗モデルに対して、荷重モデルの学習係数を修正したときに最終的に求められる圧延荷重の予測値が変わらないように変形抵抗モデルの予測値を変更するための補正値を得るために、板厚、張力を含む実績値に基づき計算される荷重モデル及び変形抵抗モデルの予測値と、変形抵抗モデルの予測値を前記板厚、張力を含む実績値に基づき計算された結果から変化させたときに得られる変更後の荷重モデル及び変形抵抗モデルの予測値から、変更前後の荷重モデル及び変形抵抗モデルの予測値の比が同じになるように変換係数を演算する変換係数演算部と、前記変換係数演算部で演算された変換係数を記憶する変換係数記憶部と、前記記憶部に記憶された荷重モデルの学習係数が予め設定した第1制限値を超えた場合、当該モデルの学習係数の修正値を演算する学習係数修正値演算部と、前記変換係数記憶部に記憶されている変換係数の平均値を演算する変換係数平均値演算部と、前記学習係数修正値演算部で演算された学習係数の修正値と前記変換係数平均値演算部で演算された変換係数の平均値とに基づき、荷重モデルの学習係数を修正したことにより発生する予測値の変化量を変形抵抗モデルで補償するためのモデルの補正値を演算するモデル補正値演算部とを備えることを特徴とする。
The invention according to
本発明によれば、モデル補正値演算部が学習係数修正値演算部で演算された学習係数の修正値と変換係数平均値演算部で演算された変換係数の平均値とに基づき、一方のモデルの学習係数を修正したことにより発生する予測値の変化量を他方のモデルで補償するためのモデルの補正値を演算するので、学習係数が予め設定した制限値を超えた場合でも、層別化された学習係数を修正し、制限値内で学習係数を制御することにより効率良くモデル誤差を修正し、モデルの精度向上を達成することができる。 According to the present invention, one model is calculated based on the correction value of the learning coefficient calculated by the learning coefficient correction value calculation unit and the average value of the conversion coefficient calculated by the conversion coefficient average value calculation unit. The correction value of the model is calculated to compensate for the amount of change in the predicted value caused by the correction of the learning coefficient of the other model, so even if the learning coefficient exceeds the preset limit value, stratification The model error can be efficiently corrected by correcting the learned learning coefficient and controlling the learning coefficient within the limit value, thereby improving the accuracy of the model.
本発明の実施例1の学習係数制御装置を冷間タンデム圧延機の圧延モデルに適用した例を説明する。 An example in which the learning coefficient control apparatus according to the first embodiment of the present invention is applied to a rolling model of a cold tandem rolling mill will be described.
図1は実施例1の学習係数制御装置の構成を冷間タンデム圧延機に適用した構成図である。図1において、圧延機は、第1スタンド1から第5スタンド5まで5機をタンデムに配置して構成されている。圧延材6は、矢印7の方向に所望の製品に圧延され、図示しないコイラーにより巻き取られる。各圧延機は、図示しない圧延荷重等を測定する装置を備えている。さらに、第5スタンド5の出側には圧延材6の板厚を測定する板厚検出装置8が設けられている。
FIG. 1 is a configuration diagram in which the configuration of the learning coefficient control device of the first embodiment is applied to a cold tandem rolling mill. In FIG. 1, the rolling mill is configured by arranging five machines in a tandem from a
冷間圧延機の各アクチュエータの設定値は、予め与えられた圧延情報から圧延モデルを用いて所望の製品を得るように計算される。例えば、荷重モデルを式(2)、変形抵抗モデルを式(3)と表すことで圧延荷重を予測することができる。 The set value of each actuator of the cold rolling mill is calculated so as to obtain a desired product from rolling information given in advance using a rolling model. For example, the rolling load can be predicted by expressing the load model as equation (2) and the deformation resistance model as equation (3).
ここで、
である。なお、式(2)には張力の影響関数が含まれているため、荷重と変形抵抗の間には非線形な関係がある。通常、圧延モデルは誤差をもっているため、次に述べる学習制御を行うことで、圧延モデルの精度向上が図られている。 here,
It is. In addition, since the influence function of tension is included in Equation (2), there is a non-linear relationship between the load and the deformation resistance. Usually, since a rolling model has an error, the accuracy of the rolling model is improved by performing learning control described below.
学習係数制御装置9は、学習演算部10、記憶部11、変換係数演算部14、変換係数記憶部15、学習係数監視部16、学習係数修正値演算部17、学習係数修正部18、変換係数平均演算部19、モデル補正値演算部20、補正値記憶部21を有している。
The learning
図示しない実績データ収集装置は、圧延中に圧延実績値を収集する。学習演算部10は、実績データ収集装置で収集された圧延実績値を用いて圧延実績値と圧延モデル予測値との比又は差を学習係数として演算し、平滑化処理を行う。記憶部11は、学習演算部10で平滑化処理された学習係数を層別化された学習係数テーブルに記憶する。次材設定計算においては、記憶部11に記憶された最新の学習係数(学習値)を用いて各アクチュエータの初期値が演算される。
A performance data collection device (not shown) collects rolling performance values during rolling. The
前述した圧延モデルの場合、記憶部11は、予測計算を構成する2つのモデル(荷重モデルと変形抵抗モデル)に対して、荷重学習テーブル12と変形抵抗学習テーブル13とを設けている。例えば、荷重学習テーブル12は、鋼種、目標板厚及び圧延スタンドに層別化されている。変形抵抗学習テーブル13は、鋼種及び圧延スタンドに層別化されている。
In the case of the rolling model described above, the
次に、実施例1の学習係数制御装置の特徴とする構成が図1〜図5を用いて説明される。実施例1の学習係数制御装置では、前述した圧延モデルは下記のように表現される。 Next, the characteristic configuration of the learning coefficient control apparatus according to the first embodiment will be described with reference to FIGS. In the learning coefficient control device of the first embodiment, the rolling model described above is expressed as follows.
ここで、
である。ここで、
は、本発明を実施するために新しく設けられたモデルの補正値である。 here,
It is. here,
Is a correction value of a model newly provided for carrying out the present invention.
は、荷重モデル(一方のモデル)の荷重学習係数を修正したときに、荷重予測値(物理量の予測値)が変わらないように変形抵抗モデル(他方のモデル)を変更するための補正値である。荷重学習係数を修正する場合、荷重予測値
は荷重学習係数の変更前の荷重予測値と同じでなければならない。このため、変形抵抗モデルを式(5)で表し、荷重学習係数の修正による影響をモデルの補正値
で補正する。以下に、この補正値の求め方と使用方法を説明する。 Is a correction value for changing the deformation resistance model (the other model) so that the load predicted value (the predicted value of the physical quantity) does not change when the load learning coefficient of the load model (one model) is corrected . When correcting the load learning coefficient, the predicted load value
Must be the same as the predicted load value before the change of the load learning coefficient. For this reason, the deformation resistance model is expressed by equation (5), and the effect of the modification of the load learning coefficient is corrected by
Correct with. Hereinafter, how to obtain the correction value and how to use it will be described.
変換係数演算部14は、式(4)に基づいて荷重に対する変化量と等価な変形抵抗の変化量に置き換えるための変換係数αを求める。前述したように、荷重と変形抵抗には非線形な関係があるため、荷重学習係数を変更した場合のモデルの補正値を解析的に求めるのは難しい。このため、以下に述べる変換係数を介してモデル補正値を演算する。 The conversion coefficient calculation unit 14 obtains a conversion coefficient α for replacement with a change amount of deformation resistance equivalent to the change amount with respect to the load based on Expression (4). As described above, since there is a non-linear relationship between the load and the deformation resistance, it is difficult to analytically determine the correction value of the model when the load learning coefficient is changed. For this reason, the model correction value is calculated through the conversion coefficient described below.
変換係数演算部14は、圧延実績値に基づき、変形抵抗計算値
を用いて荷重計算値
を計算する。その後、変換係数演算部14は、変形抵抗計算値
を例えば10%変更して変形抵抗変更値
とし、変形抵抗変更値
を用いて変形抵抗を変化させたときの荷重計算値
を計算する。そして、変換係数演算部14は、荷重と変形抵抗とのそれぞれについて変更前と変更後の比を求め、両者の比が同じになるように変換係数
を導入し、式(6)の演算を行う。 The conversion coefficient calculation unit 14 calculates the deformation resistance value based on the actual rolling value.
Calculate the deformation resistance value
Calculate the load using
Calculate Thereafter, the conversion coefficient calculation unit 14 calculates the deformation resistance value.
For example, change the deformation resistance by changing 10%
Deformation resistance change value
Calculated load when deformation resistance is changed using
Calculate Then, the conversion coefficient calculation unit 14 obtains the ratio before and after the change for each of the load and the deformation resistance, and the conversion coefficient so that the ratio between the two becomes the same.
To calculate the equation (6).
ここで、
である。つまり式(6)の演算により、モデルの補正値
を演算するための変換係数
が求まる。 here,
It is. In other words, the correction value of the model is obtained by the calculation of Equation (6).
Conversion factor for computing
Is obtained.
変換係数演算部14は、式(6)の変換係数を演算した後、変換係数記憶部15に変換係数を出力する。上記の計算方法を用いることにより、関連するモデル間の関係が非線形である場合でも、また数式モデルを変更した場合でも、モデル間の変換関係を容易に演算できる。
The conversion coefficient calculation unit 14 calculates the conversion coefficient of Expression (6), and then outputs the conversion coefficient to the conversion
変換係数記憶部15は、荷重学習テーブル12と同様に、鋼種、目標板厚及び圧延スタンドに層別化された図2に示す変換係数テーブル22に変換係数演算部14で演算された変換係数を記憶する。これにより、層別区分毎の最新の変換係数を保持することができる。
Similarly to the load learning table 12, the conversion
学習係数監視部16は、荷重学習テーブル12の鋼種及び圧延スタンドに層別化された目標板厚区分の学習係数の最大値あるいは最小値が予め設定した制限値、例えば学習係数の上下限値を超えた場合に、学習係数修正値演算部17と変換係数平均値演算部19へ実行命令を伝送する。
The learning
これにより、学習係数の修正タイミングを制限値の取り方により設定できる。なお、上記では学習係数監視部16の監視すべき制限値を学習係数の上下限値としたが、これに限定されない。例えば、学習係数の上下限値の範囲を20%狭くした時の上下限を監視すべき制限値とすると、学習係数が学習係数の上下限値を超える前に実行命令を伝送することができ、学習係数を早期に修正することができる。
Thereby, the correction timing of the learning coefficient can be set according to the limit value. In the above description, the limit value to be monitored by the learning
学習係数修正値演算部17は、記憶部11に記憶されている荷重学習テーブル12の鋼種及び圧延スタンドに層別化された目標板厚区分の荷重学習係数の平均値を修正値として式(7)により演算する。
The learning coefficient correction
ここで、
である。その後、学習係数修正値演算部17は、学習係数修正部18とモデル補正値演算部20に学習係数の修正値を出力する。 here,
It is. Thereafter, the learning coefficient correction
これにより、後述する学習係数修正部18が荷重学習係数を修正する際に、目標板厚区分1~Nの全体の学習係数の挙動を考慮することができ、荷重学習係数を学習の有効範囲内に修正することで、安定なモデル学習を行える。
Thereby, when the learning
また、学習係数修正値演算部17は、記憶部11に記憶されている荷重学習テーブル12の鋼種及び圧延スタンドに層別化された目標板厚区分の中で、学習係数の最大値と最小値を加算して加算結果を2で除算した除算結果を修正値として演算することもできる。これにより、一つの区分の学習係数のみが特異な値となる場合でも、修正量が大きいため、学習係数を学習の有効範囲内に修正することで、安定なモデル学習を行える。
In addition, the learning coefficient correction
学習係数修正部18は、荷重学習テーブル12の当該圧延材の鋼種区分番号及び圧延スタンド区分番号に対応する目標板厚区分の学習係数に対して、式(8)の演算、すなわち学習係数修正値演算部17で演算される修正値で目標板厚区分の各学習係数を除算し、荷重学習テーブル12の荷重学習係数を更新する。
The learning
ここで、
である。 here,
It is.
図3は、修正値が荷重学習テーブル12の鋼種及び圧延スタンドに層別化された目標板厚区分の平均値である場合の荷重学習係数の修正例を示す。学習係数の有効範囲は
It is. Before correction of the load learning coefficient, the load learning coefficient of the
さらに、図4は、修正値が荷重学習テーブル12の鋼種及び圧延スタンドに層別化された目標板厚区分の学習係数の最大値と最小値を加算して加算結果を2で除算した除算結果である場合の荷重学習係数の修正例を示す。学習係数の有効範囲は上記と同様である。この場合には学習係数の修正量が大きいため、目標板厚区分1の荷重学習係数がより有効範囲内に修正されている。
Further, FIG. 4 shows the result of division in which the correction value is added to the maximum value and the minimum value of the learning coefficient of the target sheet thickness classification stratified by the steel type and rolling stand of the load learning table 12, and the addition result is divided by 2. An example of correcting the load learning coefficient in the case of The effective range of the learning coefficient is the same as described above. In this case, since the correction amount of the learning coefficient is large, the load learning coefficient of the target
変換係数平均値演算部19は、学習係数監視部16から実行命令を受け取ると、図2に示す変換係数記憶部15の変換係数テーブル22に記憶されている鋼種及び圧延スタンドに層別化された目標板厚区分の変換係数の平均値を式(9)により演算する。
When the conversion coefficient average
ここで、
である。その後、変換係数平均値演算部19は、式(9)で演算された変換係数の平均値をモデル補正値演算部20に出力する。 here,
It is. Thereafter, the conversion coefficient average
モデル補正値演算部20は、変換係数平均値演算部19で演算された変換係数の平均値と学習係数修正値演算部17で演算された学習係数修正値を用い、式(10)で表現されるモデルの補正値を演算する。
The model correction
ここで、
である。これにより、荷重学習係数の修正に伴う変形抵抗モデルの補正値を求めることができる。 here,
It is. Thereby, the correction value of the deformation resistance model accompanying the correction of the load learning coefficient can be obtained.
補正値記憶部21は、変形抵抗学習テーブル13と同様の鋼種及び圧延スタンドに層別化した図5に示す補正値テーブル23に、モデル補正値演算部20で演算された補正値を記憶する。次回、同条件の圧延が行われた際には、変形抵抗は式(5)で計算され、荷重学習係数の修正に伴う荷重予測値の影響を変形抵抗で補正する。
The correction
このことは、荷重予測値の目標板厚区分による全体的なずれを変形抵抗モデルの誤差に起因していると考えることに他ならない。このため、式(5)により変形抵抗を演算することで変形抵抗の予測精度が向上し、これを用いた他の圧延モデルの精度を向上することができる。 This is nothing but to consider that the overall deviation of the predicted load value due to the target thickness classification is due to an error in the deformation resistance model. For this reason, by calculating the deformation resistance according to the equation (5), the prediction accuracy of the deformation resistance can be improved, and the accuracy of other rolling models using this can be improved.
図6は実施例2の学習係数制御装置の構成を冷間タンデム圧延機に適用した図である。実施例2の学習係数制御装置においても、実施例1の学習係数制御装置と同一の対象に適用される。 FIG. 6 is a diagram in which the configuration of the learning coefficient control device of the second embodiment is applied to a cold tandem rolling mill. The learning coefficient control apparatus according to the second embodiment is also applied to the same target as the learning coefficient control apparatus according to the first embodiment.
実施例2の学習係数制御装置は、実施例1の学習係数制御装置の構成にさらに、補正値監視部24とオペレータ表示画面25(表示部に対応)とを追加した点が異なる。以下、実施例1の学習係数制御装置と異なる構成のみを説明する。
The learning coefficient control apparatus according to the second embodiment is different from the learning coefficient control apparatus according to the first embodiment in that a correction
補正値監視部24は、モデル補正値演算部20で演算される補正値が予め設定した制限値を超えたかどうかを監視し、補正値が制限値を超えた場合にオペレータ表示画面25にアラームを出力する。これにより、オペレータへ早期にモデル調整時期を知らせることができ、迅速なモデルの調整に繋がるため、モデルの精度を向上することができる。
The correction
また、補正値監視部24は、モデル補正値演算部20で演算される補正値が予め設定した制限値を超えた場合に記憶部11にアラームを出力して保存することもできる。これにより、調整員へモデルの調整時期を知らせることができる。即ち、学習係数の修正履歴をモデル調整員が確認することができ、迅速なモデルの調整に繋がるため、モデルの精度を向上することができる。
Further, the correction
モデルの補正値が制限値を超えるような場合では、モデルの予測精度が悪いことを意味する。このため、モデルパラメータの再調整が必要であり、補正値監視部24により、モデルの調整時期を早期に知ることができる。
When the correction value of the model exceeds the limit value, it means that the prediction accuracy of the model is poor. Therefore, it is necessary to readjust the model parameter, and the correction
なお、変形抵抗モデルの補正値が乗算的な形で記載されたが、これに限定されない。また、各圧延モデルの学習係数が乗算的な形で記載されたが、これに限定されない。以上のことから、安定かつ精度の高いモデルの学習を実施できる。 In addition, although the correction value of the deformation resistance model is described in a multiplicative manner, the present invention is not limited to this. Moreover, although the learning coefficient of each rolling model was described in a multiplying manner, it is not limited to this. From the above, stable and accurate model learning can be performed.
実施例1及び実施例2では、モデルを荷重モデルと変形抵抗モデルとして説明したが、その他の学習区分の異なるモデル間、例えば荷重モデルと摩擦係数モデル、トルクモデルと変形抵抗モデル等でも本発明は、実施することができる。 In the first and second embodiments, the model is described as a load model and a deformation resistance model. However, the present invention can be applied to other models having different learning categories, such as a load model and a friction coefficient model, a torque model and a deformation resistance model, and the like. Can be implemented.
また、本発明は、熱間圧延機やシングルミル等すべての圧延機を対象とすることができる。さらに、本発明はプロセスを圧延プロセスとしたが、これに限定されるものではなく、加熱・冷却プロセス等モデルを用いて制御しているプロセスであればすべて適用可能である。 Further, the present invention can be applied to all rolling mills such as a hot rolling mill and a single mill. Furthermore, in the present invention, the process is a rolling process, but the present invention is not limited to this, and any process that is controlled using a model such as a heating / cooling process can be applied.
本発明は、冷間タンデム圧延機、熱間圧延機やシングルミル等のすべての圧延機に適用可能である。 The present invention is applicable to all rolling mills such as a cold tandem rolling mill, a hot rolling mill and a single mill.
1〜5 圧延機
6 圧延材
7 圧延方向
8 板厚検出装置
9,9a 学習係数制御装置
10 学習演算部
11 記憶部
12 荷重学習テーブル
13 変形抵抗学習テーブル
14 変換係数演算部
15 変換係数記憶部
16 学習係数監視部
17 学習係数修正値演算部
18 学習係数修正部
19 変換係数平均値演算部
20 モデル補正値演算部
21 補正値記憶部
22 変換係数テーブル
23 補正値テーブル
24 補正値監視部
25 オペレータ表示画面
DESCRIPTION OF SYMBOLS 1-5 Rolling machine 6
Claims (6)
各々のモデルの学習係数を各々のモデルに対して用意された層別テーブルに記憶する記憶部と、
予測計算を構成する荷重モデル及び変形抵抗モデルに対して、荷重モデルの学習係数を修正したときに最終的に求められる圧延荷重の予測値が変わらないように変形抵抗モデルの予測値を変更するための補正値を得るために、板厚、張力を含む実績値に基づき計算される荷重モデル及び変形抵抗モデルの予測値と、変形抵抗モデルの予測値を前記板厚、張力を含む実績値に基づき計算された結果から変化させたときに得られる変更後の荷重モデル及び変形抵抗モデルの予測値から、変更前後の荷重モデル及び変形抵抗モデルの予測値の比が同じになるように変換係数を演算する変換係数演算部と、
前記変換係数演算部で演算された変換係数を記憶する変換係数記憶部と、
前記記憶部に記憶された荷重モデルの学習係数が予め設定した第1制限値を超えた場合、当該モデルの学習係数の修正値を演算する学習係数修正値演算部と、
前記変換係数記憶部に記憶されている変換係数の平均値を演算する変換係数平均値演算部と、
前記学習係数修正値演算部で演算された学習係数の修正値と前記変換係数平均値演算部で演算された変換係数の平均値とに基づき、荷重モデルの学習係数を修正したことにより発生する予測値の変化量を変形抵抗モデルで補償するためのモデルの補正値を演算するモデル補正値演算部と、
を備えることを特徴とする学習係数制御装置。 Learning to calculate the learning coefficient of each model based on the difference between the predicted value of the rolling load and the actual value for the process model that finally predicts one rolling load based on the load model and deformation resistance model expressing the rolling process An arithmetic unit;
A storage unit for storing the learning coefficient of each model in a stratified table prepared for each model;
To change the predicted value of the deformation resistance model so that the predicted value of the rolling load that is finally obtained when the learning coefficient of the load model is modified for the load model and deformation resistance model that constitute the prediction calculation does not change in order to obtain a correction value, the thickness, and the predicted value of the load model and deformation resistance model is calculated based on actual values, including tension, the thickness of the predicted value of deformation resistance model, based on the actual績値including tension The conversion coefficient is calculated so that the ratio of the predicted value of the load model before and after the change and the predicted value of the deformation resistance model is the same from the predicted value of the changed load model and the deformation resistance model obtained when changing from the calculated result. A conversion coefficient calculator to
A conversion coefficient storage unit that stores the conversion coefficient calculated by the conversion coefficient calculation unit;
When the learning coefficient of the load model stored in the storage unit exceeds a preset first limit value, a learning coefficient correction value calculation unit that calculates a correction value of the learning coefficient of the model,
A conversion coefficient average value calculation unit for calculating an average value of the conversion coefficients stored in the conversion coefficient storage unit;
Prediction generated by correcting the learning coefficient of the load model based on the correction value of the learning coefficient calculated by the learning coefficient correction value calculation unit and the average value of the conversion coefficient calculated by the conversion coefficient average value calculation unit A model correction value calculation unit for calculating a correction value of the model for compensating the amount of change in the value with the deformation resistance model;
A learning coefficient control apparatus comprising:
前記学習係数修正値演算部で演算された学習係数の修正値を用いて当該モデルの学習係数を修正する学習係数修正部と、
前記モデル補正値演算部で演算されたモデルの補正値を記憶する補正値記憶部と、
を備えることを特徴とする請求項1記載の学習係数制御装置。 A learning coefficient monitoring unit that monitors whether the learning coefficient of the load model stored in the storage unit exceeds a preset first limit value;
A learning coefficient correction unit that corrects the learning coefficient of the model using the correction value of the learning coefficient calculated by the learning coefficient correction value calculation unit;
A correction value storage unit that stores the correction value of the model calculated by the model correction value calculation unit;
The learning coefficient control apparatus according to claim 1, further comprising:
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011044050A JP5759206B2 (en) | 2011-03-01 | 2011-03-01 | Learning coefficient controller |
CN201110099895.5A CN102654749B (en) | 2011-03-01 | 2011-04-14 | Learning coefficient control device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011044050A JP5759206B2 (en) | 2011-03-01 | 2011-03-01 | Learning coefficient controller |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2012181668A JP2012181668A (en) | 2012-09-20 |
JP5759206B2 true JP5759206B2 (en) | 2015-08-05 |
Family
ID=46730383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2011044050A Active JP5759206B2 (en) | 2011-03-01 | 2011-03-01 | Learning coefficient controller |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP5759206B2 (en) |
CN (1) | CN102654749B (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102232336B1 (en) | 2018-12-19 | 2021-03-25 | 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 | Learning control device of rolling process |
JP7237876B2 (en) | 2020-03-12 | 2023-03-13 | 東芝エネルギーシステムズ株式会社 | double tube |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102974625B (en) * | 2012-12-18 | 2014-12-10 | 山西太钢不锈钢股份有限公司 | Rolling pressure compensation method of finish rolling rack |
JP5939175B2 (en) | 2013-02-19 | 2016-06-22 | 東芝三菱電機産業システム株式会社 | Learning control device for rolling process |
US10124381B2 (en) * | 2014-02-17 | 2018-11-13 | Toshiba Mitsubishi-Electric Industrial Systems Corporation | Rolling process learning control device |
JP6486731B2 (en) * | 2015-03-13 | 2019-03-20 | 株式会社東芝 | Device characteristic model learning apparatus, device characteristic model learning method, and program |
JP6536978B1 (en) * | 2018-03-15 | 2019-07-03 | オムロン株式会社 | Learning device, learning method, and program thereof |
JP6740278B2 (en) * | 2018-04-13 | 2020-08-12 | ファナック株式会社 | Machine learning device, control device, and machine learning method |
JP6790154B2 (en) * | 2019-03-07 | 2020-11-25 | 東芝デジタルソリューションズ株式会社 | Collaborative learning system and monitoring system |
JP7432201B2 (en) * | 2019-12-19 | 2024-02-16 | 株式会社ブリヂストン | Estimation device, estimation method, program, and learning model generation device |
WO2021229727A1 (en) * | 2020-05-13 | 2021-11-18 | 東芝三菱電機産業システム株式会社 | Physical model identification system |
JP7452443B2 (en) | 2021-01-07 | 2024-03-19 | 東芝三菱電機産業システム株式会社 | How to learn rolling model |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3069001B2 (en) * | 1994-05-31 | 2000-07-24 | 新日本製鐵株式会社 | Feedback control method of sheet crown / shape model |
JPH09155420A (en) * | 1995-12-07 | 1997-06-17 | Kawasaki Steel Corp | Method for learning setup model of rolling mill |
US7113834B2 (en) * | 2000-06-20 | 2006-09-26 | Fisher-Rosemount Systems, Inc. | State based adaptive feedback feedforward PID controller |
JP4402502B2 (en) * | 2004-04-13 | 2010-01-20 | 東芝三菱電機産業システム株式会社 | Winding temperature controller |
US8036760B2 (en) * | 2005-10-04 | 2011-10-11 | Fisher-Rosemount Systems, Inc. | Method and apparatus for intelligent control and monitoring in a process control system |
JP2009113101A (en) * | 2007-11-09 | 2009-05-28 | Jfe Steel Corp | Method and apparatus for learning control of rolling load, and manufacturing method of steel sheet |
JP4452323B2 (en) * | 2008-03-14 | 2010-04-21 | 新日本製鐵株式会社 | Learning method of rolling load prediction in hot strip rolling. |
-
2011
- 2011-03-01 JP JP2011044050A patent/JP5759206B2/en active Active
- 2011-04-14 CN CN201110099895.5A patent/CN102654749B/en active Active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102232336B1 (en) | 2018-12-19 | 2021-03-25 | 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 | Learning control device of rolling process |
JP7237876B2 (en) | 2020-03-12 | 2023-03-13 | 東芝エネルギーシステムズ株式会社 | double tube |
Also Published As
Publication number | Publication date |
---|---|
JP2012181668A (en) | 2012-09-20 |
CN102654749B (en) | 2015-09-02 |
CN102654749A (en) | 2012-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5759206B2 (en) | Learning coefficient controller | |
KR101617375B1 (en) | Feedforward thickness control method for performance of cold rolling mill | |
JP5666338B2 (en) | Energy consumption prediction device | |
TWI473384B (en) | Power leveling apparatus | |
US20090326700A1 (en) | Method for monitoring the physical state of a hot-rolled sheet or hot-rolled strip while controlling a plate rolling train for working a hot-rolled sheet or hot-rolled strip | |
JPWO2009113719A1 (en) | Learning method of rolling load prediction in hot plate rolling. | |
JP2009113101A (en) | Method and apparatus for learning control of rolling load, and manufacturing method of steel sheet | |
KR101782281B1 (en) | Energy consumption predicting device for rolling line | |
JP2019093419A (en) | Shape control device of cluster rolling mill | |
JP2007245204A (en) | Learning method for rolling-load model and device therefor | |
KR101749018B1 (en) | Flatness control device | |
JP4983589B2 (en) | Control device for cold continuous rolling equipment | |
JP6020263B2 (en) | Rolling load learning control device and learning control method, and metal plate manufacturing method using the same | |
JP7024800B2 (en) | Steel plant maintenance support equipment | |
TW202116432A (en) | Method for calculating plate thickness schedule for tandem rolling machine and rolling plant | |
JP5407444B2 (en) | Deformation resistance prediction method in hot rolling | |
JP5727865B2 (en) | Rolling model optimization device | |
JP2022508735A (en) | How to make metal workpieces | |
JP7211386B2 (en) | Model learning method, running strip thickness changing method, steel plate manufacturing method, model learning device, running strip thickness changing device, and steel plate manufacturing device | |
JP6670261B2 (en) | Tandem rolling mill control device and tandem rolling mill control method | |
JP5007630B2 (en) | Product quality control method and control device | |
JP4208509B2 (en) | Model learning device for rolling process | |
KR101443076B1 (en) | Apparatus for controlling thickness of rolled steel plate and the method thereof | |
JP2000126809A (en) | Set up device of rolling mill | |
KR20240037291A (en) | Operation support method, operation support device, and operation support program for rolling line |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20130905 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20140528 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20140603 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20140722 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20141118 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20150114 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20150602 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20150605 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5759206 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |