CN120187536A - 粗轧件的宽度预测方法、粗轧件的宽度控制方法、热轧钢板的制造方法以及粗轧件的宽度预测模型的生成方法 - Google Patents

Abstract

本发明的粗轧件的宽度预测方法预测热轧线中的粗轧件的宽度，上述热轧线包括：加热炉，其对板坯进行加热；宽度压下冲压装置，其对加热后的板坯间歇地进行宽度压下；粗轧机，其对宽度压下后的板坯进行粗轧来制造粗轧件；以及精轧机，其对粗轧件进行精轧来制造热轧钢板，其中，包括如下步骤：使用通过机器学习而学习到的宽度预测模型，预测粗轧件的长度方向的宽度分布，上述宽度预测模型作为输入数据包含从宽度压下冲压装置的操作参数中选择的一个以上的操作参数和从粗轧机的操作参数中选择的一个以上的操作参数，将粗轧件的长度方向的宽度分布的信息作为输出数据。

Description

粗轧件的宽度预测方法、粗轧件的宽度控制方法、热轧钢板的 制造方法以及粗轧件的宽度预测模型的生成方法

技术领域

本发明涉及热轧线中的粗轧件的宽度预测方法、粗轧件的宽度控制方法、热轧钢板的制造方法以及粗轧件的宽度预测模型的生成方法。

背景技术

在热轧线中，首先，利用加热炉对作为钢片原材料的板坯进行加热，通过宽度压下冲压装置(精整压力机)调整板坯的宽度，通过利用1台或2台以上的粗轧机的粗轧来制造大约30～50mm左右板厚的被称为粗轧坯(粗轧件)的半成品的钢板。接下来，利用切料头机切断粗轧坯的前尾端部之后，利用能够连续轧制的5～7台精轧机对粗轧坯进行精轧，制造1.0～25.0mm左右板厚的钢带。然后，最后，处于高温状态的钢带被输出辊道的冷却装置冷却后，被卷绕机(卷取机)卷绕而成为热轧钢带。在热轧线中，在宽度压下冲压装置、粗轧机、精轧机中，对钢板赋予向厚度方向及宽度方向的塑性变形，因此在热轧钢带的制造工序中钢板的宽度复杂地变动。另一方面，热轧钢带的宽度精度对产品成品率有直接影响。因此，在热轧线中，控制粗轧结束且装入精轧机之前的阶段的钢板的宽度(粗宽度控制)并且在通过精轧机的过程中控制钢板的宽度(精宽度控制)。

在热轧线中，钢板的宽度因各种原因而变化，因此提出了用于使热轧钢带的宽度精度提高的各种技术。例如在专利文献1中记载了根据轧制件的轧制方向温度分布的测量结果或粗轧机的轧制载荷的变动来预测滑道黑印(skid mark)部的精轧下的宽度变化量的方法。另外，在专利文献2中记载了为了抑制钢板的前端部及尾端部的宽度变动，而利用宽度压下冲压装置从钢板的前端部及尾端部朝向稳定部形成多个台阶部的方法。另外，在专利文献3中记载了通过学习构成粗轧机的立式轧制机(轧边机)、水平轧制机的操作条件的实绩值及水平轧制后的钢板的宽度的实绩值的关系来预测水平轧制后的钢板的宽度的变动，并以水平轧制后的钢板的宽度的预测值与实绩值之差为零的方式设定立式轧制机的开度的方法。

专利文献1：日本专利第2968647号公报

专利文献2：日本特开平5-200411号公报

专利文献3：日本专利第3260616号公报

专利文献1中记载的方法预测因在加热炉产生的轧制件的轧制方向温度分布而产生的精轧机中的宽度变化量，但轧制件的长度、宽度因宽度压下、粗轧等而发生变化。因此，需要确定在加热炉产生的温度分布对应于轧制件的哪个位置。然而，在板坯成为粗轧件为止的期间，轧制件的长度延伸到5～10倍左右，因此难以准确地跟踪在加热炉产生的温度分布。因此，难以高精度地预测宽度变化量来抑制热轧钢板的宽度不良的发生。

另一方面，专利文献2中记载的方法使用宽度压下冲压装置来抑制钢板的前端部及尾端部的宽度变动，但难以高精度地预测钢板的前端部及尾端部的复杂的金属流线来形成与其对应的台阶部。因此，钢板的宽度产生偏差，存在发生热轧钢板的宽度不良的可能性。另外，专利文献3中记载了通过使用立式轧制机和水平轧制机的操作条件的实绩值的学习来预测水平轧制后的钢板的宽度的变动。然而，钢板的长度方向的宽度分布不仅受到粗轧的操作条件的影响，还受到在加热炉产生的板坯的温度分布、基于宽度压下冲压装置的宽度变动的影响。因此，难以高精度地预测水平轧制后的钢板的宽度的变动。

发明内容

本发明是为了解决上述课题而完成的，其目的在于提供一种能够高精度地预测粗轧件的长度方向的宽度分布的粗轧件的宽度预测方法。另外，本发明的另一目的在于提供一种能够精度地控制粗轧件的长度方向的宽度的粗轧件的宽度控制方法。另外，本发明的又一目的在于提供一种能够制造长度方向的宽度精度优异的热轧钢板的热轧钢板的制造方法。另外，本发明的又一其他目的在于提供一种能够生成高精度地预测粗轧件的长度方向的宽度分布的宽度预测模型的粗轧件的宽度预测模型的生成方法。

本发明的粗轧件的宽度预测方法预测热轧线中的上述粗轧件的宽度，上述热轧线包括：加热炉，上述加热炉对板坯进行加热；宽度压下冲压装置，上述宽度压下冲压装置对加热后的板坯间歇地进行宽度压下；粗轧机，上述粗轧机对宽度压下后的板坯进行粗轧来制造粗轧件；以及精轧机，上述精轧机对上述粗轧件进行精轧来制造热轧钢板，其中，包括如下步骤：使用通过机器学习而学习到的宽度预测模型，预测上述粗轧件的长度方向的宽度分布，上述宽度预测模型作为输入数据包含从上述宽度压下冲压装置的操作参数中选择的一个以上的操作参数和从上述粗轧机的操作参数中选择的一个以上的操作参数，将上述粗轧件的长度方向的宽度分布的信息作为输出数据。

上述宽度压下冲压装置的操作参数和上述粗轧机的操作参数可以是作为上述粗轧件的长度方向上的代表值而被确定的操作参数。

上述宽度预测模型作为上述输入数据可以包含从上述加热炉的操作参数中选择的一个以上的操作参数。

上述宽度预测模型作为上述输入数据可以包含从上述板坯的属性信息中选择的一个以上的属性参数。

本发明的粗轧件的宽度控制方法使用本发明的粗轧件的宽度预测方法，预测上述粗轧件的长度方向的宽度分布，基于预测出的宽度分布设定上述粗轧机的操作参数。

本发明的热轧钢板的制造方法相对于使用本发明的粗轧件的宽度控制方法控制了宽度的粗轧件，利用上述精轧机进行精轧，来制造热轧钢板。

本发明的粗轧件的宽度预测模型的生成方法生成预测热轧线中的上述粗轧件的宽度的宽度预测模型，上述热轧线包括：加热炉，上述加热炉对板坯进行加热；宽度压下冲压装置，上述宽度压下冲压装置间歇地对加热后的板坯进行宽度压下；粗轧机，上述粗轧机对宽度压下后的板坯进行粗轧来制造粗轧件；以及精轧机，上述精轧机对上述粗轧件进行精轧来制造热轧钢板，其中，包括如下步骤：获取多个学习用数据，通过使用获取到的多个学习用数据的机器学习，生成上述宽度预测模型，上述多个学习用数据作为输入实绩数据包含从上述宽度压下冲压装置的操作参数中选择的一个以上的操作实绩数据和从上述粗轧机的操作参数中选择的一个以上的操作实绩数据，将上述粗轧件的长度方向的宽度分布的信息作为输出实绩数据。

根据本发明的粗轧件的宽度预测方法，能够高精度地预测粗轧件的长度方向的宽度分布。另外，根据本发明的粗轧件的宽度控制方法，能够高精度地控制粗轧件的长度方向的宽度。另外，根据本发明的热轧钢板的制造方法，能够制造长度方向的宽度精度优异的热轧钢板。另外，根据本发明的粗轧件的宽度预测模型的生成方法，能够生成高精度地预测粗轧件的长度方向的宽度分布的宽度预测模型。

附图说明

图1是表示应用本发明的热轧线的结构例的示意图。

图2是表示图1所示的加热炉的结构例的示意图。

图3是从上方观察图1所示的加热炉的内部的示意图。

图4是表示图1所示的宽度压下冲压装置的结构例的示意图。

图5是表示构成图1所示的粗轧机的机架的结构的图。

图6是用于说明光学式宽度测定方法的示意图。

图7是表示作为本发明的一个实施方式的宽度预测模型生成部的结构的框图。

图8是表示使用神经网络的宽度预测模型的结构的示意图。

图9是表示通过宽度压下冲压装置进行了宽度压下后的板坯的宽度分布的例子的图。

图10是表示轧制件的前端部及尾端部的宽度下降的图。

图11是表示在不进行使用轧边机的宽度压下而对长度方向的宽度恒定的轧制件进行了水平轧制的情况下形成的宽度分布的图。

图12是表示作为本发明的一个实施方式的宽度预测部的结构的框图。

图13是表示在使用宽度压下冲压装置进行了板坯的宽度压下后，进行了使用轧边机的1个道次的宽度轧制和使用水平轧制机的1个道次的水平轧制后的粗轧件的宽度分布的图。

图14是表示实施例中的粗轧件的长度方向的宽度分布的预测结果的图。

图15是表示实施例中的粗轧件的长度方向的宽度分布的预测结果的图。

图16是表示实施例中的粗轧件的长度方向的宽度分布的预测结果的图。

具体实施方式

以下，参照附图对作为本发明的一个实施方式的粗轧件的宽度预测方法、粗轧件的宽度控制方法、热轧钢板的制造方法以及粗轧件的宽度预测模型的生成方法详细地进行说明。

＜热轧线＞

首先，参照图1～图6对应用本发明的热轧线的结构进行说明。

图1是表示应用本发明的热轧线的结构例的示意图。如图1所示，应用本发明的热轧线1具备：加热炉2、除鳞装置3、宽度压下冲压装置4、粗轧机5、精轧机6、冷却装置7及卷绕机(卷取机)8。未图示的铸造板坯在被装入加热炉2后，被加热到规定的设定温度，并作为热板坯从加热炉2被抽出。从加热炉2被抽出的热板坯在被除鳞装置3去除了形成于表面的一次氧化皮后，被宽度压下冲压装置4宽度压下到规定的设定宽度。然后，被宽度压下的板坯通过在粗轧机5中被轧制到规定厚度而成为粗轧坯(粗轧件)，并被输送到精轧机6。在精轧机6中，粗轧坯通过5～7台连续式轧制机被轧制到产品厚度。在精轧机6的下游侧的被称为输出辊道的设备具备冷却装置7，钢板在被冷却到规定的温度后，被卷绕机8卷绕成卷材状。另外，在热轧线1的输送工序的中途设置有多个宽度计作为宽度测定单元。在图1所示的例子中，在粗轧机5的出口侧设置有粗轧出口侧宽度计11，在精轧机6的出口侧设置有精轧出口侧宽度计12。另外，在冷却装置7的出口侧设置有测定卷绕前的钢板的宽度的卷绕机前宽度计(卷绕机入口侧宽度计)13。以下，有时将由粗轧出口侧宽度计11测定出的粗轧坯的宽度称为粗轧出口侧宽度，将由精轧出口侧宽度计12测定出的钢板的宽度称为精轧出口侧宽度，将由卷绕机前宽度计13测定出的钢板的宽度称为卷绕机前宽度。

热轧线1具备：控制用控制器(PLC)90，其控制构成热轧线1的各设备；控制用计算机(过程计算机)91，其对控制用控制器90给出控制指令；以及上位计算机92，其对热轧线1给出制造指示。通过控制用计算机91基于上位计算机92或来自上位计算机92的制造指示设定粗轧出口侧宽度的目标值(粗轧目标宽度)、精轧出口侧宽度的目标值(精轧目标宽度)、卷绕机前宽度的目标值(卷绕机前目标宽度)，并设定粗轧机5及精轧机6的操作条件，来执行热轧线1中的钢板的宽度控制。具体而言，上位计算机92或控制用计算机91基于根据热轧钢板的产品规格决定的卷绕机前目标宽度，考虑从精轧机6出口侧到卷绕机前宽度计13之间产生的钢板的宽度变化量来设定精轧目标宽度。另外，上位计算机92或控制用计算机91基于所设定的精轧目标宽度，考虑精轧机6中的钢板的宽度变化量来设定粗轧目标宽度。然后，上位计算机92或控制用计算机91设定粗轧的各道次的轧制条件，以使粗轧结束后的粗轧坯的宽度与粗轧目标宽度一致。另外，上位计算机92或控制用计算机91设定精轧的各机架的轧制条件，以使精轧后的钢板的宽度与精轧目标宽度一致。另外，上位计算机92或控制用计算机91有时设定精轧机6与卷绕机8之间的张力、冷却装置7的冷却条件，以使卷绕前的钢板的宽度与卷绕机前目标宽度一致。在该情况下，也存在在精轧机6中一边参照粗轧出口侧宽度、精轧出口侧宽度的实测值一边执行动态宽度控制的情况。控制用控制器90具有以下功能：除了从设置于热轧线1的宽度计获取的信息以外，还以规定的采样周期收集从各种传感器(板厚计、温度计等)获取的信息，并将它们输出至控制用计算机91。

作为本发明的一个实施方式的粗轧件的宽度预测方法是预测由设置在粗轧机5的出口侧的粗轧出口侧宽度计11测定的粗轧坯的长度方向的宽度分布的方法。另外，作为本发明的一个实施方式的粗轧件的宽度控制方法是以粗轧结束后的粗轧坯的宽度与粗轧目标宽度一致的方式控制粗轧坯的长度方向的宽度的方法。

〔加热炉〕

图2是表示图1所示的加热炉2的结构例的示意图。如图2所示，在本实施方式中，板坯SA从图2的左侧被装入加热炉2内。被装入加热炉2内的板坯SA的温度存在在铸造后板坯堆场被冷却到室温左右的情况、在冷却中途成为600℃左右的温度的情况。另外，也存在不经由铸造后板坯堆场而以600～800℃左右的温度被装入的情况。加热炉2的内部被划分为多个带域，通常在上游侧设置有被划分为2～8个带域的加热带和1～3个均热带。在图2所示的例子中，设置有5个加热带和1个均热带，这里将两者合称为“加热炉带”。各个加热炉带以被装入加热炉2内的板坯SA的平均温度逐渐升温而成为规定的目标加热温度(从加热炉2抽出时的板坯SA的平均温度的目标值)的方式分别被设定为不同的环境温度。另外，在任一加热炉带的上部均设置有测量加热炉带内的环境温度的温度计21。

图3是从上方观察图1所示的加热炉2的内部的示意图。如图3所示，被装入加热炉2内的板坯SA在加热炉2的内部利用被称为步进梁22的输送设备依次通过各加热炉带。另外，多个板坯SA被同时装入加热炉2内，按被装入加热炉2的顺序从加热炉2的抽出侧出口被抽出，进行热轧。步进梁22的内部被水冷，通过被称为滑道的与板坯SA直接接触的部件产生局部阻碍板坯SA的升温的部分。与滑道接触的板坯SA部分被称为滑道黑印(skid mark)，相比于不与滑道接触的部分，成为温度低的区域。如专利文献1中记载的那样，钢板的宽度根据滑道黑印而变动，对热轧钢板的宽度精度产生影响。

〔宽度压下冲压装置〕

图4是表示图1所示的宽度压下冲压装置4的结构例的示意图。被加热炉2加热后的板坯SA在被除鳞装置3去除了形成于表面的一次氧化皮之后，被宽度压下冲压装置4宽度压下到规定的设定宽度。如图4所示，宽度压下冲压装置4具备一对宽度压下用模具41。宽度压下用模具41从宽度方向压下板坯SA。宽度压下冲压装置4一边输送板坯SA一边利用驱动装置42驱动宽度压下用模具41，从板坯SA的宽度方向的两侧间歇地对板坯SA进行宽度压下。

在宽度压下冲压装置4中，使用夹送辊43等来输送板坯SA。宽度压下冲压装置4能够通过变更夹送辊43的驱动量来变更宽度压下道次间的板坯SA的进给间距。进给间距意味着宽度压下冲压装置4中的每1道次宽度压下的板坯SA的输送距离。由控制宽度压下冲压装置4的控制用控制器90进行夹送辊43的驱动量的控制。在宽度压下用模具41的与板坯SA接触的面从板坯输送方向前端侧起依次形成有与板坯输送方向平行的平行部41a、和朝向板坯输送方向的相反方向向宽度方向扩展的倾斜部41b。在宽度压下用模具41中，为了抑制相对于板坯SA产生滑移，存在在倾斜部41b间设置有一个或多个平行部41a的情况。板坯SA的变形状态根据宽度压下用模具41的形状发生变化，对粗轧机5中的钢板的宽度精度产生影响。

〔粗轧机〕

返回图1。粗轧机5具备能够反向轧制的可逆式轧制机5a、和能够进行仅在向下游侧的输送方向上的轧制的不可逆式轧制机5b。在图1所示的粗轧机5的下方图示的箭头(实线)表示压下道次(使厚度减薄的轧制道次)。在可逆式轧制机5a中，通常，在可逆方向上(从上游侧向下游侧或从下游侧向上游侧)进行5～11左右的压下道次。在最终的压下道次中，为了同时实施轧制和向下一轧制机的输送，可逆式轧制机的轧制道次次数必须为奇数，一边进行轧制一边向位于下游侧的轧制机输送粗轧坯。此时，将从在当前压下道次中粗轧坯的尾端部退出轧制机到轧制方向反转、在下一压下道次中粗轧坯咬入轧制机为止的时间称为可逆道次的道次间时间。另外，将从在可逆道次的最终轧制道次中粗轧坯的尾端部退出可逆式轧制机5a到咬入不可逆式轧制机5b为止的时间称为连续道次的道次间时间。另外，将可逆道次的道次间时间和连续道次的道次间时间合起来称为道次间空冷时间。道次间空冷时间表示粗轧坯在输送中被空冷的时间，对粗轧坯的温度变化产生影响。

图5是表示构成图1所示的粗轧机5的机架的结构的示意图。如图5所示，粗轧机5具备使钢板SB的厚度减厚的水平轧制机51、和使钢板SB的宽度减少的轧边机(立式轧制机)52。轧边机52是纵向配置有一对辊的轧制机，与水平轧制机51邻接设置。使用轧边机52的钢板SB的宽度压下(宽度轧制)通常在粗轧的各轧制道次中在水平轧制之前进行。因此，在相对于可逆式轧制机5a配置1台轧边机52的情况下，利用轧边机52进行的宽度压下仅在顺方向即奇数道次进行，在偶数道次即相反方向道次不进行。不过，当在可逆式轧制机5a的两侧配置轧边机52的情况下，可以在任何一轧制道次中都进行宽度压下。粗轧的各道次中的水平轧制机51的辊开度(辊间隙)及轧边机52的开度由控制用计算机91设定。在粗轧机5设置有用于朝向钢板SB喷射除鳞水的除鳞头，在水平轧制机51的入口侧进行除鳞。不过，并不一定在粗轧的所有轧制道次中喷射除鳞水，例如仅在第一道次喷射，或者仅在奇数道次喷射，根据钢板SB的材质等设定规定的除鳞模式。将结束了由粗轧机5预先设定的所有轧制道次的状态的钢板SB称为粗轧坯或薄板坯，在本发明中称为粗轧件。

〔宽度计〕

返回图1。由粗轧出口侧宽度计11、精轧出口侧宽度计12及卷绕机前宽度计13测定热轧线1中的钢板的宽度。这些宽度计大多使用光学式的宽度测定方法。光学式宽度测定方法在输送钢板的轧制线的下方配置光源，并在上方配置图像传感器，基于在钢板通过的过程中从光源发出的光线在钢板的宽度方向的阴影长度来测定宽度。另一方面，作为宽度计，根据使用相机拍摄到的钢板的图像通过图像处理确定钢板的宽度方向端部的位置来测定钢板的宽度。使用相机的宽度计不需要沿着钢板的宽度方向配置光源、图像传感器，因此成为简易的装置结构。然而，由于从倾斜方向拍摄钢板的宽度方向端部，因此若钢板从轧制线浮起，则容易产生宽度的测定误差。因此，大多具备根据钢板从轧制线的浮起量来修正宽度的测定误差的功能。具体而言，如图6所示，在钢板SB从轧制线14以浮起量H的高度被输送的情况下，如以下那样来修正宽度的测定误差。首先，配置在钢板SB的宽度方向上的一组相机15a、15b确定钢板SB的宽度方向两端部，确定宽度的测定值W1。接下来，配置在钢板SB的宽度方向上的另一组相机15c、15d确定钢板SB的宽度方向两端部，确定宽度的测定值W2。然后，基于相机15a、15b与相机15c、15d的位置关系(在图6所示的例子中，相机15a、15b的宽度方向的间隔D和相机15a(15b)与相机15c(15d)的宽度方向的间隔L)，通过以下所示的数式(1)计算钢板SB的实际的宽度W，作为钢板SB的宽度的测定值。

[式1]

不过，作为其他宽度测定方法，也有时使用朝向钢板的宽度方向射出激光，并接收来自钢板的端面的反射光，基于到钢板的两端面的距离来测定宽度的方法。一些宽度计具备基于钢板的温度换算为冷却后的宽度的热膨胀修正功能。钢板的宽度在钢板的输送过程中使用宽度计来测定，因此通过宽度计得到的钢板的宽度测定值成为与宽度计的采样间距对应的时间序列的数值信息。另外，使用钢板通过宽度计的位置的输送速度的信息来转换为钢板的长度方向的位置与宽度的实绩值的关系。然后，在控制用计算机91中，基于获取到的宽度的实测值计算宽度的代表值。宽度的代表值使用钢板的长度方向上的宽度的平均值(平均宽度)、钢板的除前尾端部以外的稳定部的宽度的实测值(稳定宽度)、钢板的前端部的宽度的实测值(前端宽度)、尾端部的宽度的实测值(尾端宽度)等。另外，有时计算钢板的长度方向上的宽度的最小值(最小宽度)、最大值(最大宽度)等。由宽度计测定的宽度的实测值也有时通过与预先设定的目标宽度的偏差表示。

本实施方式中的粗轧件的长度方向的宽度分布的信息是指由粗轧出口侧宽度计11测定并与长度方向的位置信息建立了对应关系的粗轧件的宽度。通常，基于粗轧出口侧宽度计11的测定值作为从粗轧件的前端起在长度方向上划分出的每个位置的离散数据被获取，因此生成为将距粗轧件的前端的距离与宽度测定值建立了对应关系的多个数据组。粗轧件的长度方向的宽度分布的信息是相对于粗轧件的长度方向与至少3个点的位置数据建立了对应关系的宽度测定值。不过，粗轧件的长度方向的宽度分布的信息优选是相对于粗轧件的长度方向与100～10,000位置数据建立了对应关系的宽度测定值。这是因为，在位置数据不足100的情况下，存在难以确定粗轧件的长度方向的宽度变动的情况，即使位置数据超过10,000，确定宽度变动的精度也不会提高。宽度分布的信息也可以使用粗轧件的长度来将长度方向的位置数据归一化，作为与被归一化的位置数据建立了对应关系的粗轧件的宽度测定值。

＜宽度预测模型的生成方法＞

接下来，参照图7～图11对作为本发明的一个实施方式的宽度预测模型的生成方法进行说明。

图7是表示作为本发明的一个实施方式的宽度预测模型生成部的结构的框图。如图7所示，作为本发明的一个实施方式的宽度预测模型生成部100具备数据库部101和机器学习部102。数据库部101积蓄从宽度压下冲压装置4的操作实绩数据中选择的一个以上的操作实绩数据、从粗轧机5的操作实绩数据中选择的一个以上的操作实绩数据及粗轧件的长度方向的宽度分布的实绩数据。数据库部101也可以根据需要积蓄从加热炉的操作实绩数据中选择的一个以上的操作实绩数据、从板坯的属性信息的实绩数据中选择的一个以上的实绩数据。关于积蓄于数据库部101的操作数据的具体例后文叙述。

从控制用控制器90、控制用计算机91或上位计算机92适当地获取数据库部101所积蓄的实绩数据。在本实施方式中，宽度预测模型生成部100为了收集这些实绩数据而具备数据获取部103。数据获取部103暂时保存实绩数据，在生成了将多种实绩数据建立了对应关系的数据集之后积蓄于数据库部101。数据库部101所积蓄的数据存在分别获取的时机不同的情况，因此通过在数据获取部103中将多种实绩数据建立对应关系，能够构成相互处于对应关系的数据集。

数据库部101积蓄的数据集所包含的宽度压下冲压装置4的操作实绩数据和粗轧机5的操作实绩数据可以使用被确定为一个粗轧件的长度方向上的代表值的实绩数据。粗轧件的长度方向上的代表值是指代表粗轧件的长度方向上的操作条件的一个数据。粗轧件的长度方向上的代表值可以使用设定确定了粗轧件的长度方向上的位置的代表位置且与所设定的代表位置处的操作条件相关的数据。另外，粗轧件的长度方向上的代表值可以使用粗轧件的长度方向上的操作数据的平均值、标准偏差。另外，粗轧件的长度方向上的代表值也可以使用与相对于粗轧件的长度方向被固定的(不变化的)操作条件相关的数据。例如在对板坯进行宽度压下时，可以在板坯的稳定部设定代表位置，并使用相对于代表位置设定的操作实绩数据。在进行粗轧时，也可以在粗轧件的稳定部设定代表位置，并使用相对于代表位置设定的操作实绩数据。不过，设定的代表位置并不局限于粗轧件的稳定部，也可以设定从热轧线的输送方向的下游侧的端部起相对于板坯的全长为1/4位置及3/4位置、从前端部、尾端部起设定一个代表位置，获取操作实绩数据。在该情况下，宽度压下冲压装置的操作参数和粗轧机的操作参数相对于一个粗轧件作为操作参数被确定一个个代表值，它们与粗轧件的宽度分布建立对应关系。即，作为本实施方式的宽度预测模型具有如下特征：作为预测结果，输出和与被输入的操作参数建立了对应关系的粗轧件的长度方向的位置在长度方向不同的位置处的宽度。

宽度预测模型生成部100能够设置于用于控制热轧线1制造钢板的控制用计算机91。另外，宽度预测模型生成部100也可以设置于向控制用计算机91发出制造指示的上位计算机92，还可以设置于能够与其他设备通信的独立的计算机。另外，宽度预测模型生成部100也可以使用能够接收积蓄于数据库部101的数据集的装置而构成为与数据库部101分开设置的装置。数据库部101积蓄100个以上的数据集。优选10,000个以上、更优选100,000个以上的数据集积蓄于数据库部101。对于积蓄于数据库部101的数据，存在根据需要进行筛选的情况。

机器学习部102使用积蓄于数据库部101的数据集，通过使用了多个学习用数据的机器学习，生成预测粗轧件的长度方向的宽度分布的信息的宽度预测模型M，上述多个学习用数据作为输入实绩数据包含从宽度压下冲压装置4的操作参数中选择的一个以上的操作实绩数据和从粗轧机5的操作参数中选择的一个以上的操作实绩数据，将粗轧件的长度方向的宽度分布的信息作为输出实绩数据。用于生成宽度预测模型M的机器学习模型只要得到实用上足够的宽度的预测精度，则也可以是任一机器学习模型。例如，只要使用通常使用的神经网络(包括深度学习、卷积神经网络等)、决策树学习、随机森林、支持向量回归等即可。另外，也可以使用组合了多个模型的集成模型。例如能够通过使用了图8所示的一般神经网络的机器学习来生成宽度预测模型M。特别是若使用深度学习，则不考虑多重共线性的问题，与粗轧件的宽度分布具有相关关系的其他操作参数也能够作为输入自由选择，因此能够提高粗轧件的宽度分布的预测精度。例如神经网络的中间层设为2层，节点数各设为3个，作为激活函数能够使用利用了s型(sigmoid)函数的激活函数。

机器学习部102也可以通过将积蓄于数据库部101的数据集分为训练数据和测试数据来进行学习而使粗轧件的宽度分布的推断精度提高。例如机器学习部102也可以使用训练数据来进行神经网络的权重系数的学习，以测试数据中的粗轧件的宽度分布的正解率变高的方式适当地变更神经网络的构造(中间层的数量、节点数)并且生成宽度预测模型M。权重系数的更新能够使用误差传播法。宽度预测模型M例如也可以每6个月或每年通过再学习更新为新的模型。这是因为，保存于数据库部101的数据越增加，越能够进行精度高的粗轧件的宽度分布的预测，通过基于最新的数据更新宽度预测模型M，能够生成反映了使用热轧线制造的热轧钢板的制造条件的变化的宽度预测模型M。在本实施方式中，在使用热轧线制造热轧钢板时，根据被确定为轧制件的长度方向上的代表值的操作条件，能够预测粗轧件的长度方向的宽度分布的信息。现有技术的粗轧件的宽度预测针对轧制件的长度方向的每个位置获取操作条件的实绩数据，并将针对粗轧件的长度方向的每个位置获取到的宽度的实绩数据建立了对应关系。由此，在从加热炉2被抽出的板坯通过宽度压下冲压装置4、粗轧机5被赋予塑性变形而作为粗轧件大幅延伸了的情况下，需要进行确定轧制件的长度方向的位置的跟踪，来将宽度压下冲压装置4、粗轧机5的操作条件与粗轧件的位置信息建立对应关系。相对于此，本实施方式由于轧制件的长度方向上的操作条件的代表值与粗轧件的宽度分布直接建立对应关系，因此不需要在粗轧中跟踪轧制件的特定的位置。

〔板坯的属性信息〕

能够用于宽度预测模型M的输入的板坯的属性信息是指与对热轧线1的宽度压下冲压装置4及粗轧机5中的轧制件的宽度变化产生影响的板坯尺寸相关的信息。与板坯尺寸相关的信息是指与板坯的厚度、宽度、长度及重量相关的信息。与板坯尺寸相关的信息对热轧线1中的钢板的温度变化产生影响，影响宽度压下、粗轧时的轧制件的变形阻力。特别是，由于温度下降的行为在轧制件的前端部、尾端部和稳定部不同，因此作为结果与粗轧件的长度方向的宽度分布产生相关关系。

〔加热炉的操作参数〕

能够用于宽度预测模型M的输入的加热炉的操作参数是表示在热轧线1的加热炉2中加热板坯时的操作条件的参数，是指对热轧线1的宽度压下冲压装置4及粗轧机中的轧制件的宽度变化产生影响的信息。加热炉2的操作参数能够使用装入加热炉2时的板坯的温度、加热炉2内的特定的加热炉带的在炉时间、加热炉2的最终的加热炉带的环境温度、从加热炉2抽出的板坯的温度。根据这些参数，温度下降的行为在轧制件的前端部、尾端部和稳定部发生变化，因此与粗轧件的长度方向的宽度分布产生相关关系。

另外，也可以使用加热炉2内的板坯的装入位置、加热炉2内的板坯与其他板坯之间的位置关系等信息。如图3所示，加热炉2内的板坯的装入位置能够使用关于表示位于加热炉2的一方的端部的步进梁22与板坯SA的长度方向端部的距离的炉内装入位置P的信息。这是因为，板坯SA的长度方向上的滑道黑印的位置因炉内装入位置P而改变，对在钢板的长度方向上产生宽度变动的位置产生影响。板坯SA的装入位置也可以使用以板坯SA的长度方向端部与加热炉2的炉壁之间的距离D1、装入有板坯SA的加热炉2的步进梁22(固定滑道)、移动滑道23的间隔为代表的参数。

另外，作为加热炉2内的板坯与其他板坯之间的位置关系的信息，如图3所示，能够使用与在加热炉2内邻接的其他板坯之间的距离(装入间隔)D2。若装入间隔D2在加热炉2内改变，则板坯的端面的温度发生变化。这是因为，对热轧线1中的轧制件的温度分布产生影响，从而对粗轧件的宽度分布产生影响。作为加热炉2内的板坯与其他板坯之间的位置关系的信息，也可以使用其他板坯的长度、厚度、预测对象的板坯的前端部和其他板坯的前端部到加热炉的炉壁的距离之差等。

〔宽度压下冲压装置的操作参数〕

能够用于宽度预测模型M的输入的宽度压下冲压装置4的操作参数是指对加热的板坯进行宽度压下时的操作条件。宽度压下冲压装置4的操作参数能够使用与对板坯的宽度压下量相关的操作参数。与对板坯的宽度压下量相关的操作参数包括板坯的长度方向上的代表位置的宽度压下量和宽度压下道次间的板坯的进给间距。根据与对板坯的宽度压下量相关的操作参数，在形成于宽度压下后的板坯的稳定部的狗骨(dogbone)(宽度方向的厚度分布)形状与前尾端部的狗骨形状之间产生差异，对粗轧件的长度方向的宽度分布产生影响。即，即使作为板坯的长度方向上的代表值的宽度压下量相对于板坯的长度方向恒定，狗骨形状在板坯的稳定部、前端部及尾端部也不同，因此对粗轧件的长度方向的宽度分布产生影响。另外，即使在宽度压下道次间的板坯的进给间距恒定的情况下，狗骨形状在稳定部和前尾端部也产生差异，因此对粗轧件的长度方向的宽度分布产生影响。关于对板坯的宽度压下量，有时在板坯的前端部、稳定部及尾端部分别设定不同的宽度压下量。在该情况下，作为宽度压下冲压装置4的操作参数的代表值，也可以使用对板坯的前端部、稳定部及尾端部设定的任一宽度压下量。另外，关于宽度压下道次间的板坯的进给间距，有时也在板坯的前端部、稳定部及尾端部分别设定不同的进给间距。在该情况下，作为宽度压下冲压装置4的操作参数的代表值，也可以使用对板坯的前端部、稳定部及尾端部设定的任一进给间距。

另外，宽度压下冲压装置4的操作参数能够使用与适用于宽度压下冲压装置4的模具形状相关的操作参数。与模具形状相关的操作参数是相对于板坯的长度方向被固定的代表值。例如，可以使用形成于宽度压下用模具41的平行部41a的长度、倾斜部41b的角度。这是因为，根据宽度压下用模具41的形状，在板坯的稳定部和前尾端部处变形状态产生差异，对粗轧件的长度方向的宽度分布产生影响。图9示出了在板坯的长度方向上使宽度压下量和进给间距恒定，通过宽度压下冲压装置4进行了宽度压下后的宽度分布的例子。如图9所示，可知沿着宽度压下后的板坯的前端部到尾端部产生周期性的宽度变动(也被称为冲压痕)。使用了宽度压下冲压装置4的宽度压下由于是间歇性的加工，因此以规定的间隔出现宽度宽的部分和窄的部分。由此，对粗轧件的长度方向的宽度分布产生影响。

如以上那样，通过确定宽度压下冲压装置4的操作参数作为一个板坯的长度方向上的代表值，从而针对宽度压下后的板坯，长度方向的宽度变动的模式被赋予特征。即，即使不沿着板坯的长度方向确定各位置处的操作参数，也能够针对宽度压下后的板坯确定与长度方向的宽度变动相关的分布的特征。

〔粗轧机的操作参数〕

用于宽度预测模型M的输入的粗轧机5的操作参数意味着对粗轧机5进行的粗轧的任意的轧制道次中的轧制件的长度方向的宽度分布产生影响的轧制操作条件。粗轧机5的操作参数优选包含构成粗轧机5的水平轧制机51及轧边机5的轧制条件。作为水平轧制机51的轧制条件，可以使用任意的轧制道次中的辊开度、工作辊径、入口侧板厚、出口侧板厚、压下率、粗轧目标宽度、轧制载荷、钢板温度。即使水平轧制中的操作条件相对于轧制件的长度方向恒定，宽度扩展的行为在轧制件的稳定部和前尾端部也不同，因此对粗轧件的长度方向的宽度分布产生影响。

作为轧边机52的轧制条件，可以使用任意的轧制道次中的轧边机开度、轧边机辊径、板厚、宽度压下率、宽度压下载荷。这是因为，这些轧制条件对轧制件的水平轧制中的宽度扩展行为产生影响，也对轧制件的稳定部与前尾端部的宽度扩展之差产生影响。另外，即使宽度轧制的操作条件相对于轧制件的长度方向恒定，狗骨的形成行为在轧制件的稳定部和前尾端部也产生差异，因此对粗轧件的长度方向的宽度分布产生影响。作为粗轧机的操作参数的轧制条件对粗轧件的宽度分布产生较大的影响，因此也可以将与粗轧的所有轧制道次对应的轧制条件包含在粗轧机的操作参数中。对于轧边机开度，有时在轧制件的前端部、稳定部、尾端部分别设定不同的轧边机开度。在该情况下，作为粗轧机5的操作参数的代表值，也可以使用对轧制件的前端部、稳定部及尾端部设定的任一轧边机开度。

另外，优选粗轧机5的操作参数包含从粗轧的第一道次到最终道次的出口侧板厚的设定值或实绩值。是所谓的粗轧的道次规程。若道次规程不同，则在轧制道次间输送时的轧制件的厚度发生变化，从而空冷时的温度分布发生变化，使基于轧制件的长度方向的位置的宽度方向的变形行为产生差异。并且，粗轧机5的操作参数也可以包含与轧制道次间的空冷时间、任意的轧制道次中的除鳞水的喷射的有无相关的信息。这是因为，虽然它们是相对于轧制件的长度方向不发生变化的操作条件，但在轧制件的稳定部和前尾端部对温度下降量之差产生影响，使基于轧制件的长度方向的位置的宽度方向的变形行为产生差异。对于水平轧制机51的辊开度，有时在轧制件的前端部、稳定部及尾端部分别设定不同的辊开度。在该情况下，作为粗轧机5的操作参数的代表值，也可以使用对轧制件的前端部、稳定部及尾端部设定的任一辊开度。

图10示意性地表示通过粗轧而产生的轧制件的前端部及尾端部的宽度下降。宽度下降是指由于粗轧而在前端部或尾端部与稳定部相比宽度变小的行为。这是因为，若利用轧边机对轧制件进行宽度轧制，则在稳定部，在利用轧边机辊进行宽度方向的压下时，长度方向上的前后的材料成为对宽度方向的压下的阻力，形成变形集中于轧制件的宽度方向端部的被称为狗骨的宽度方向的厚度分布。然后，若对具有狗骨的轧制件进行水平轧制，则通过形成于宽度方向端部的增厚部促进向宽度方向的塑性流动，从而宽度恢复变大。相对于此，若利用轧边机进行前尾端部的宽度轧制，则由于在长度方向上的前方或后方不存在材料，因此对宽度方向的压下的阻力变弱，从而容易朝向轧制件的宽度方向中央部产生轧制件的增厚。由此，在进行水平轧制时，向宽度方向的塑性流动被抑制，与稳定部相比，宽度恢复变小。像这样，由于利用轧边机的轧制件的增厚行为在轧制件的稳定部和前尾端部不同，因此通过水平轧制而产生的宽度扩展根据轧制件的长度方向的位置而不同，产生宽度下降。

另一方面，图11示意性地示出了不进行使用轧边机的宽度压下，而在对长度方向的宽度恒定的轧制件进行了水平轧制的情况下形成的宽度分布。在进行水平轧制的情况下，在稳定部，由于存在于长度方向的前后的材料产生向宽度方向的塑性流动的阻力(约束)，因此轧制件的宽度扩展小。相对于此，在前尾端部，在长度方向的前后的任一方不存在约束向宽度方向的塑性流动的材料，因此轧制件的宽度扩展变大。因此，若对长度方向的宽度恒定的轧制件进行水平轧制，则如图11所示在轧制件的前端部及尾端部的宽度扩展变大。

如以上那样，即使粗轧机5的操作条件在轧制件的长度方向上恒定，构成粗轧机5的轧边机、水平轧制机中的轧制件的宽度也在长度方向上具有恒定的模式。因此，在本实施方式中，作为粗轧机的操作参数，能够使用被确定为轧制件的长度方向上的代表值的操作参数，来与粗轧件的长度方向的宽度分布的信息建立对应关系。

＜粗轧件的宽度预测方法＞

接下来，参照图12、图13对作为本发明的一个实施方式的粗轧件的宽度预测方法进行说明。

作为本发明的一个实施方式的粗轧件的宽度预测方法包括如下步骤：通过将宽度压下冲压装置4的操作参数和粗轧机5的操作参数输入至宽度预测模型M，并输出粗轧件的长度方向的宽度分布的信息，来预测粗轧件的长度方向的宽度分布。执行预测粗轧件的宽度分布的步骤的宽度预测部能够设置于用于控制热轧线1的控制用计算机91。另外，宽度预测部也可以设置于向控制用计算机91给出制造指示的上位计算机92，还可以设置于能够与其他设备通信的独立的计算机。另外，宽度预测部也可以使用能够接收宽度预测模型生成部100生成的宽度预测模型M的装置，而构成为与宽度预测模型生成部100分开设置的装置。以下，参照图12对作为本发明的一个实施方式的宽度预测部的动作进行说明。

图12是表示作为本发明的一个实施方式的宽度预测部的结构的框图。图12所示的宽度预测部110的动作在对在热轧线1中制造的热轧钢板完成粗轧之前执行。宽度预测部110的动作例如能够在作为宽度的预测对象的板坯被从加热炉2抽出的阶段执行。在板坯被从加热炉2抽出的阶段，控制用计算机91至少计算宽度压下冲压装置4和粗轧机5的操作条件的设定值，能够将这些设定值用于宽度预测模型M的输入。在该情况下，与被装入加热炉2的板坯尺寸相关的信息存储于上位计算机92，能够获取加热炉2的操作参数的实绩数据。另外，宽度预测部110的动作例如能够在作为宽度的预测对象的钢板利用宽度压下冲压装置4进行宽度压下后的阶段执行。针对宽度压下后的板坯SA，由控制用控制器90或控制用计算机91获取宽度压下冲压装置4的操作参数的实绩数据，将这些实绩数据用于宽度预测模型M的输入，并且通过控制用计算机91设定关于粗轧机5的操作参数的设定值。

宽度预测部110的动作例如即使在由粗轧机5进行的粗轧的中途道次中也能够执行。只要确定宽度压下冲压装置4的操作参数的实绩数据，并将到粗轧的中途道次为止的操作参数的实绩值和下一道次及其之后的设定值作为宽度预测模型M的输入即可。图12所示的输入数据获取部111如以上那样获取控制用控制器90、控制用计算机91及上位计算机92的任一个保持的热轧线1中的操作参数的实绩值或设定值。然后，宽度预测部110通过将输入数据获取部111获取到的输入数据输入至宽度预测模型M来获取粗轧件的宽度分布的信息。如上所述，宽度预测部110的动作能够在钢板通过热轧线1的各工序的每个阶段执行，因此可以在制造一个钢板的过程中执行多次。

由宽度预测部110输出的粗轧件的宽度分布的信息也可以显示于与宽度预测部110连接的监视器等。基于宽度预测部110输出的宽度分布的输出显示，能够重新设定粗轧目标宽度、精轧目标宽度及卷绕机前目标宽度中的至少任一个，从而能够抑制热轧钢板的宽度不良。作为宽度预测模型M的输入，对使用从宽度压下冲压装置4的操作参数中选择的一个以上的操作参数和从粗轧机5的操作参数中选择的一个以上的操作参数的意义进行说明。图13是表示在使用宽度压下冲压装置4进行了板坯的宽度压下之后，进行了使用轧边机的1个道次的宽度轧制和使用水平轧制机的1个道次的水平轧制之后的粗轧件的宽度分布的图。图13的纵轴表示粗轧件的稳定部的宽度与前端部的宽度之差，是代表粗轧件的宽度分布的指标。另外，横轴表示基于宽度压下冲压装置4的稳定部的宽度压下量。在该情况下，表示将作为宽度压下冲压装置4的操作参数的宽度压下冲压的稳定部的宽度压下量在0～300mm的范围内进行变更，并且将作为粗轧机的操作参数的轧边机对稳定部的宽度压下量在5～20mm的范围内进行变更的情况下的结果。根据图13可知，稳定部与前端部的宽度差以相对于宽度压下冲压装置4的宽度压下量产生极小值的方式变化。另外，可知稳定部与前端部的宽度差取极小值的宽度压下冲压装置4的宽度压下量根据粗轧机5的轧边机的宽度压下量而取不同的值。即，用于使作为粗轧件的长度方向上的宽度分布的指标的稳定部与前端部的宽度差最小的宽度压下冲压装置4的宽度压下量根据粗轧机5的轧边机的宽度压下量而变化。因此，作为宽度预测模型M的输入，通过组合使用从宽度压下冲压装置4的操作参数中选择的一个以上的操作参数和从粗轧机5的操作参数中选择的一个以上的操作参数，能够提高粗轧件的长度方向的宽度分布的预测精度。

＜粗轧件的宽度控制法＞

接下来，对作为本发明的一个实施方式的粗轧件的宽度控制方法进行说明。

作为本发明的一个实施方式的粗轧件的宽度控制方法基于如上述那样预测出的粗轧件的长度方向的宽度分布的信息，重新设定粗轧机5的操作参数。在上述的粗轧件的宽度预测方法中，作为宽度预测模型M的输出的粗轧件的长度方向的宽度分布的信息表示粗轧件的从前端到尾端的长度方向上的宽度分布。热轧线中的宽度控制通常以热轧钢板的长度方向上的最小的板宽不低于作为热轧钢板的产品宽度的下限值的方式进行。这是因为，若在热轧钢板的长度方向的一部分产生宽度不足的区域，则需要切掉该部分，但若切掉长度方向的一部分，则卷材的单重不满足产品规格，因此整体成为不合格品而导致成品率大幅降低。因此，针对粗轧件的宽度也设定下限值，控制为在粗轧件的长度方向的一部分不产生低于粗轧目标宽度的下限值的部分。

根据本实施方式，能够在粗轧的全部道次结束之前预测粗轧件的从前端到尾端的长度方向的宽度分布，因此在预测为在粗轧件的长度方向的一部分产生低于粗轧目标宽度的下限值的部分的情况下，设定粗轧机的操作参数，控制为相对于粗轧件的长度方向上的全长不产生低于粗轧目标宽度的下限值的部分。具体而言，在粗轧的最终道次中，只要设定为增大轧边机52的轧边机开度即可。在该情况下，轧边机52的轧边机开度也可以仅针对在粗轧件的长度方向上预测为低于粗轧目标宽度的下限值的部分大于设定值。粗轧件的前端部及尾端部有时被位于精轧机6的上游侧的切料头机切掉，因此即使在粗轧件的前端部或尾端部的0.2～0.5m的区域中在粗轧件的长度方向的一部分存在低于粗轧目标宽度的下限值的部分，也不需要将轧边机开度设定较大。这样，通过遍及粗轧件的全长控制为不低于粗轧目标宽度的下限值，能够抑制在利用精轧机进行精轧且被卷绕机8卷绕的热轧钢板产生宽度不足，制造宽度精度优异的热轧钢板。

〔实施例1〕

在本实施例中，应用了在加热炉2的下游侧具备宽度压下冲压装置4，并包括由4台可逆式轧制机和1台不可逆式轧制机构成的粗轧机5、和7机架的精轧机6的热轧线中的本发明。在本实施例中，通过上述热轧线，利用加热炉2加热厚度250～270mm、宽度600～1600mm的板坯，制造了粗轧件的板厚(粗轧坯厚度)为30～35mm、精轧机出口侧的板厚为2～3mm的钢板。热轧线具备粗轧出口侧宽度计11、精轧出口侧宽度计12及卷绕机前宽度计13。热轧线的控制用控制器90、控制用计算机91及上位计算机92收集在热轧线制造的钢板的操作参数的实绩值，并由数据获取部103获取到了实绩数据。

在本实施例中，数据获取部103获取到了板坯的稳定部的宽度压下量和每1道次宽度压下冲压的板坯的进给间距作为宽度压下冲压装置4的操作实绩数据。作为粗轧机5的操作实绩数据，使用轧制件的稳定部的轧边机的入口侧板宽、出口侧板宽的设定值及轧边机辊的辊径，针对粗轧道次的全部道次获取到了它们。另外，对于粗轧机5的操作实绩数据，使用轧制件的稳定部的水平轧制的入口侧板宽、出口侧板宽的设定值及水平轧制机的工作辊径，针对粗轧道次的全部道次获取到了它们。在本实施例中，除上述以外，还从上位计算机92获取到了板坯的板厚作为板坯的属性信息的实绩数据。

数据获取部103从控制用计算机91获取到了使用粗轧出口侧宽度计11测定出的粗轧件的长度方向的宽度分布的实绩数据。粗轧件的宽度分布的信息使用粗轧件的长度来将长度方向的位置数据归一化，作为在粗轧件的长度方向上被分割为1000份的各位置处的宽度。然后，当在数据库部101积蓄了30,000个数据集的阶段，通过机器学习部102生成了宽度预测模型M。在该情况下，机器学习部102将积蓄于数据库部101的数据集分割为20,000个学习用数据和10,000个测试数据，使用利用学习用数据生成的宽度预测模型M，对测试数据评价了预测精度。使用神经网络进行了机器学习。神经网络的中间层设为1层，节点数设为500个，激活函数使用了s型函数。输出层中的节点数设为200个，预测了相对于粗轧件的长度方向被分割为200份的位置处的宽度。

图14、图15表示本实施例中预测的粗轧件的长度方向的宽度分布。在图14、图15中，比较示出了测试数据所包含的粗轧件的长度方向的宽度分布的实绩数据与通过上述的宽度预测模型M预测出的粗轧件的长度方向的宽度分布的信息。曲线图的纵轴表示与在粗轧宽度控制中所设定的宽度的目标值的偏差。在图14所示的预测结果和图15所示的预测结果中，宽度压下冲压装置4的操作条件及粗轧机5的操作条件不同。根据任一结果都确认了包含形成于粗轧件的前端部或尾端部的宽度下降、形成于定部的间歇的冲压痕的影响在内，能够高精度地预测粗轧件的长度方向的宽度分布。从10,000个测试数据中选择板坯的钢种和精轧后的热轧钢板的尺寸为同一分区的100个数据集，对其中所包含的关于粗轧件的长度方向的宽度分布的实绩数据进行评价，相对于粗轧件的全长的与目标宽度的偏差平均为5.5mm，标准偏差为5.0mm。对于具有这样的宽度变动的粗轧件，本实施例中生成的宽度预测模型M能够以相对于粗轧件的全长的与目标宽度的偏差平均为0.0mm、标准偏差为1.5mm的精度进行预测。

〔实施例2〕

在本实施例中，通过与实施例1相同的热轧线，利用加热炉2加热厚度230～235mm、宽度600～2000mm的板坯，制造了粗轧件的板厚(粗轧坯厚度)30～35mm、精轧机出口侧的板厚2～3mm的钢板。在本实施例中，作为宽度预测模型M的输入数据，除了实施例1中使用的操作参数以外，还使用了加热炉2的操作参数。加热炉2的操作参数选择了加热炉装入时的板坯温度、在加热炉2内的在炉时间、加热炉2内的板坯的装入位置、与在加热炉2内先行的板坯之间的装入间隔、与在加热炉2内后续的板坯之间的装入间隔。然后，与实施例1同样地，数据获取部103将加热炉2的操作实绩数据与宽度压下冲压装置4的操作实绩数据、粗轧机5的操作实绩数据及板坯的属性信息的实绩数据一起获取，并将数据集积蓄于数据库部101。在该情况下，在数据库部101中积蓄30,000个数据集，并将积蓄的数据集分割为20,000个学习用数据和10,000个测试数据，使用学习用数据生成了宽度预测模型M。机器学习部102中使用的机器学习的方法是神经网络，其结构与实施例1相同。图16表示本实施例中预测的粗轧件的长度方向的宽度分布。如图16所示，也预测了因通过加热炉2形成的滑道黑印引起的粗轧件的宽度分布的特征，能够高精度地预测实测数据。

〔实施例3〕

在本实施例中，使用在实施例1中积蓄于数据库部101的数据集，对变更宽度预测模型M的输入数据时的宽度分布的预测精度进行了评价。数据库部101除了实施例1中的宽度预测模型M的输入数据所使用的宽度压下冲压装置4及粗轧机5的操作实绩数据以外，还积蓄有其他宽度压下冲压装置4及粗轧机5的操作实绩数据。在本实施例中，将积蓄于数据库部101的30,000个数据集分割为20,000个学习用数据和10,000个测试数据，使用利用学习用数据生成的宽度预测模型M，对相对于测试数据的预测精度进行了评价。使用神经网络进行了机器学习。神经网络的中间层设为1层，节点数设为500个，激活函数使用了s型函数。输出层中的节点数设为200个，预测了相对于粗轧件的长度方向被分割为200份的位置处的宽度。以下所示的表1表示作为本实施例中的宽度预测模型M的输入而使用的操作实绩数据。

发明例1作为代表值获取到了板坯的稳定部的宽度压下量及进给间距，作为宽度压下冲压装置4的操作实绩数据。粗轧机5的操作实绩数据作为代表值使用了粗轧的全部轧制道次的、在轧制件的稳定部的轧边机开度的设定值及轧边机辊径，作为轧边机52的操作实绩数据。另外，粗轧机5的操作实绩数据作为代表值使用了粗轧的全部轧制道次的、在轧制件的稳定部的水平轧制机的入口侧板宽和出口侧板宽的设定值及水平轧制机51的工作辊径，作为水平轧制机51的操作实绩数据。

发明例2作为代表值获取到了板坯的前端部的宽度压下量及进给间距作为宽度压下冲压装置4的操作实绩数据。粗轧机5的操作实绩数据使用了与发明例1相同的数据。

发明例3作为宽度压下冲压装置4的操作实绩数据使用了与发明例1相同的数据。粗轧机5的操作实绩数据作为代表值使用了粗轧的全部轧制道次的、对轧制件的前端部设定的轧边机开度及轧边机辊径，作为轧边机52的操作实绩数据。另外，粗轧机5的操作实绩数据作为代表值使用了粗轧的全部轧制道次的、在轧制件的稳定部的水平轧制机的入口侧板宽和出口侧板宽的设定值及水平轧制机51的工作辊径，作为水平轧制机51的操作实绩数据。

在本实施例中，使用如以上那样生成的宽度预测模型M，从10,000个测试数据中选择板坯的钢种和精轧后的热轧钢板的尺寸为同一分区的100个数据集，对它们的宽度分布的预测精度进行了评价。具体而言，针对在粗轧件的长度方向上被分割为200份的各位置处的宽度，计算基于宽度预测模型M的预测宽度与实绩宽度的偏差，求出了计算出的偏差的平均值及标准偏差。表1示出宽度分布的预测精度的结果。

如表1所示，在发明例1中，相对于粗轧件的全长的宽度偏差的平均值为0.0mm，标准偏差为1.7mm，确认了相对于粗轧件的全长可得到较高的预测精度。在发明例2中，相对于粗轧件的全长的宽度偏差的平均值为0.0mm，标准偏差为2.3mm。发明例2使用了作为宽度压下冲压装置4的操作实绩数据的板坯的前端部的宽度压下量及进给间距作为宽度预测模型M的输入。在该情况下，确认了即使宽度压下冲压装置的宽度压下量及进给间距在板坯的前端部和稳定部进行了不同的设定，也能够进行精度比较高的宽度分布的预测。在发明例3中，相对于粗轧件的全长的宽度偏差的平均值为0.0mm，标准偏差为2.6mm。发明例3使用了粗轧的全部轧制道次的对轧制件的前端部设定的轧边机开度作为宽度预测模型M的输入。在该情况下，确认了即使轧边机开度在板坯的前端部和稳定部进行了不同的设定，也能够进行精度比较高的宽度分布的预测。

[表1]

以上，对应用了由本发明者们完成的发明的实施方式进行了说明，但本发明不由基于本实施方式的本发明的公开的一部分的记述及附图限定。即，由本领域技术人员等基于本实施方式完成的其他实施方式、实施例及运用技术等全部包含在本发明的范畴中。

工业上的可利用性

根据本发明，能够提供一种能够高精度地预测粗轧件的长度方向的宽度分布的粗轧件的宽度预测方法。另外，根据本发明，能够提供一种能够高精度地控制粗轧件的长度方向的宽度的粗轧件的宽度控制方法。另外，根据本发明，能够提供一种能够制造长度方向的宽度精度优异的热轧钢板的热轧钢板的制造方法。另外，根据本发明，能够提供一种能够生成高精度地预测粗轧件的长度方向的宽度分布的宽度预测模型的粗轧件的宽度预测模型的生成方法。

附图标记说明

1…热轧线；2…加热炉；3…除鳞装置；4…宽度压下冲压装置；5…粗轧机；6…精轧机；7…冷却装置；8…卷绕机(卷取机)；11…粗轧出口侧宽度计；12…精轧出口侧宽度计；13…卷绕机前宽度计(卷绕机入口侧宽度计)；14…轧制线；15a、15b、15c、15d…相机；21…温度计；22…步进梁(固定滑道)；23…移动滑道；41…宽度压下用模具；41a…平行部；41b…倾斜部；42…驱动装置；43…夹送辊；90…控制用控制器；91…控制用计算机；92…上位计算机；100…宽度预测模型生成部；101…数据库部；102…机器学习部；103…数据获取部；110…宽度预测部；111…输入数据获取部；M…宽度预测模型；SA…板坯；SB…钢板。

Claims (7)

1.一种粗轧件的宽度预测方法，其预测热轧线中的所述粗轧件的宽度，所述热轧线包括：加热炉，所述加热炉对板坯进行加热；宽度压下冲压装置，所述宽度压下冲压装置对加热后的板坯间歇地进行宽度压下；粗轧机，所述粗轧机对宽度压下后的板坯进行粗轧来制造粗轧件；以及精轧机，所述精轧机对所述粗轧件进行精轧来制造热轧钢板，

所述粗轧件的宽度预测方法的特征在于，包括如下步骤：

使用通过机器学习而学习到的宽度预测模型，预测所述粗轧件的长度方向的宽度分布，所述宽度预测模型作为输入数据包含从所述宽度压下冲压装置的操作参数中选择的一个以上的操作参数和从所述粗轧机的操作参数中选择的一个以上的操作参数，将所述粗轧件的长度方向的宽度分布的信息作为输出数据。

2.根据权利要求1所述的粗轧件的宽度预测方法，其特征在于，

所述宽度压下冲压装置的操作参数和所述粗轧机的操作参数是作为所述粗轧件的长度方向上的代表值而被确定的操作参数。

3.根据权利要求1或2所述的粗轧件的宽度预测方法，其特征在于，

所述宽度预测模型作为所述输入数据包含从所述加热炉的操作参数中选择的一个以上的操作参数。

4.根据权利要求1～3中任一项所述的粗轧件的宽度预测方法，其特征在于，

所述宽度预测模型作为所述输入数据包含从所述板坯的属性信息中选择的一个以上的属性参数。

5.一种粗轧件的宽度控制方法，其特征在于，

使用权利要求1～4中任一项所述的粗轧件的宽度预测方法，预测所述粗轧件的长度方向的宽度分布，基于预测出的宽度分布设定所述粗轧机的操作参数。

6.一种热轧钢板的制造方法，其特征在于，

相对于使用权利要求5所述的粗轧件的宽度控制方法控制了宽度的粗轧件，利用所述精轧机进行精轧，来制造热轧钢板。

7.一种粗轧件的宽度预测模型的生成方法，其生成预测热轧线中的所述粗轧件的宽度的宽度预测模型，所述热轧线包括：加热炉，所述加热炉对板坯进行加热；宽度压下冲压装置，所述宽度压下冲压装置对加热后的板坯间歇地进行宽度压下；粗轧机，所述粗轧机对宽度压下后的板坯进行粗轧来制造粗轧件；以及精轧机，所述精轧机对所述粗轧件进行精轧来制造热轧钢板，

所述粗轧件的宽度预测模型的生成方法的特征在于，包括如下步骤：

获取多个学习用数据，通过使用获取到的多个学习用数据的机器学习，生成所述宽度预测模型，其中，所述多个学习用数据作为输入实绩数据包含从所述宽度压下冲压装置的操作参数中选择的一个以上的操作实绩数据和从所述粗轧机的操作参数中选择的一个以上的操作实绩数据，将所述粗轧件的长度方向的宽度分布的信息作为输出实绩数据。