轧制模型的学习方法与流程

1.本发明涉及使用于轧制工序的轧制模型的学习方法。


背景技术：

2.在轧制工序中，为了轧制具有所希望的尺寸、温度、机械特性等的轧制材料，进行了各种控制。作为各种控制，例示了设定控制与动态(dynamic)控制。在设定控制中，使用轧制模型，预测轧制工序中的轧制材料的变形、温度这样的现象。在设定控制中，基于该预测结果，计算轧机的辊隙(rollgap)、轧制速度、冷却水量这种控制对象的控制量的设定值。
3.轧制模型典型来说基于理论式、实验式而构建。为了实现高品质的产品的制造、稳定的轧制，轧制模型的预测精度较为重要。然而，在实际的轧制中，由于在理论式、实验式中未考虑到的各种误差因素，有时不能得到充分的预测精度。因此，为了减小这些误差因素所引起的预测误差，进行利用了过去的轧制数据的轧制模型的预测精度的改善。
4.作为利用了过去的轧制数据的改善技术，可例示日本特开2004－355189号公报所公开的技术。在该现有技术中，计算任意的要求条件与保存于实际数据库的过去的轧制中的条件的类似度。在该现有技术中，另外，基于该类似度构建预测式，基于该预测式预测上述任意的要求条件下的结果。
5.现有技术文献
6.专利文献
7.专利文献1：日本特开2004－355189号公报


技术实现要素：

8.发明将要解决的课题
9.根据上述现有技术，能够进行考虑了任意的要求条件与该要求条件下的结果之间的关系的预测。然而，存在用于构建预测式的处理容易复杂化、计算负载较大的问题。另外，由于预测式由多元回归方程式表示，因此很难说所构建的预测式的解释性优异。
10.作为另一现有技术，例示了通过参照使用轧制工序中的现象的说明变量而被分层的学习表来计算该现象的目标变量的方法。在学习表的各层中存储有轧制模型的学习系数，在该现有方法中，说明变量的数据所对应的学习系数从学习表提取。使用由该学习系数确定的轧制模型进行目标变量的计算。
11.在该现有方法中，还计算使用轧制模型计算出的目标变量的预测值与其所对应的实际值之间的误差(误差率)。而且，基于该误差进行在计算预测值时提取的学习系数的更新。由此，根据该现有方法，期待改善说明变量所引起的误差。然而，存在不能应对由说明变量以外的变量引起的误差这一弱点。
12.上述弱点可以考虑通过从除了已有的说明变量的变量中选出与目标变量具有相关的适当的变量来消除。然而，在这种情况下，学习表也被扩展与选出的变量的总数的增加相对应的量。因此，到学习系数稳定化为止的时间变得庞大，预测的精度反而有可能降低。
13.本发明鉴于上述的课题而完成，目的在于提供如下技术：在通过参照学习表来进行轧制工序中的现象的目标变量的预测的情况下，抑制该学习表的学习系数的稳定化所需的时间变得庞大，并且提高该预测的精度。
14.用于解决课题的手段
15.本发明是用于预测轧制工序中的现象的轧制模型的学习方法，具有接下来的特征。
16.所述学习方法具备如下步骤：
17.基于使用所述现象的说明变量而分层后的学习表以及所述说明变量的数据，从所述学习表提取轧制模型的学习系数的步骤；
18.使用由所述学习系数确定的轧制模型来计算所述现象的目标变量的预测值的步骤；以及
19.基于所述目标变量的预测值与该预测值所对应的所述目标变量的实际值的误差，更新所述学习系数的步骤。
20.所述学习方法还具备如下步骤：
21.使相关变量的过去的数据集标准化的步骤，所述相关变量包含与所述目标变量具有相关的多个变量；
22.通过进行了所述标准化的过去的数据集的主要成分分解，计算该过去的数据集的多个主要成分的步骤；
23.将所述多个主要成分中的第一主要成分追加到所述说明变量，使用该第一主要成分的权重系数扩展所述学习表的步骤；
24.使用所述过去的数据集的标准化所使用的标准化系数，使预测时数据集标准化的步骤，所述预测时数据集表示计算所述预测值时的所述相关变量的数据集；
25.使用所述预测时数据集以及所述权重系数，计算所述预测时数据集的主要成分的步骤；
26.基于所述预测时数据集的主要成分的数据以及计算所述预测值时使用的所述说明变量的数据，从扩展后的所述学习表提取预测时学习系数的步骤，所述预测时学习系数表示在计算所述预测值时使用的学习系数；
27.使用通过所述预测时学习系数而确定的轧制模型来计算所述预测值；
28.基于通过由所述预测时学习系数确定的轧制模型计算出的所述预测值与该预测值所对应的所述目标变量的实际值之间的误差，计算更新用学习系数的步骤，所述更新用学习系数表示用于更新扩展后的所述学习表的学习系数；以及
29.使用所述更新用学习系数，更新储存于扩展后的所述学习表的所述预测时学习系数。
30.发明效果
31.根据本发明，对于由原来的学习表的说明变量以外所引起的误差，也能够通过新追加的说明变量来考虑。另外，该追加的说明变量是与目标变量具有相关的多个变量的第一主要成分。因此，通过追加单一的说明变量，能够获得与在原来的学习表中追加多个变量的情况相同的效果。因而，通过学习表的最小限度的扩展，能够改善预测的精度。另外，该扩展在已有的学习表中进行，因此也有安装相对较容易这一优点。
32.在学习表的扩展后进行的主要成分的计算能够基于第一主要成分的权重系数与预测时数据集简单地执行。因而，也能够抑制学习表的学习系数稳定化所需的时间变得庞大。
附图说明
33.图1是表示用于实现本实施方式的学习方法的装置构成例的图。
34.图2示出了学习表扩展功能进行的扩展前的学习表的一个例子。
35.图3示出了学习表扩展功能进行的扩展后的学习表的一个例子。
36.图4是说明本实施方式的学习方法的图。
37.图5是说明本实施方式的学习方法带来的效果的图。
38.附图标记说明
39.1 工序控制计算机
40.11 权重系数决定功能
41.12 学习表扩展功能
42.13 主要成分计算功能
43.14、141、142、14l 学习表
44.15 过去轧制数据库
45.16 设定计算功能
46.2 轧制命令信息
47.3 控制对象
48.4 传感器
具体实施方式
49.以下，一边参照图1～5一边对本发明的实施方式的轧制模型的学习方法进行说明。
50.1.学习方法的前提
51.首先，对本实施方式的学习方法的前提进行说明。
52.1－1.装置构成例的说明
53.图1是表示用于实现本实施方式的学习方法的装置构成例的图。本实施方式的学习方法在轧制生产线的工序控制计算机1中进行。工序控制计算机1计算轧机的辊隙、轧制速度、冷却水的水量这种控制对象的控制量的设定值以制造具有所希望的尺寸、温度、机械特性等的轧制材料。
54.工序控制计算机1典型来说是具有处理装置、存储装置以及输入输出接口的计算机。权重系数决定功能11、学习表扩展功能12、主要成分计算功能13以及设定计算功能16是与本实施方式的学习方法特别关联的功能。这些功能通过由工序控制计算机1的处理装置处理储存于存储装置的规定的程序来实现。学习表14以及过去轧制数据库15是与本实施方式的学习方法特别关联的存储装置的一个例子。
55.1－2.设定计算方法
56.工序控制计算机1(处理装置)从上位计算机接收轧制命令信息2。作为轧制命令信
息2，可例示板坯(slab)的厚度、宽度、钢型这样的板坯信息、卷筒(coil)的目标厚度、目标宽度、目标温度这样的卷筒目标信息。工序控制计算机1还从过去轧制数据库15接收与目标变量具有相关的变量(以下，也称作“相关变量”。)的过去的数据集。该相关变量包含与目标变量具有相关的至少两种变量。
57.在本说明书中，“目标变量”是将轧制工序中的现象数值化的量(物理量)，使用轧制模型而预测。目标变量与相关变量的相关度例如基于对目标变量的影响度来评价。作为目标变量，可例示轧制工序中的变形电阻。在该情况下，材料种类、应变速度以及温度相当于相关变量。作为目标变量的另一例，有轧制工序中的载荷。在该情况下，材料种类、材料成分以及温度相当于相关变量。厚度、宽度等尺寸信息也可以包含在相关变量中。
58.相关变量的过去的数据集被提供给权重系数决定功能11的标准化处理。权重系数决定功能11执行标准化后的数据集的主要成分分解。通过主要成分分解获得的第一主要成分的数据与其权重系数的数据被送至学习表扩展功能12。第一主要成分的权重系数的数据与标准化处理所使用的标准化系数的数据被送至主要成分计算功能13。
59.学习表扩展功能12从权重系数决定功能11接收第一主要成分的数据与其权重系数的数据。学习表扩展功能12将第一主要成分作为“新的说明变量”而追加，基于该第一主要成分扩展学习表14。学习表扩展功能12还将第一主要成分的权重系数的数据储存于扩展后的学习表14。
60.主要成分计算功能13从权重系数决定功能11接收权重系数的数据与标准化系数的数据。主要成分计算功能13还从设定计算功能16接收计算目标变量的预测值时(即，轧制当前轧制材料时)的相关变量的数据集(以下，也称作“预测时数据集”)。主要成分计算功能13基于权重系数的数据、标准化系数的数据以及预测时数据集计算预测时数据集的主要成分。主要成分计算功能13还确定该主要成分的数据属于扩展后的学习表14的哪个层。然后，主要成分计算功能13将所确定的层信息送至设定计算功能16。
61.设定计算功能16接收由主要成分计算功能13确定的层信息。设定计算功能16还基于在预测目标变量时使用的说明变量的数据，确定该当前值属于扩展后的学习表14的哪个层。设定计算功能16还通过参照使用了这些层信息的学习表14来检索学习系数。然后，设定计算功能16使用从学习表14取得的学习系数确定轧制模型，计算目标变量。而且，设定计算功能16基于该目标变量的预测值计算控制对象的控制量的设定值，将其发送给控制对象3。
62.1－3.学习表
63.参照图2以及3，对学习表14的一个例子进行说明。另外，图2示出了通过学习表扩展功能12扩展前的学习表14的一个例子。另外，图3示出了通过学习表扩展功能12扩展后的学习表14的一个例子。
64.在图2所示的例子中，学习表14具有由两种说明变量x(x1以及x2)的适当范围划分的多个区域。说明变量x1被划分为n个，说明变量x2被划分为m个。各分区中储存有用于确定轧制模型m(x1、x2)的学习系数p。在图2中利用两种说明变量x(x1以及x2)形成了学习表14，但也可以利用3种以上的说明变量x形成学习表14。在该情况下，学习表14被分层。分层后的学习表14的说明变量x也被称作“分层变量”。
65.在图3所示的例子中，学习表14由3种说明变量x(x1、x2以及x3)分层。在本实施方式中，进行以第一主要成分为说明变量x3的学习表14的扩展。与说明变量x1以及x2相同，说
明变量x3由适当的范围划分。说明变量x3的划分数量是l个。各分区中储存有用于确定轧制模型m(x1、x2、x3)的学习系数p。
66.2.学习方法的说明
67.接下来，一边着眼于在图1中说明的工序控制计算机1的各功能一边说明本实施方式的学习方法。另外，关于以下的说明，除了图1之外还参照图4。
68.2－1.权重系数的决定
69.权重系数决定功能11通过基于下述步骤s1～s5的主要成分分解，计算第一主要成分的权重系数。
70.步骤s1：
71.选择与目标变量具有相关的k个变量p1～pk(即，相关变量)。
72.步骤s2：
73.从过去轧制数据库15接收在步骤s1中选择出的k个相关变量的数据集(即，过去的轧制中的k个相关变量的数据集)的矢量pi(i＝1～k)。矢量pi由下述式(1)表现。
74.pi＝[p
i，1
，
…
，p
i，j
，
…
，p
i，np
]
…
(1)
[0075]
在式(1)中，pij表示数据集的第j(≤np)个的相关变量pi，np表示数据集中的每一个相关变量的数据数。
[0076]
步骤s3：
[0077]
通过适当的规则将矢量pi标准化，计算标准化后的相关变量矢量pi
std
(i＝1～k)。相关变量矢量pi
std
由下述式(2)表现。
[0078][0079]
步骤s4：
[0080]
标准化，例如在预先得知各相关变量的可取范围的情况下，使用其最小值pi
min
、最大值pi
max
通过下述式(3)进行标准化。
[0081][0082]
在各相关变量的可取范围不明确的情况下，例如使用数据集中的相关变量pi的平均值pi
ave
以及标准偏差pi
dev
通过下述式(4)进行标准化。
[0083][0084]
步骤s5：
[0085]
对标准化后的相关变量矢量pis
td
进行主要成分分解。由此，可获得k个主要成分p
pca1
～p
pcak
、权重系数a
11
～a
1k
、
···
、a
k1
～a
kk
。
[0086][0087][0088]
[0089]
权重系数决定功能11将通过上述步骤s5获得的第一主要成分p
pca1
的数据与其权重系数a
11
～a
1k
的数据集送至学习表扩展功能12。另外，权重系数决定功能11将权重系数a
11
～a
1k
的数据集与标准化所使用的系数(以下，也称作“标准化系数”。)的数据送至主要成分计算功能13。
[0090]
2－2.学习表的扩展
[0091]
学习表扩展功能12从权重系数决定功能11接收第一主要成分p
pca1
与权重系数a
11
～a
1k
。学习表扩展功能12将第一主要成分p
pca1
作为“新的说明变量”而追加，基于第一主要成分p
pca1
扩展学习表14。在扩展学习表14时，第一主要成分p
pca1
被划分为适当的范围。学习表扩展功能12还将权重系数a
11
～a
1k
的数据集储存于扩展后的学习表14。
[0092]
2－3.主要成分的计算
[0093]
主要成分计算功能13通过下述步骤s1～s4，计算主要成分的计算与预测目标变量时新的说明变量(即，第一主要成分p
pca1
)所属的学习表层。
[0094]
步骤s1：
[0095]
从设定计算功能16接收预测目标变量时的相关变量pi的数据集(即，预测时数据集)。
[0096]
步骤s2：
[0097]
通过从权重系数决定功能11接收到的标准化系数对接收到的相关变量pi的数据集进行标准化。
[0098]
步骤s3：
[0099]
使用标准化后的相关变量pi
std
(i＝1～k)的数据集与从权重系数决定功能11接收到的权重系数a
11
～a
1k
的数据集，计算目标变量的预测时的主要成分p
pca1
。
[0100][0101]
步骤s4：
[0102]
基于主要成分p
pca1
的数据，确定该数据属于扩展后的学习表14的哪一层。
[0103]
主要成分计算功能13将所确定的层信息送至设定计算功能16。主要成分计算功能13也可以将主要成分p
pca1
的数据送至设定计算功能16。在该情况下，上述步骤s4的处理在设定计算功能16中进行。
[0104]
然而，有时在从设定计算功能16接收到的相关变量pi的数据集中包含不适合标准化处理的数据。在这种情况下，上述式(6)的主要成分不能被正确地计算。作为不适合标准化处理的数据，可例示异常数据或者缺损数据。例如使用根据相关变量pi的内容设定的允许范围来判断相关变量pi的数据是否是异常数据。
[0105]
在包含不适合标准化处理的数据情况下，主要成分计算功能13按照时间序列来排列相关变量pi的数据集，使用在不适合数据之前获得的该相关变量的数据将其置换。在之前获得的数据也是不适合数据的情况下，主要成分计算功能13追溯到过去，直到得到适当的数据为止。在另一例中，主要成分计算功能13使用除去不适合数据的相关变量pi的数据集的平均值将其置换。即，主要成分计算功能13使用正常值的平均值置换不适合数据。
[0106]
2－4.学习系数的更新
[0107]
设定计算功能16接收从控制对象3、传感器4发送的反馈信息。该反馈信息中包含与使用轧制模型计算出的目标变量的预测值对应的实际值。因此，设定计算功能16计算目
标变量的预测值与实际值的误差(误差率)。设定计算功能16还通过下述式(7)计算更新用学习系数z
new
。
[0108]znew
＝z
old
α(z
cur-z
old
)
…
(7)
[0109]
在上述式(7)中，z
old
是计算目标变量的预测值时使用的学习系数(以下，也称作“预测时学习系数”。)，z
cur
是误差，α是学习增益。
[0110]
设定计算功能16还接收主要成分计算功能13所确定的层信息。在从主要成分计算功能13接收主要成分p
pca1
的数据的情况下，设定计算功能16确定该数据属于扩展后的学习表14的哪一层。设定计算功能16还基于在预测目标变量时使用的说明变量的数据确定该数据属于扩展后的学习表14的哪一层。根据这些层信息，确定在预测目标变量时使用的学习系数、即预测时学习系数z
old
。设定计算功能16将所确定的预测时学习系数z
old
用更新用学习系数z
new
进行置换。
[0111]
在相关变量pi的数据集中包含上述不适合数据的情况下，设定计算功能16也可以不进行使用了更新用学习系数z
new
的预测时学习系数z
old
的置换(更新)。在这种情况下，基于包含不适合数据的数据集计算出的更新用学习系数z
new
不会反映到学习表中。因此，在下次以后的预测中也不会提取该更新用学习系数z
new
，因此能够事先避免该预测的精度降低。
[0112]
2－5.相关变量矢量的更新
[0113]
然而，通过主要成分分解获得的权重系数a
11
～a
1k
、
···
、a
k1
～a
kk
取决于相关变量的数据集的矢量pi。因此，在轧制设备的规格存在变更的情况下、或者因修补、部件更换等而轧机的特性改变的情况下等，需要在适当的定时更新矢量pi。因此，在本实施方式中，定期地进行矢量pi的更新。
[0114]
更新前的权重系数的决定所使用的相关变量矢量p
iold
能够由下述式(8)表示。
[0115][0116]
这里，假定相关变量矢量pi
old
的数据按照时间序列的从旧到新的顺序排列。于是，更新所使用的相关变量矢量pi
new
可以通过使用适当的偏移参数r由下述式(9)表示。
[0117][0118]
只要相关变量矢量pi
old
的数据按照时间序列的从旧到新的顺序排列，则相关变量矢量pi
new
的数据的排列顺序也与此相同。如此，在相关变量矢量pi
new
中，与偏移参数r相对应的旧数据按照时间序列的从旧到新的顺序被删除，且其取代于此添加了新数据。
[0119]
另外，相关变量矢量pi
new
内的数据的数量也可以不与相关变量矢量pi
old
的数据的数量一致。另外，若偏移参数r的值过大，则由于权重系数的决定结果的骤变，有可能对使用了轧制模型的预测值的精度带来负面影响。因而，期望的是偏移参数r设定为满足r＜np那样的值。另外，期望的是采用在更新期间中阶段性地增加偏移参数r的值等方法。
[0120]
3.学习方法带来的效果
[0121]
一边参照图5一边说明本实施方式的学习方法带来的效果。图5是表示将本实施方式的学习方法应用于热轧车间的数据的验证结果的一个例子的图。验证的对象为精轧机(fm)的第一～七台架的载荷学习系数。
[0122]
图5中描绘了基准用的学习表(original)和对其追加了新的说明变量的学习表(pca)。该学习表(pca)相当于应用了本实施方式的学习方法的学习表。图5中还描绘了将新
的说明变量所含的两种相关变量分开地追加到学习表(original)的学习表(variable1以及variable2)。
[0123]
在验证中，使用共同的数据集，在各个学习表的分层中将数据集的误差率(z
cur
)分类。另外，计算出在各个学习表中分类到各层的误差率z
cur
的标准偏差。而且，通过使用了分类到各层的误差率z
cur
的数据数的加权平均，计算整个学习表中的标准偏差。
[0124]
图5的纵轴表示各层中的误差率z
cur
的标准偏差的加权平均值相对于基准用表的加权平均值的比率。从图5可知，根据学习表(pca)，在任意的fm台架中，标准偏差均变小10％左右。其结果表示可期待热轧车间中的现象的目标变量的预测精度的改善。