DE102021214272A1 - Plant control system, plant control method and program - Google Patents
Plant control system, plant control method and program Download PDFInfo
- Publication number
- DE102021214272A1 DE102021214272A1 DE102021214272.9A DE102021214272A DE102021214272A1 DE 102021214272 A1 DE102021214272 A1 DE 102021214272A1 DE 102021214272 A DE102021214272 A DE 102021214272A DE 102021214272 A1 DE102021214272 A1 DE 102021214272A1
- Authority
- DE
- Germany
- Prior art keywords
- control
- data
- quality determination
- learning
- result
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- 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
- G05B13/0285—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 and fuzzy logic
-
- 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
- B21B37/28—Control of flatness or profile during rolling of strip, sheets or plates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Fuzzy Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Automation & Control Theory (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Feedback Control In General (AREA)
- Mechanical Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
In einem Anlagensteuersystem wird eine Steuerregel wirksam korrigiert, während eine Gefahr der Beeinträchtigung der Anlagensteuerung verringert wird. Ein Anlagensteuersystem umfasst eine Steuerverfahren-Lerneinheit, die eine Kombination der Ergebnisdaten der Steuerobjektanlage und der Steueroperation lernt, eine Steuerausführungseinheit, die eine Steuerungder Objektanlage entsprechend der durch die Steuerverfahren-Lerneinheit gelernten Kombination der Ergebnisdaten und der Steueroperation ausführt, und eine Qualitätsbestimmungsregel-Lerneinheit, die eine Kombination der Kombination der Ergebnisdaten der Objektanlage und der Steueroperation und der Steuerergebnisqualität lernt. Die Qualitätsbestimmung der Steuerausgabe wird entsprechend einer bestimmten Kombination der Ergebnisdaten der Objektanlage, der Steueroperation und der Steuerergebnisqualität durchgeführt und eine Steuerregel wird mit einem Qualitätsbestimmungsergebnis, den Ergebnisdaten und Lehrerdaten als Lerndaten gelernt.In a plant control system, a control rule is effectively corrected while reducing a risk of affecting plant control. A plant control system includes a control method learning unit that learns a combination of the result data of the control object creation and the control operation, a control execution unit that executes control of the object creation according to the combination of the result data and the control operation learned by the control method learning unit, and a quality determination rule learning unit that learns a combination of the combination of the result data of the object creation and the control operation and the control result quality. The quality determination of the control output is performed according to a specific combination of the object creation result data, the control operation, and the control result quality, and a control rule is learned with a quality determination result, the result data, and teacher data as learning data.
Description
HINTERGRUNDBACKGROUND
Die vorliegende Erfindung betrifft ein Anlagensteuersystem, ein Anlagensteuerverfahren und ein Programm.The present invention relates to a plant control system, a plant control method and a program.
In verschiedenen Arten von Anlagen wurde eine Anlagensteuerung auf der Basis von verschiedenen Steuertheorien durchgeführt, um besser geeignete Steuerergebnisse durch die Steuerung zu erzielen.In various types of plants, plant control based on various control theories has been performed in order to obtain more appropriate control results through the control.
Um ein Beispiel für die Anlagen zu beschreiben: Beispielsweise wird die Steuerung eines Walzwerks mit einer Fuzzy-Steuerung oder einer neuronalen Fuzzy-Steuerung als eine Steuertheorie für die Formensteuerung zum Steuern einer Wellung einer Platte durchgeführt. Die Fuzzy-Steuerung dient zur Formensteuerung unter Verwendung eines Kühlmittels, während die neuronale Fuzzy-Steuerung zur Formensteuerung eines Sendzimir-Werks verwendet wird. Hierbei ermittelt, wie im
Nachfolgend ist ein bestehendes Verfahren der Formensteuerung eines Sendzimir-Werks unter Verwendung der neuronalen Fuzzy-Steuerung beschrieben.An existing method of shape control of a Sendzimir plant using fuzzy neural control is described below.
Die neuronale Fuzzy-Steuerung dient zur Formensteuerung des Sendzimir-Werks. Wie in
Ein Steuerberechnungsteil 53 führt eine Steuerung unter Verwendung einer Steuerregel umfassend eine Steueroperationsende-Operationsmenge für ein vorab festgelegtes Formenmuster durch.A
In diesem Fall berechnet wie in
ZUSAMMENFASSUNGSUMMARY
Im im
Obgleich das Referenz-Formenmuster vorab von einem Menschen auf der Basis von Wissen über ein Objektwalzwerk oder einer Historie von gespeicherten Formenergebnissen und einer manuellen Eingriffsoperation bestimmt wird, ist es schwierig, alle Formen, die in einem Objektwalzwerk vorkommen, und ein zu walzendes Material abzudecken. Somit wird, wenn eine Form auftritt, die sich vom Referenz-Formenmuster unterscheidet, eine Steuerung auf der Basis der Formensteuerung nicht durchgeführt und es bleibt eine Formenabweichung, ohne unterdrückt zu werden. Alternativ wird solch eine Form fälschlich als ein ähnliches Referenz-Formenmuster erkannt und die Form kann durch eine fehlerhafte Steueroperation verschlechtert werden.Although the reference shape pattern is determined in advance by a human based on knowledge of an object rolling mill or a history of stored shape results and a manual intervention operation, it is difficult to cover all shapes occurring in an object rolling mill and a material to be rolled. Thus, when a shape different from the reference shape pattern occurs, control based on the shape control is not performed and a shape deviation remains without being suppressed. Alternatively, such a shape is mistakenly recognized as a similar reference shape pattern, and the shape may be degraded by an erroneous control operation.
In der bestehenden Formensteuerung wird daher die Steuerregelungunter Verwendung des vorab festgelegten Referenz-Formenmusters und der entsprechenden Steuerregel gelernt und anschließend wird die Steuerung durchgeführt, was zu dem Nachteil führt, dass die Verbesserung in der Steuergenauigkeit beschränkt wird.In the existing shape control, therefore, the control regulation is learned using the preset reference shape pattern and the corresponding control rule, and then the control is performed, resulting in the disadvantage that the improvement in the control accuracy is restricted.
Zum Beheben solch eines Nachteils wird beispielsweise in der japanischen ungeprüften Patentanmeldungsveröffentlichung Nr. 2018-180799 (
Eine Aufgabe der Erfindung besteht im Bereitstellen eines Anlägensteuersystems, eines Anlagensteuerverfahrens und eines Programms, die jeweils eine Gefahr der Beeinträchtigung der Steuerung einer Anlage veringern und wirksam eine Steuerregel korrigieren können.An object of the invention is to provide a plant control system, a plant control method, and a program, each of which can reduce a risk of deteriorating the control of a plant and effectively correct a control rule.
Beispielsweise kann eine beliebige der in den Ansprüchen beschriebenen Konfigurationen zum Erfüllen der vorgehenden Aufgabe verwendet werden.For example, any of the configurations described in the claims can be used to achieve the foregoing object.
Die vorliegende Anmeldung umfasst eine Vielzahl von Ansätzen zum Erfüllen der Aufgabe. In einem Beispiel wird ein Anlagensteuersystem auf eine Steuerobjektanlage angewendet, um ein Kombinationsmuster von Ergebnisdaten der Steuerobjektanlage zu erkennen und eine Steuerung durchzuführen.The present application includes a variety of approaches to accomplish the task. In an example, a plant control system is applied to a control object plant to recognize a combination pattern of result data of the control object plant and perform control.
Das Anlagensteuersystem umfasst eine Steuerverfahren-Lerneinheit, die eine Kombination der Ergebnisdaten der Steuerobjektanlage und der Steueroperation lernt, eine Steuerausführungseinheit, die eine Steuerung der Steuerobjektanlage entsprechend der durch die Steuerverfahren-Lerneinheit gelernten Kombination der Ergebnisdaten und der Steueroperation ausführt, und eine Qualitätsbestimmungsregel-Lerneinheit, die eine Kombination der Kombination der Ergebnisdaten der Steuerobjektanlage und der Steueroperation und der Steuerergebnisqualität lernt.The plant control system includes a control method learning unit that learns a combination of the result data of the control object plant and the control operation, a control execution unit that executes control of the control object plant according to the combination of the result data and the control operation learned by the control method learning unit, and a quality determination rule learning unit, which learns a combination of the combination of the result data of the control object creation and the control operation and the control result quality.
Die Steuerausführungseinheit umfasst
- einen Steuerregel-Ausführungsteil, der eine Steuerausgabe entsprechend einer bestimmten Kombination der Ergebnisdaten der Steuerobjektanlage und der Steueroperation liefert,
- einen Steuerausgabequalität-Bestimmungsregel-Ausführungsteil, der eine Qualitätsbestimmung der Steuerausgabe entsprechend der bestimmten Kombination der Ergebnisdaten der Steuerobjektanlage, der Steueroperation und der Steuerergebnisqualität durchführt,
- einen Neusuchen-Operationsmengen-Berechnungsteil, der eine Neuoperation-Suchoperationsmenge auf der Basis der Qualitätsbestimmung durch den Steuerausgabequalität-Bestimmungsregel-Ausführungsteil berechnet, und
- einen Steuerausgaben-Unterdrückungsteil, der die Qualitätsbestimmung durch den Steuerausgabequalität-Bestimmungsregel-Ausführungsteil und Simulationsdaten unter Verwendung eines Steuersimulators verwendet, um zu verhindern, dass die Steuerausgabe an die Steuerobjektanlage gesendet wird, wenn bestimmt wird, dass sich die Ergebnisdaten der Steuerobjektanlage verschlechtert haben, wenn die Steuerausgabe an die Steuerobjektanlage gesendet wird.
- a control rule execution part that provides a control output according to a specified combination of the result data of the control object creation and the control operation,
- a control output quality determination rule execution part that performs quality determination of the control output according to the determined combination of the control object creation result data, the control operation, and the control result quality,
- a re-search operation amount calculation part that calculates a re-operation search operation amount based on the quality determination by the control output quality determination rule execution part, and
- a control output suppression part that uses the quality determination by the control output quality determination rule execution part and simulation data using a control simulator to prevent the control output from being sent to the control object installation when it is determined that the result data of the control object installation has deteriorated the control output is sent to the control object facility.
Die Qualitätbestimmungsregel-Lerneinheit umfasst
- einen Steuerergebnisqualität-Bestimmungsteil, der die Qualität eines Steuerergebnisses nach einer Verzögerung bestimmt, bevor eine Steuerwirkung in den Ergebnisdaten erscheint, wenn die Steuerausführungseinheit die Steuerausgabe an die Steuerobjektanlage sendet, und
- einen Qualitätsbestimmungsregel-Lernteil, der als Lerndaten die Qualität des durch den Steuerergebnisqualität-Bestimmungsteil bestimmten Steuerergebnisses, der Ergebnisdaten und der Steuerausgabe lernt.
- a control result quality determination part that determines the quality of a control result after a delay before a control effect appears in the result data when the control execution unit sends the control output to the control object facility, and
- a quality determination rule learning part that learns, as learning data, the quality of the control result determined by the control result quality determination part, the result data, and the control output.
Die Steuerverfahren-Lerneinheit umfasst
- einen Lerndaten-Erzeugungsteil, der die Qualitätsbestimmung der Steuerausgabe durch den Steuerausgabequalität-Bestimmungsregel-Ausführungsteil und die Steuerausgabe zum Erhalten von Lehrerdaten verwendet, und
- einen Steuerregel-Lernteil, der die Ergebnisdaten und die Lehrerdaten als Lerndaten lernt.
- a learning data generation part that uses the quality determination of the control output by the control output quality determination rule execution part and the control output to obtain teacher data, and
- a control rule learning part that learns the result data and the teacher data as learning data.
Gemäß der Erfindung kann eine Steuerregel eines Formenmusters und eines Operationsverfahrens wirksam automatisch korrigiert werden, während eine Gefahr für eine Anlage verringert, so dass es optimal ist als Reaktion auf die Altersänderung in der Umgebung der Anlage. Gemäß der Erfindung ist es daher möglich, die Steuergenauigkeit zu verbessern, einen Startzeitraum eines Steuerteils zu verringern und auf eine altersbedingte Verschlechterung zu reagieren.According to the invention, a control rule of a mold pattern and an operation method can be effectively automatically corrected while reducing a hazard to a facility to be optimal in response to the age change in the environment of the facility. Therefore, according to the invention, it is possible to improve control accuracy, reduce a starting period of a control part, and respond to deterioration due to age.
Ferner wird gemäß der Erfindung die Leistung der Steuerregel vorab bewertet, was vorteilhafterweise eine Gefahr für die Anlage aufgrund der Verwendung einer neuen Steuerregel verringert und die Steuerleistung aufgrund der Auswahl einer optimalen Steuerregel verbessert.Furthermore, according to the invention, the performance of the control rule is pre-evaluated, which advantageously reduces a risk to the plant due to the use of a new control rule and improves the control performance due to the selection of an optimal control rule.
Andere Probleme, Konfigurationen und Wirkungen gehen aus der folgenden Beschreibung der Ausführungsform hervor.Other problems, configurations and effects will be apparent from the following description of the embodiment.
Figurenlistecharacter list
-
1 zeigt ein Blockdiagramm zur Darstellung einer Übersicht eines Anlagensteuersystems gemäß einer beispielhaften Ausführungsform der Erfindung.1 12 is a block diagram showing an overview of a plant control system according to an exemplary embodiment of the invention. -
2 zeigt ein spezifisches Konfigurationsbeispiel eines Steuerregel-Ausführungsteils der beispielhaften Ausführungsform.2 12 shows a specific configuration example of a control rule execution part of the exemplary embodiment. -
3 zeigt ein Blockdiagramm zur Darstellung eines Beispiels eines Steuerausgabequalität-Bestimmungsregel-Ausführungsteils der beispielhaften Ausführungsform.3 Fig. 12 is a block diagram showing an example of a control output quality determination rule execution part of the exemplary embodiment. -
4 zeigt ein spezifisches Konfigurationsbeispiel eines Steuerregel-Lernteils der beispielhaften Ausführungsform.4 12 shows a specific configuration example of a control rule learning part of the exemplary embodiment. -
5 zeigt ein Blockdiagramm zur Darstellung eines Beispiels eines Qualitätsbestimmungsregel-Lernteils der beispielhaften Ausführungsform.5 Fig. 12 is a block diagram showing an example of a quality determination rule learning part of the exemplary embodiment. -
6 zeigt ein Beispiel der Steuerergebnisqualität-Bestimmung an einem Steuerverfahren in der Formensteuerung eines Sendzimir-Werks.6 shows an example of the control result quality determination for a control method in the form control of a Sendzimir plant. -
7 zeigt die Konfiguration eines neuronalen Netzes, die für die Formensteuerung des Sendzimir-Werks verwendet wird, gemäß der beispielhaften Ausführungsform.7 12 shows the configuration of a neural network used for the shape control of the Sendzimir plant according to the exemplary embodiment. -
8A und8B zeigen jeweils eine erläuternde Zeichnung der Formenabweichung und eines Steuerverfahrens der beispielhaften Ausführungsform.8A and8B 14 each show an explanatory drawing of the shape deviation and a control method of the exemplary embodiment. -
9 zeigt ein Blockdiagramm zur Darstellung eines Beispiels eines Steuereingabedaten-Erzeugungsteils der beispielhaften Ausführungsform.9 Fig. 12 is a block diagram showing an example of a control input data generation part of the exemplary embodiment. -
10 zeigt ein Blockdiagramm zur Darstellung eines Beispiels eines Steuerausgaben-Berechnungsteils der beispielhaften Ausführungsform.10 Fig. 14 is a block diagram showing an example of a control output calculation part of the exemplary embodiment. -
11 zeigt die Konfiguration eines neuronalen Netzes, das für die Qualitätsbestimmung des Sendzimir-Werks verwendet. wird, gemäß der beispielhaften Ausführungsform.11 shows the configuration of a neural network used for the quality determination of the Sendzimir work. is, according to the exemplary embodiment. -
12 zeigt ein Operationsmengen-Berechnungsverfahren eines Neusuchen-Operationsmengen-Berechnungsteils der beispielhaften Ausführungsform.12 12 shows an operation amount calculation method of a re-search operation amount calculation part of the exemplary embodiment. -
13 zeigt ein Blockdiagramm zur Darstellung eines Beispiels eines Steuerausgaben-Bestimmungsteils der beispielhaften Ausführungsform.13 Fig. 14 is a block diagram showing an example of a control output determination part of the exemplary embodiment. -
14 zeigt ein Blockdiagramm zur Darstellung eines Beispiels eines Steuerausgaben-Berechnungsteils der beispielhaften Ausführungsform.14 Fig. 14 is a block diagram showing an example of a control output calculation part of the exemplary embodiment. -
15 zeigt verarbeitungsschritte und Verarbeitungsinhalte eines Lerndaten-Erzeugungsteils der beispielhaften. Ausführungsform.15 12 shows processing steps and processing contents of a learning data generation part of the example. embodiment. -
16 zeigt ein Beispiel von in einer Lerndaten-Datenbank gespeicherten Daten der beispielhaften Ausführungsform.16 12 shows an example of data stored in a learning data database of the exemplary embodiment. -
17 zeigt ein Beispiel einer Verwaltungstabelle eines neuronalen Netzes der beispielhaften Ausführungsform.17 Fig. 12 shows an example of a neural network management table of the exemplary embodiment. -
18 zeigt einen Skelettrahmen eines Beispiels einer Lerndaten-Datenbank der beispielhaften Ausführungsform.18 Figure 12 shows a skeletal frame of an example of a learning data database of the exemplary embodiment. -
19 zeigt ein Blockdiagramm eines Beispiels eines Steuerqualität-Bestimmungsteils der beispielhaften Ausführungsform.19 12 shows a block diagram of an example of a control quality determination part of the exemplary embodiment. -
20 zeigt ein in einer Lerndaten-Datenbank gespeichertes Datenbeispiel der beispielhaften Ausführungsform.20 Fig. 12 shows a data sample stored in a learning data database of the exemplary embodiment. -
21 zeigt ein Beispiel einer Verwaltungstabelle eines neuronalen Netzes der beispielhaften Ausführungsform.21 Fig. 12 shows an example of a neural network management table of the exemplary embodiment. -
22 zeigt ein Beispiel einer Lerndaten-Datenbank der beispielhaften Ausführungsform.22 Figure 12 shows an example of a learning data database of the exemplary embodiment. -
23 zeigt ein Blockdiagramm zur Darstellung eines Beispiels eines Anlagensteuersystems umfassend eine Steuerregel-Bewertungseinheit der beispielhaften.Ausführungsform.23 12 is a block diagram showing an example of a plant control system including a control rule evaluation unit of the exemplary embodiment. -
24 zeigt ein Blockdiagramm zur Darstellung einer beispielhaften Hardwarekonfiguration des Anlagensteuersystems der beispielhaften Ausführungsform.24 12 is a block diagram showing an example hardware configuration of the plant control system of the example embodiment. -
25 zeigt ein Konfigurationsdiagramm eines. Beispiels des Sendzimir-Werks.25 shows a configuration diagram of a. example of the Sendzimir work. -
26 zeigt ein Beispiel einer Liste von Steuerregeln in der Formensteuerung des Sendzimir-Werks.26 shows an example of a list of control rules in the form control of the Sendzimir factory.
AUSFÜHRLICHE BESCHREIBUNGDETAILED DESCRIPTION
Ein Anlagensteuersystem einer beispielhaften Ausführungsform (nachfolgend als „dieses Beispiel“ bezeichnet) der Erfindung ist nachfolgend in Bezug auf die beigefügten Zeichnungen beschrieben.A plant control system of an exemplary embodiment (hereinafter referred to as “this example”) of the invention will be described below with reference to the accompanying drawings.
Zunächst sind vor der Beschreibung von diesem Beispiel Details und eine Zusammenfassung der Erfindung mit einem beispielhaften Fall beschrieben, in dem das Anlagensteuersystem auf ein Formensteuergerät eines Walzwerks angewendet wird.First, before the description of this example, details and summary of the invention are described with an example case where the plant control system is applied to a mold controller of a rolling mill.
Zunächst sind die folgenden Anforderungen (1), (2), (3) und (4) erforderlich, um ein Anlagensteuersystem zu erzielen, das wirksam eine Steuerregel mit weniger Gefahren für eine Anlage korrigieren kann.
Anforderung (1): Zum Verbessern der Steuerregel, wenn eine Steueroperation zum Liefern eines guten Steuerergebnisses nicht gelernt wurde, wird die Steueroperation stark geändert, und wenn ein gutes Steuerergebnis erzielt wird, wird die geänderte Steueroperation als ein neues Steueroperationsverfahren übernommen. Wenn eine Steueroperation zum Liefern eines guten Steuerergebnisse gelernt wurde, wird die Steueroperation nicht oder nur leicht geändert; und wenn ein gutes Steuerergebnis dadurch erzielt wird, wird diese Steueroperation als ein neues.Steueroperationsverfahren übernommen.First, the following requirements (1), (2), (3), and (4) are required to achieve a plant control system that can effectively correct a control rule with less danger to a plant.
Requirement (1): To improve the control rule, when a control operation to provide a good control result has not been learned, the control operation is greatly changed, and when a good control result is obtained, the changed control operation is adopted as a new control operation method. When a control operation has been learned to provide good control results, the control operation is not changed or only slightly changed; and when a good control result is thereby obtained, this control operation is adopted as a new control operation method.
Anforderung (2): Eine Kombination eines Formenmusters, einer Steueroperation und der Qualität eines Steuerergebnisses wird auf der Basis von Ist-Ausrüstungsdaten gelernt, wodurch ein Modell, mit dem die Qualität eines Steuerergebnisses genauer geschätzt werden kann.als mit einem Simulator unter Verwendung eines Maschinenmodells, ermittelt wird, das kontinuierlich an den letzten Anlagenzustand durch regelmäßiges automatisches Lernen anpassbar ist.Requirement (2): A combination of a shape pattern, a control operation, and the quality of a control result is learned based on actual equipment data, thereby creating a model capable of estimating the quality of a control result more accurately than a simulator using a machine model , is determined, which can be continuously adapted to the last system status through regular automatic learning.
Anforderung (3): Ein Modell, mit dem die Qualitätsbestimmung eines Steuerergebnisses geschätzt wird, wird zum Verbessern der Zuverlässigkeit einer Funktion zum Unterdrücken der Steuerausgabe an eine Anlage verwendet im Gegensatz zu bestehenden Verfahren, bei denen solch eine Funktion nur mit einem einfachen Maschinenmodell ausgeführt wurde.Requirement (3): A model with which the quality determination of a control result is estimated is used to improve the reliability of a function for suppressing the control output to a plant, in contrast to existing methods in which such a function was carried out only with a simple machine model .
Anforderung (4): Während eine Erzeugungsfunktion von Steuerregel-Lerndaten durch eine Qualitätsbestimmung eines Steuerergebnisses in den bestehenden Verfahren durchgeführt wird, wird ein Modell zum Schätzen der Qualitätsbestimmung eines Steuerergebnisses verwendet, wodurch der Einfluss von in Anlagendaten enthaltenen Störungen unterdrückt wird, was eine Feinanpassung ermöglicht, die eine kleine Wirkung liefert, die ebenfalls in Lerndatenobjekten enthalten ist, und dadurch wird eine fehlerhafte Bestimmung einer Steuerwirkung verhindert und somit eine Variation in Lerndaten unterdrückt, was zu einer stabilen Steuerleistung führt.Requirement (4): While a control rule learning data generation function is performed by a quality determination of a control result in the existing methods, a model for estimating the quality determination of a control result is used, thereby suppressing the influence of noise contained in plant data, enabling fine adjustment , which provides a small effect that is also included in learning data objects, and thereby erroneous determination of a control effect is prevented and thus variation in learning data is suppressed, resulting in stable control performance.
Zum Erfüllen solcher Anforderungen (1) bis (4) ist es vorzuziehen, ein neuronales Netz zu konfigurieren, das eine Kombination eines zur Formensteuerung verwendeten Formenmusters, einer Steueroperation und der Qualität eines Steuerergebnisses in einem Steuergerät lernen kann. Das Steuergerät erfordert das Schätzen der Qualität eines Steuerergebnisses durch die Ausgabe einer Steueroperation an einem in einem Walzwerk vorkommenden Formenmuster mit einem durch Senden des im Walzwerk vorkommenden Formenmusters und der Ausgabe der Steueroperation an das neuronale Netz ermittelten Wert. Ferner verwendet das Steuergerät eine Schätzung der Qualität eines Steuerergebnisses zum Auswählen eines Berechnungsverfahrens der Steueroperationsmenge zum Suchen nach einer neuen Steueroperation.To meet such requirements (1) to (4), it is preferable to configure a neural network that can learn a combination of a shape pattern used for shape control, a control operation, and the quality of a control result in a controller. The controller requires estimating the quality of a control result by outputting a control operation on a mill-occurring shape pattern with a value obtained by sending the mill-occurring shape pattern and outputting the control operation to the neural network. Further, the controller uses an estimate of the quality of a control result to select a calculation method of the control operation set to search for a new control operation.
Das Steuergerät überprüft die Ausgabe unter Verwendung von beispielsweise einem einfachen Modell eines Walzwerks und erwartet eine Ausgabe zum Verschlechtern der Form und steuert solch eine Ausgabe zum Nichtsenden an ein Steueroperationsende des Walzwerks und verhindert dadurch eine Formenverschlechterung. Zu diesem Zeitpunkt verwendet das Steuergerät die Schätzung der Qualität eines Steuerergebnisses zur Bestimmung der Ausgabeunterdrückuhg und verbessert somit die Zuverlässigkeit des Schutzes und optimiert einen Unterdrückungsbereich, was es ermöglicht, einen anwendbaren Bereich der Steuerfunktion zu erweitern.The controller checks the output using, for example, a simple model of a rolling mill, and expects an output for shape deterioration, and controls such an output not to send to a control operation end of the rolling mill, thereby preventing shape deterioration. At this time, the controller uses the estimation of the quality of a control result to determine the output suppression, and thus improves protection reliability and optimizes a suppression range, making it possible to expand an applicable range of the control function.
In einer anfänglichen Anwendungsstufe mit unzureichender Schätzgenauigkeit der Qualität eines Steuerergebnisses müssen Steueroperations-Ausgabedaten ebenfalls an eine Anlage gesendet werden, während sie als schlecht geschätzt werden, so dass ein Lernbereich auf eine Kombination eines ungelernten Formenmusters, einer Steueroperation und der Qualität eines Steuerergebnisses erweitert wird.In an initial application stage with insufficient estimation accuracy of the quality of a control result, control operation output data must also be sent to a plant while being estimated to be poor, so that a learning range is expanded to a combination of an unlearned shape pattern, a control operation, and the quality of a control result.
In einer Stufe, in der die Schätzgenauigkeit der Qualität eines Steuerergebnisses ausreichend hoch ist, da die Qualität eines Steuerergebnisses ohne Senden der Operationsmenge an die Anlage geschätzt werden kann, kann das Steuergerät Lerndaten der Steuerregel erzeugen.At a stage where the estimation accuracy of the quality of a control result is sufficiently high since the quality of a control result can be estimated without sending the operation amount to the plant, the controller can generate learning data of the control rule.
Das Steuergerät kann die Qualität eines Steuerergebnisses unter Verwendung eines neuronalen Netzes schätzen, mit dem die Qualität des Steuerergebnisses geschätzt werden kann, um den Einfluss von Störungen in Anlagendaten zu verringern, und kann somit die Qualität von Feinanpassungsdaten bestimmen, die eine geringe Wirkung liefern. Somit kann das Steuergerät Lerndaten erzeugen. Ferner kann das Steuergerät eine fehlerhafte Qualitätsbestimmung durch Störungen verhindern, um die Genauigkeit von Lerndaten zu verbessern.The controller can estimate the quality of a control result using a neural network capable of estimating the quality of the control result to reduce the influence of noise in plant data, and can thus determine the quality of fine adjustment data that provides little effect. The control unit can thus generate learning data. Further, the controller can prevent erroneous quality determination caused by noise to improve the accuracy of learning data.
Wenn die Schätzgenauigkeit der Qualitätsbestimmung eines Steuerergebnisses beispielsweise aufgrund der Umweltänderung einer Anlage durch altersbedingte Verschlechterung verringert wird, kann das Steuergerät ein Neulernen unter Verwendung der letzten Ergebnisdaten der Anlage zum Schätzen der Qualitätsbestimmung eines Steuerergebnisses entsprechend dem letzten Anlagenzustand durchführen.When the estimation accuracy of the quality determination of a control result is lowered due to environmental change of a plant due to aging deterioration, for example, the controller may perform relearning using the latest result data of the plant to estimate the quality determination of a control result according to the latest plant state.
Zum Bestätigen der Schätzgenauigkeit der Qualitätsbestimmung des Steuerergebnisses werden Testdaten für die Genauigkeitsüberprüfung getrennt von den zum Lernen des neuronalen Netzes verwendeten Daten vorbereitet. Das Steuergerät kann die Schätzgenauigkeit der Qualitätsbestimmung auf der Basis eines Fehlers in der Qualitätsbestimmung zwischen einem Ausgabewert des neuronalen Netzes, das ein in den Testdaten enthaltenes. Formenmuster zur Genauigkeitsüberprüfung und Ausgabe der Steueroperation empfangen hat, und des in den Testdaten enthaltenen Steuerergebnisses bestätigen.In order to confirm the estimation accuracy of the quality determination of the control result, test data for the accuracy check is prepared separately from the data used for learning the neural network. The control device can estimate the estimation accuracy of the quality determination based on an error in the quality determination between an output value of the neural network and a value contained in the test data. Received shape pattern for accuracy check and output of the control operation, and confirm the control result included in the test data.
Die Steuerausführungseinheit 20 empfängt Ergebnisdaten Si von einer Steuerobjektanlage 1 und liefert eine entsprechend einer Steuerregel (neuronales Netz) bestimmte Steueroperationsmengen-Ausgabe an die Steuerobjektanlage 1 und steuert somit die Steuerobjektanlage 1. In diesem Fall wird angenommen, dass die Steuerobjektanlage 1 das in Fig.. 25 dargestellte Sendzimir-Werk 50 ist wie zuvor beschrieben. Wie zuvor mit
Die Steuerverfahren-Lerneinheit 21 empfängt von der Steuerausführungseinheit 20 erzeugte Steuereingabedaten S1 zum Durchführen des Lernens und reflektiert eine gelernte Steuerregel zu einer Steuerregel in der Steuerausführungseinheit 20. Die Qualitätsbestimmungsregel-Lerneinheit 22 empfängt Ergebnisdaten vor und nach dem Steuern der Steuerobjektanlage 1 zum Durchführen des Lernens und reflektiert die gelernte Qualitätsbestimmungsregel zu einer Qualitätsbestimmungsregel in der Steuerausführungseinheit 20.The control
Die Steuerausführungseinheit 20 umfasst einen Steuereingabedaten-Erzeugungsteil 2, einen Steuerregel-Ausführungsteil 10, einen Steuerausgaben-Berechnungsteil 3, einen Steuerausgaben-Unterdrückungsteil 4, einen Steuerausgaben-Bestimmungsteil 5, einen Steuerausgaben-Qualitätsbestimmungsregel-. Ausführungsteil 17, einen Neusuchen-Operationsmengen-Berechnungsteil 33 und einen Steuerausgaben-Operationsverfahren-Auswahlteil 18.The
Die Steuerausführungseinheit 20 ermöglicht dem Steuereingabedaten-Erzeugungsteil 2 das Erzeugen von Eingabedaten S1 für den Steuerregel-Ausführungsteil 10 aus Ergebnisdaten Si eines Walzwerks, das die Steuerobjektanlage 1 ist.The
Der Steuerregel-Ausführungsteil 10 führt eine Steuerregel-Ausführungsverarbeitung durch, um einen Steueroperationsende-Operationsbefehl S2 von den Ergebnisdaten Si des Steuerobjekts unter Verwendung eines neuronalen Netzes (Steuerregel) zum Ausdrücken einer Beziehung zwischen den Ergebnisdaten Si des Steuerobjekts und dem Steueroperationsende-Operationsbefehl S2 zu erzeugen. Der Steuerausgaben-Berechnungsteil 3 berechnet eine Steueroperationsmenge S3 für ein Steueroperationsende auf der Basis des Steueroperationsende-Operationsbefehls S2. Somit erzeugt die Steuerausführungseinheit 20 die Steueroperationsmenge S3 unter Verwendung des neuronalen Netzes abhängig von den Ergebnisdaten Si der Steuerobjektanlage 1.The control
Der Steuerausgaben-Qüalitätsbestimmungsregel-Ausführungsteil 17führt eine Steuerausgaben-Qualitätsbestimmungsregel-Ausführungsverarbeitung durch, um eine Steuerausgaben-Qualitätsbestimmungsschätzung S9 auf den Ergebnisdaten Si des Steuerobjekts und der Steueroperationsmenge S3 unter Verwendung eines neuronalen Netzes (Qualitätsbestiinmungsregel) zum Ausdrücken einer Beziehung zwischen den Ergebnisdaten Si des Steuerobjekts, der Steueroperationsmenge S und der Steuerergebnis-Qualitätsdaten S6 am Steuerergebnis erzeugen. Ferner erzeugt der Steuerausgaben-Qualitätsbestimmungsregel-Ausführungsteil 17 eine Steuerergebnis-Qualitätsbestimmungsschätzung S11 aus den Ergebnisdaten Si des Steuerobjektsund der selektiven Steueroperationsmenge S8 wie nachfolgend beschrieben.The control output quality determination
Der Neusuchen-Operationsmengen-Berechnungsteil 33 führt eine Neusuchen-Operationsmengen-Berechnungsverarbeitung zum Berechnen einer Neusuchen-SteueroperationsmengeS12 auf der Basis der Steuerausgaben-Qualitätsbestimmungsschätzung S9 durch.The reseek operation
Der Steuerausgaben-Operationsverfahren-Auswahlteil 18 erzeugt die selektive Steueroperationsmenge S8 und ein Steuerverfahren-Auswahlflag S14 auf der Basis der Steueroperationsmenge S3 oder der Neusuchen-Steueroperationsmenge S12,The control output operation
Der Steuerausgaben-Bestimmungsteil 5 in der Steuerausführungseinheit 20 bestimmt Steueroperationsmengen-Ausgaberichtigkeitsdaten S4 für das Steueroperationsende unter Verwendung der Ergebnisdaten Si von der Steuerobjektanlage 1 und der Steueroperationsmenge S3 auf dem Steuerausgaben-Berechnungsteil3. Der Steuerausgaben-Unterdrückungsteil 4 bestimmt die Ausgaberichtigkeit der selektiven Steueroperationsmenge S8 für das Steueroperationsende auf der Basis der Steueroperationsmengen-Ausgaberichtigkeitsdaten S4 und der Steuerergebnis-. Qualitätsbestimmungsschätzung S11 und gibt die zulässige selektive Steueroperationsmenge S8 als die Steueroperationsmengen-Ausgabe S0 zur Lieferung an die Steuerobjektanlage 1 aus. Somit wird die als anormal bestimmte selektive Steueroperationsmenge S8 nicht von der Steuerausführungseinheit 20 an die Steuerobjektanlage 1 gesendet.The control
Die auf diese Weise konfigurierte Steuerausführungseinheit 20 bezieht sich auf eine Steuerregel-Datenbank DB1, eine Ausgabebestimmungs-Datenbank DB3 und eine Qualitätsbestimmungsregel-Datenbank DB5 zum Ausführen der vorhergehenden Verarbeitung.The
Die Steuerregel-Datenbank DB1 ist zugänglich mit sowohl dem Steuerregel-Ausführungsteil 10 in der Steuerausführungseinheit 20 als auch einem Steuerregel-Lernteil 802 in der Steuerverfahren-Lerneinheit 21 wie nachfolgend beschrieben verbunden.The control rule database DB1 is accessible to both the control
Die Steuerregel-Datenbank DB1 speichert eine Steuerregel (neuronales Netz) als ein Lernergebnis im Steuerregel-Lernteil 802. Der Steuerregel-Ausführungsteil 10 bezieht sich auf die in der Steuerregel-Datenbank DB1 gespeicherte Steuerregel.The control rule database DB1 stores a control rule (neural network) as a learning result in the control
Eine Lerndaten-Datenbank DB2 speichert durch den Steuerregel-Lernteil 802 erhaltene Lerndaten.A learning data database DB2 stores learning data obtained by the control
Eine Ausgabebestimmungs-Datenbank DB3 ist zugänglich mit dem Steuerausgaben-Bestimmungsteil 5 in der Steuerausführungseinheit 20 verbunden und speichert Ausgabebestimmungsergebnisse.An output determination database DB3 is accessible to the control
Eine Qualitätsbestimmungs-Datenbank DB4 speichert Daten zur Qualitätsbestimmung.A quality determination database DB4 stores data for quality determination.
Die Qualitätsbestimmungsregel-Datenbank DB5 speichert eine Qualitätsbestimmungsregel (neuronales Netz) als ein Lernergebnis in einem Qualitätsbestimmungsregel-Lernteil 31. Die Qualitätsbestimmungsregel-Datenbank DB5 ist zugänglich mit sowohl dem Steuerausgaben-Qualitätsbestimmungsregel-Ausführungsteil 17 in der Steuerausführungseinheit 20 als auch dem Qualitätsbestimmungsregel-Lernteil 31 in der Qualitätsbestimmungsregel-Lerneinheit 22 wie nachfolgend beschrieben verbunden. Der Steuerausgaben-Qualitätsbestimmungsregel-Ausführungsteil 17 bezieht sich auf eine in der Qualitätsbestimmungsregel-Datenbank DB5 gespeicherte Qualitätsbestimmungsregel.The quality determination rule database DB5 stores a quality determination rule (neural network) as a learning result in a quality determination
Eine Lerndaten-Datenbank DB6 speichert durch die Steuerverfahren-Lerneinheit 21 gelernte Lerndaten.A learning data database DB6 stores learning data learned by the control
Eine Überprüfungsdaten-Datenbank DB7 speichert für die Qualitätsbestimmung erforderliche Überprüfungsdaten.An inspection data database DB7 stores inspection data required for quality determination.
Der Steuerregel-Ausführungsteil 10 umfasst ferner einen Teil 102 zum Auswählen eines neuronalen Netzes und bezieht sich auf die in der Steuerregel-Datenbank DB1 gespeicherten Steuerregeln zum Auswählen eines Steuerregeloptimums als eine Steuerregel für das neuronale Netz 101 und ermöglicht dem neuronalen Netz 101 das Ausführen der Steuerregel.The control
Der Steuerregel-Ausführungsteil 10 wählt somit ein erforderliches neuronales Netz aus einer Vielzahl von neuronalen Netzen, sortiert entsprechend Bedienergruppen- oder Steuerzwecken, aus und verwendet das ausgewählte neuronale Netz. Die Steuerregel-Datenbank DB1 enthält vorzugsweise Ergebnisdaten (etwa Operationsgruppendaten) Si, aus denen ein neuronales Netz.und ein Qualitätsbestimmungsstandard ausgewählt werden kann, als Daten von der Steuerobjektanlage 1.The control
Da das neuronale Netz beim Ausführen eine Steuerregel wird, werden das neuronale Netz und die Steuerregel in der vorliegenden Beschreibung austauschbar verwendet.Since the neural network becomes a control rule when executed, the neural network and the control rule are used interchangeably in the present specification.
Der Steuerausgaben-Qualitätsbestimmungsregel-Ausführungsteil 17 empfängt die vom Steuereingaben-Datenerzeugungsteil 2 erzeugten Eingabedaten S1 und die vom Steuerausgaben-Berechnungsteil 3 erzeugte Steueroperationsmenge S3. Der Steuerausgaben-Qualitätsbestimmungsregel-Ausführungsteil 17 erzeugt die Steueraüsgaben-Qualitätsbestimmungsschätzung S9 auf der Basis von solchen Daten S1 und S3 und liefert die Schätzung S9 an den Neusuchen-Operationsmengen-Berechnungsteil 33.The control output quality determination
Ferner empfängt der Steuerausgaben-Qualitätsbestimmungsregel-Ausführungsteil 17 die vom Steuereingaben-Datenerzeugungsteil 2 erzeugten Eingabedaten S1 und die vom Steuerausgaben-Operationsverfahren-Auswahlteil 18 erzeugte selektive Steueroperationsmenge S8. Der Steuerausgaben-Qualitätsbestimmungsregel-Ausführungsteil 17 erzeugt die Steuerergebnis-Qualitätsbestimmungsschätzung S11 auf der Basis von solchen Daten S1 und S8 und liefert die Schätzung S11 an den Steuerausgaben-Unterdrückungsteil 4.Further, the control output quality determination
Der Steuerausgaben-Qualitätsbestimmungsregel-Ausführungsteil 17 umfasst ein neuronales Netz 171 und einen Teil 172 zum Auswählen eines neuronalen Netzes.The control output quality determination
Das neuronale Netz 171 schätzt einen Qualitätsbestimmungswert eines Steuerergebnisses auf der Basis von vorhergehenden Steuerergebnissen, wenn die Steueroperationsmenge S3 (Steuermuster) an die Eingabedaten S1 (Formenmuster) ausgegeben wird.The
Der Teil 172 zum Auswählen eines neuronalen Netzes bezieht sich auf die in der Qualitätsbestimmungsregel-Datenbank DB5 gespeicherten Qualitätsbestimmungsregeln und wählt somit die optimale Qualitätsbestimmungsregel für das neuronale Netz 171 aus.The neural
Der Steuerausgaben-Qualitätsbestimmungsregel-Ausführungsteil 17 wählt somit ein erforderliches neuronales Netz aus einer Vielzahl von neuronalen Netzen, sortiert entsprechend einem Unterschied in der Materialeigenschaft, als ein Steuerobjekt oder ein Unterschied im Qualitätsbestimmungsstandard aus. The control output quality determination
Die Qualitätsbestimmungsregel-Datenbank DB5 enthält vorzugsweise Ergebnisdaten (etwa Operationsgruppendaten) Si, aus denen die Materialeigenschaft als ein Steuerobjekt und der Qualitätsbestimmungsstandard jeweils ausgewählt werden kann, als Daten von der Steuerobjektanlage 1. Da das neuronale Netz beim Ausführen eine Steuerregel wird, werden das neuronale Netz und die Qualitätsbestimmungsregel in der vorliegenden Beschreibung austauschbar verwendet.The quality determination rule database DB5 preferably contains result data (such as operation group data) Si from which the material property can be selected as a control object and the quality determination standard, respectively, as data from the
Gemäß der Beschreibung von
Die Steuerverfahren-Lerneinheit 21 umfasst einen Lerndaten-Erzeugungsteil 801 und den Steuerregel-Lernteil 802.The control
Der Lerndaten-Erzeugungsteil 801 in der Steuerverfahren-Lerneinheit 21 verwendet die selektive Steueroperationsmenge S8 und den in der Steuerausführungseinheit 20 erzeugten Steuerverfahren-Auswahlflag S14 und die vom Steuerausgaben-Qualitätsbestimmungsregel-Ausführungsteil 17 erzeugte Steuerergebnis-Qualitätsbestimmungsschätzung S11 zum Durchführen einer Lerndaten-Erzeugungsverarbeitung zum Erzeugen von neuen Lehrerdaten S71 zur Verwendung zum Lernen eines neuronalen Netzes. Die durch den Lerndaten-Erzeugungsteil 801 erzeugten Lehrerdaten S7a werden an den Steuerregel-Lernteil 802 geliefert.The learning
Die Lehrerdaten S71 entsprechen dem vom Steuerregel-Ausführungsteil 10 ausgegebenen Steueroperationsende-Operationsbefehl S2.The teacher data S71 corresponds to the control operation end operation command S2 issued from the control
Der Lerndaten-Erzeugungsteil 801 verwendet die vom Steuerausgaben-Qualitätsbestimmungsregel-Ausführungsteil 17 erzeugte Steuerergebnis-Qualitätsbestimmungsschätzung S11 zum Ermitteln von Daten als neue Lehrerdaten S7a durch Schätzung des vom Steuerregel-Ausführungsteil 10 ausgegebenen Steueroperationsende-Operationsbefehls S2.The learning
Der Steuerregel-Lernteil 802 umfasst einen Eingabedaten-Erzeugungsteil 114, einen Lehrerdaten-Erzeugungsteil 115, einen Teil 110 zum Verarbeiten eines neuronalen Netzes und einen Teil 113 zum Auswählen eines neuronalen Netzes.The control
Der Steuerregel-Lernteil 802 empfängt extern die Eingabedaten S1 vom Steuereingabedaten-Erzeugungsteil 2 und die neuen Lehrerdaten S7a vom Lerndaten-Erzeugungsteil 801. Der Steuerregel-Lernteil 802 bezieht sich auf die in der Steuerregel-Datenbank DB1 und in der Lerndaten-Datenbank Db2 gespeicherten Daten.The control
Im Steuerregel-Lernteil 802 werden die Eingabedaten S1 vom Teil 110 zum Verarbeiten eines neuronalen Netzes über den Eingabedaten-Erzeugungsteil 114 empfangen.In the control
Im Steuerregel-Lernteil 802 werden die neuen Lehrerdaten S7a vom Lerndaten-Erzeugungsteil 801 im Lehrerdaten-Erzeugungsteil. 115 mit in der Lerndaten-Datenbank DB2 gespeicherten alten Lehrerdaten S7b kombiniert und die resultierenden Gesamtlehrerdaten S7c werden an den Teil 110 zum Verarbeiten eines neuronalen Netzes geliefert. Solche Lehrerdaten S7a und S7b werden entsprechend in der Lerndaten-Datenbank DB2 gespeichert und verwendet.In the control
Ebenso werden die Eingabedaten S8a vom Steuereingabedaten-Erzeugungsteil 2 im Eingabedaten-Erzeugungsteil 114 mit in der Lerndaten-Datenbank DB2 gespeicherten alten Eingabedaten S8b kombiniert und die resultierenden Gesamteingabedaten S8c werden an den Teil 110 zum Verarbeiten eines neuronalen Netzes geliefert. Solche Eingabedaten S8a und S8b werden ebenfalls entsprechend in der Lerndaten-Datenbank DB2 gespeichert und verwendet.Also, the input data S8a from the control input
Der Teil 110 zum Verarbeiten eines neuronalen.Netzes besteht aus einem neuronalen Netz 111 und einem Teil 112 zum Steuern des Lernens eines neuronalen Netzes.The neural
Das neuronale Netz 111 empfängt die Eingabedaten S8c vom Eingabedaten-Erzeugungsteil 114, die Lehrerdaten S7c vom Lehrerdaten-Erzeugungsteil 115 und eine vom Teil 113 zum Auswählen eines neuronalen Netzes ausgewählte Steuerregel (eines neuronalen Netzes) und speichert ein endgültig bestimmtes neuronales Netz in der Steuerregel-Datenbank DB1.The
Der Teil 112 zum Steuern des Lernens eines neuronalen Netzes steuert den Eingabedaten-Erzeugungsteil 114, den Lehrerdaten-Erzeugungsteil 115 und den Teil 113 zum Auswählen eines neuronalen Netzes zu geeigneten Zeitpunkten, so dass das neuronale Netz 111 Eingaben von den jeweiligen Teilen empfängt, und speichert Verarbeitungsergebnisse in der Steuerregel-Datenbank DB1.The neural network
Obgleich das neuronale Netz 101 im Steuerregel-Ausführungsteil 10 von
Insbesondere weist das neuronale Netz 101 im Steuerregel-Ausführungsteil 10 einen vorbestimmten Inhalt auf und ermittelt den Steueroperationsende-Operationsbefehl S2 als eine entsprechende Ausgabe beim Empfang der Eingabedaten S1.Specifically, the
Das neuronale Netz 111 in der Steuerregel-Lerneinheit 21 hingegen ermittelt durch Lernen eine Eingabe/Ausgabe-Beziehung zwischen den Eingabedaten S1, den Eingabedaten S8c zum Steueroperationsende-Operationsbefehl S2 und den Lehrerdaten S7c, wenn solche Daten als Lerndaten festgelegt sind.On the other hand, the
Die grundlegende Idee der Verarbeitung der Steuerverfahren-Lerneinheit 21 ist wie folgt. Zunächst sendet, wenn die Steueroperationsmengen-Ausgaberichtigkeitsdaten S4 „Zulässig“ anzeigen, die Steuerausführungseinheit 20 die Steueroperationsmengen-Ausgabe S0 an die Steuerobjektanlage 1. Zu diesem Zeitpunkt bestimmt, wenn die Steuerergebnis-Qualitätsbestimmungsschätzung S11 „Gut“ anzeigt (die Ergebnisdaten Si ändern sich zum Besseren), der Lerndaten-Erzeugungsteil 801 die vom Steuerausgaben-Operationsverfahren-Auswahlteil 18 ausgegebene selektive Steueroperationsmenge S8 als richtig und erzeugt Lerndaten, so dass die Ausgabe des neuronalen Netzes mit der selektiven Steueroperationsmenge S8 übereinstimmt.The basic idea of the processing of the control
Wenn die Steueroperationsmengen-Ausgaberichtigkeitsdaten S4 hingegen „Unzulässig“ anzeigen oder die Steuerergebnis-Qualitätsbestimmungsschätzung S11 „Unzulässig“ anzeigt (die Ergebnisdaten Si ändern sich zum Schlechteren) und falls die Steueroperationsmengen-Ausgabe S0 an die Steuerobjektanlage 1 gesendet wird, bestimmt der Lerndaten-Erzeugungsteil 801 die vom Steueraüsgaben-Operationsverfahren-Auswahlteil 18 ausgegebene selektive Steueroperationsmenge S8 als falsch.On the other hand, when the control operation amount output correctness data S4 indicates "Invalid" or the control result quality determination estimate S11 indicates "Invalid" (the result data Si changes for the worse) and if the control operation amount output S0 is sent to the
In solch einem Fall prüft der Lerndaten-Erzeugungsteil 801 anhand der Steuerverfahren-Auswahlflag S14, ob der Steuerausgaben-operationsverfahren-Auswahlteil 18 die Steueroperationsmenge S3 ausgewählt hat. Wenn die Steueroperationsmenge S3 zum Auswählen bestimmt wird, bestimmt der Lerndaten-Erzeugungsteil 801 den vom Steuerregel-Ausführungsteil 10 ausgegebenen Steueroperationsende-Operationsbefehl S2 als falsch und erzeugt Lerndaten, so dass keine Ausgabe des neuronalen Netzes erfolgt. Zu diesem Zeitpunkt wird die Ausgabe des neuronalen Netzes vorab konfiguriert, so dass eine von zwei Arten von Ausgaben, das heißt Ausgaben in Plus- und Minusrichtung, als die Steuerausgabe für das gleiche Steueroperationsende bereitgestellt wird, und die Lerndaten werden so erzeugt, dass der Steueroperationsende-Operationsbefehl S2 nicht an einer Seite ausgegeben wird, an der die Steuerausgabe bereitgestellt wurde.In such a case, the learning
Der in
Zunächst verwendet der Steuerregel-Lernteil 802 Lerndaten als eine Kombination der Daten S8c, ermittelt aus den an die Steuerausführungseinheit 20 gesendeten Eingabedaten S1, und der durch den Lehrerdaten-Erzeugungsteil 115 erzeugten Lehrerdaten S7c zum Durchführen des Lernens des vom Steuerregel-Ausführungsteil 10 verwendeten neuronalen Netzes 101.First, the control
Der Steuerregel-Lernteil 802 umfasst wiederum das neuronale Netz 111, das mit dem neuronalen Netz 101 im Steuerregel-Ausführungsteil 10 identisch ist, und führt operative Tests am neuronalen Netz 111 unter verschiedenen Bedingungen durch und lernt Reaktionen auf die Tests und ermittelt somit eine Steuerregel, die bestätigt wird, um ein besseres Ergebnis als ein Ergebnis des Lernens zu liefern.The control
Da solch ein Lernen unter Verwendung einer Vielzahl von Teilen von Lerndaten durchgeführt werden muss, wird eine Vielzahl von Teilen von alten Lerndaten zum Lernen aus der Lerndaten-Datenbank DB2 zum Speichern von in der Vergangenheit erzeugten Lerndaten extrahiert und es erfolgt eine Verarbeitung. Die aktuellen Lerndaten werden in der Lerndaten-Datenbank DB2 gespeichert. Das gelernte neuronale Netz wird in der Steuerregel-Datenbank DB1 zur Verwendung im Steuerregel-Ausführungsteil 10 gespeichert.Since such learning must be performed using a plurality of pieces of learning data, a plurality of pieces of old learning data for learning are extracted from the learning data database DB2 for storing learning data generated in the past, and processing is performed. The current learning data is stored in the learning data database DB2. The learned neural network is stored in the control rule database DB1 for use in the control
Das Lernen des neuronalen Netzes kann kollektiv unter Verwendung von alten Lerndaten bei jedem Erzeugen von neuen Lerndaten erfolgen oder kann kollektiv unter Verwendung von alten Lerndaten erfolgen, nachdem bestimmte Teile (beispielsweise 100 Teile) von Lerndaten gespeichert wurden.Learning of the neural network can be done collectively using old learning data every time new learning data is generated, or can be done collectively using old learning data after certain pieces (e.g., 100 pieces) of learning data have been stored.
Gemäß solch einer Konfiguration ermöglicht die Auswahl einer Neusuchen-Operationsmenge durch den Steuerausgaben-Operationsverfahreri-Auswählteil 18 das Senden der Neusuchen-Operationsmenge an eine Objektanlage, das Erzeugen von Lerndaten entsprechend dem Steuerergebnis der Objektanlage und das Lernen eines neuen Steuerverfahrens.According to such a configuration, the selection of a re-search operation set by the control-output operation
Gemäß der Beschreibung von
Die Qualitätsbestimmungsregel-Lerneinheit 22 umfasst einen Steuerergebnis-Qualitätsbestimmungsteil 6, den Qualitätsbestimmungsregel-Lernteil 31 und die Qualitätsbestimmungs-Datenbank DB4.The quality determination
Der Steuerergebnis-Qualitätsbestimmungsteil 6 verwendet die Ergebnisdaten Si und den Ergebnisdaten-Vorwert Si0 von der Steuerobjektanlage 1 und in der Qualitätsbestimmungs-Datenbank DB4 gespeicherte Qualitätsbestimmungsdaten S5 zum Durchführen einer Steuerergebnis-Qualitätsbestimmungsverarbeitung, zum Bestimmen, ob sich die Ergebnisdaten Si zum Besseren oder Schlechteren geändert haben. Der Steuerergebnis-Qualitätsbestimmungsteil 6 gibt anschließend die Steuerergebnis-Qualitätsdaten S6 zur Angabe eines Bestimmungsergebnisses aus.The control result
Der Qualitätsbestimmungsregel-Lernteil 31 umfasst einen Eingabedaten-Erzeugungsteil 314, einen Lehrerdaten-Erzeugungsteil 315, einen Teil 310 zum Verarbeiten eines neuronalen Netzes und einen Teil 313 zum Auswählen eines neuronalen Netzes.The quality determination
Der Qualitätsbestimmungsregel-Lernteil 31 empfängt extern Daten S12al als eine verzögerte Version der Eingabedaten S1 vom Steuereingabedaten-Erzeugungsteil 2 und Daten S12a2 als eine verzögerte Version der Steuerausgabemenge S0 vom Steuerausgaben-Unterdrückungsteil 4. Der Qualitätsbestimmungsregel-Lernteil 31 empfängt ferner die Steuerergebnis-Qualitätsdaten S6 (S13a) vom Steuerergebnis-Qualitätsbestimmungsteil 6.The quality determination
Zusätzlich bezieht,sich der Qualitätsbestimmungsregel-Lernteil 31 auf in der Qualitätsbestimmungsregel-Datenbank Db5 und in der Lerndaten-Datenbank DB6 gespeicherte Daten.In addition, the quality determination
Die Eingabedaten S1 und die Steuerausgabemenge S0 werden vom Teil 310 zum Verarbeiten eines neuronalen Netzes über den Eingabedaten-Erzeugungsteil 314 nach entsprechender Verzögerungskomperisation empfangen.The input data S1 and the control output amount S0 are received from the neural
Die Steuerergebnis-Qualitätsdaten S6 (S13a) vom Steuerergebnis-Qualitätsbestimmungsteil 6 werden im Lehrerdaten-Erzeugungsteil 315 mit in der Lerndaten-Datenbank DB6 gespeicherten alten Lehrerdaten S13b kombiniert und die resultierenden Gesamtlehrerdaten S13c werden an den Teil 310 zum Verarbeiten eines neuronalen Netzes geliefert. Solche Lehrerdaten S13a und S13b werden entsprechend in der Lerndaten-Datenbank DB6 gespeichert und verwendet.The control result quality data S6 (S13a) from the control result
Ebenso werden die jeweiligen Eingabedaten S12a1 und S12a2 vom Steuereingabedaten-Erzeugungsteil 2 und Steuerausgabe-Unterdrückungsteil 4 im Eingabedaten-Erzeugungsteil 314 mit in der Lerndaten-Datenbank DB6 gespeicherten alten Eingabedaten S12b kombiniert und die resultierenden Gesamteingabedaten S12c werden an den Teil 310 zum Verarbeiten eines neuronalen Netzes geliefert. Solche Eingabedaten S12a1, S12a2 und S12b werden entsprechend in der Lerndaten-Datenbank DB6 gespeichert und verwendet.Also, the respective input data S12a1 and S12a2 from the control input
Der Teil 310 zum Verarbeiten eines neuronalen Netzes besteht aus einem neuronalen Netz 311 und einem Teil 312 zum Steuern des Lernens eines neuronalen Netzes. Das neuronale Netz 311 empfängt die Eingabedaten S12c vom Eingabedaten-Erzeugungsteil 314, die Lehrerdaten S13c vom Lehrerdaten-Erzeugungsteil 315 und eine vom Teil 313 zum Auswählen eines neuronalen Netzes ausgewählte Steuerregel (eines neuronalen Netzes). Das neuronale Netz 311 speichert ein endgültig bestimmtes neuronales Netz in der Qualitätsbestimmungsregel-Datenbank DB5.The neural
Der Teil 312 zum Steuern des Lernens eines neuronalen Netzes steuert den Eingäbedaten-Erzeugungsteil 314, den Lehrerdaten-Erzeugungsteil 315 und den Teil 313 zum Auswählen eines neuronalen Netzes zu geeigneten Zeitpunkten, so dass die jeweiligen Daten an das neuronale Netz 311 gesendet werden. Ferner speichert der Teil 312 zum Steuern des Lernens eines neuronalen Netzes Verarbeitungsergebnisse in der Qualitätsbestimmungsregel-Datenbank DB5 über den Teil 313 zum Auswählen eines neuronalen Netzes.The neural network
Obgleich das neuronale Netz 171 in der Steuerausführungseinheit 20 wie in
Das heißt das neuronale Netz 171 in der Steuerausführungseinheit 20 weist einen vorbestimmten Inhalt auf. Insbesondere ermittelt das neuronale Netz 171 die Steuerausgaben-Qualitätsbestimmungsschätzung S9 oder S11 als eine entsprechende Ausgabe beim Empfangen der Eingabedaten S1 und der selektiven Steueroperationsmenge S8 oder der Steueroperationsmenge S3. Das heißt das neuronale Netz 171 ist ein für die Verarbeitung in einer Richtung verwendetes neuronales Netz.That is, the
Das neuronale Netz 311 in der Qualitätsbestimmungsregel-Lerneinheit 22 hingegen erfüllt eine Eingabe/Ausgabe-Beziehung zwischen den Eingabedaten S1, den Eingabedaten S12c der Steuerausgabemenge S0 und der Lehrerdaten S13c, wenn solche Daten als Lerndaten festgelegt sind.On the other hand, the
Nachfolgend ist ein spezifisches Beispiel eines Anlagensteuerverfahrens für die Formensteuerung eines Sendzimir-Werks beschrieben. Die Formensteuerung ist unter der Annahme beschrieben, dass die folgenden Spezifikationen A und B verwendet werden.A specific example of a plant control method for mold control of a Sendzimir plant is described below. The shape control is described on the assumption that the following specifications A and B are used.
Die Spezifikation A bezieht sich auf die Priorität und weist eine Prioritätsinformation in einer Plattenbreitenrichtung auf. Beispielsweise ist in der Formensteuerung die Form häufig schwierig so zu steuern, dass sie einen Sollwert über die gesamte Fläche in der Plattenbreitenrichtung in Bezug auf die mechanischen Eigenschaften aufweist. Daher werden die folgenden zwei Spezifikationen A1 und A2 zur Priorität in der Plattenbreitenrichtung festgelegt. Von diesen spezifiziert die Prioritätsspezifikation A1, dass ein Plattenende Priorität aufweist. Die Prioritätsspezifikation A2 spezifiziert, dass die Mitte Priorität aufweist. Die Steuerung erfolgt entsprechend den zwei Prioritätsreihenfolgen der Spezifikationen A1 und A2. Das heißt wenn einAnlagensteuersystem eine Steuerung durchführt, wird eine der Prioritätsspezifikationen A1 und A2 berücksichtigt.The specification A is related to the priority and has priority information in a disk width direction. For example, in the shape control, the shape is often difficult to control to have a target value over the entire area in the plate width direction in terms of mechanical properties. Therefore, the following two specifications A1 and A2 become priority in the Plat width direction. Of these, the priority specification A1 specifies that a disk end has priority. The priority specification A2 specifies that the center has priority. The control is carried out according to the two priority orders of the specifications A1 and A2. That is, when a plant control system performs control, one of the priority specifications A1 and A2 is taken into account.
Die Spezifikation B bezieht sich auf eine Reaktion auf eine zuvor bekannte Bedingung. Beispielsweise muss, da eine Beziehung zwischen dem Formenmuster und dem Steuerverfahren abhängig von verschiedenen Bedingungen variiert, die Spezifikation B in eine Klassifikation einer Spezifikation B1 für die Plattenbreite und einer Spezifikation B2 für eine Stahlsorte unterteilt werden. Die Variation von jeder Spezifikation variiert den Grad des Einflusses auf eine Form eines Formenoperationsendes.Specification B relates to a response to a previously known condition. For example, since a relationship between the shape pattern and the control method varies depending on various conditions, the specification B needs to be divided into a classification of a plate width specification B1 and a steel grade specification B2. The variation of each specification varies the degree of influence on a shape of a shape operation end.
Die Steuerobjektanlage 1 von diesem Beispiel ist das Sendzimir-Werk und Ergebnisdaten stimmen mit Formenergebnissen überein. Das Sendzimir-Werk weist eine Vielwalze zum Kaltwalzen eines harten Materials wie Edelstahl auf. Das Sendzimir-Werk verwendet eine Arbeitswalze mit kleinem Durchmesser zum Anwenden einer hohen Reduktion auf das harte Material. Somit ist das Sendzimir-Werk schwierig so zu steuern, dass eine flache Stahlplatte erzeugt wird. Als eine Maßnahme hierfür verwendet das Sendzimir-Werk eine Vielwalzenstruktur oder verschiedene Formensteuerteile.The
Das Sendzimir-Werk weist typischerweise obere und untere erste Zwischenwalzen auf, die jeweils einzelkonisch sind, um verschiebbar zu sein, sechs obere und untere Spaltwalzen und zwei obere und untere Walzen mit der Bezeichnung AS-U auf. Im folgenden Beispiel werden Erfassungsdaten von einem Formendetektor als die Ergebnisdaten Si zu einer Form verwendet und eine Formenabweichung, die ein Unterschied zu einer Sollform ist, wird als die Eingabedaten S1 verwendet. Die Steueroperationsmehge S3 wird als die Walzenverschiebungsmenge von jeder von Nr. 1 bis Nr. n AS-Us oder jeder der oberen und unteren ersten Zwischenwalzen angenommen.The Sendzimir mill typically has upper and lower first intermediate rolls, each single conical to be displaceable, six upper and lower nip rolls and two upper and lower rolls designated AS-U. In the following example, detection data from a shape detector is used as the result data Si on a shape, and a shape deviation that is a difference from a target shape is used as the input data S1. The control operation amount S3 is assumed to be the roll shift amount of each of No. 1 to No. n AS-Us or each of the upper and lower first intermediate rolls.
Im Falle der Formensteuerung eines Sendzimir-Werks sind die Ergebnisdaten Si von der Steuerobjektanlage 1 Ergebnisdaten des Sendzimir-Werks, enthaltend Daten des Formendetektors. (Unter anderem wird angenommen, dass eine Formenabweichung als ein Unterschied zwischen einer Istform und einer Sollform ausgegeben wird.) Der Steuereingabedaten-Erzeugungsteil 2 empfängt eine normalisierte Formenabweichung 201 und eine Formenabweichungsstufe 202 als die Eingabedaten S1. Als ein Ergebnis besteht eine Eingabeschicht des neuronalen Netzes 101 oder 111 aus der normalisierten Formenabweichung 201 und der Formenabweichungsstufe 202. Obgleich die Formenabweichungsstufe 202 durch die Eingabeschicht des neuronalen Netzes in
Eine Ausgabeschicht des neuronalen Netzes 101 oder 111 besteht aus einem AS-U-Operationsgrad 301 und einem ersten Zwischenoperationsgrad 302 entsprechend der AS-U- und der ersten Zwischenwalze, die jeweils ein Formensteuer-Operationsende des Sendzimir-Werks sind. Bei der AS-U weist jeder Operationsgrad eine AS-U-Öffnungsrichtung (eine Richtung, in der ein Walzenspalt (Spalt zwischen den oberen und unteren Walzen des Walzwerks) zunimmt) und eineAS-U-Schließrichtung (eine Richtung, in welcher der Walzenspalt abnimmt) für jede AS-U auf.An output layer of the
Bei der ersten Zwischenwalze weist jeder Operationsgrad eine Öffnungsrichtung der ersten Zwischenwalze (eine Richtung, in der sich die erste Zwischenwalze nach außen von der Mitte des Walzwerks bewegt) und eine Schließrichtung der ersten Zwischenwalze (eine Richtung, in der sich die erste Zwischenwalze zur Mitte des Walzwerks hin bewegt) für jede der oberen und unteren ersten Zwischenwalzen auf. Beispielsweise weist unter der Annahme, dass der Formendetektor 20 Zonen aufweist und die Formenabweichungsstufe 202 drei Stufen (groß, mittel, klein) umfasst, die Eingabeschicht 23 Eingaben auf. Unter der Annahme, dass die Zahl von AS-U-Sätteln sieben ist, und unter der Annahme, dass die oberen und unteren ersten Zwischenwalzen jeweils in der Plattenbreitenrichtung verschiebbar sind, weist die Ausgabeschicht 14-AS-U-Operationsgrade 301 und vier erste Zwischenoperationsgrade, das heißt 18 Operationsgrade insgesamt, auf. Die Zahl von Zwischenschichten und die Zahl von Neuronen von jeder Schicht werden rechtzeitig festgelegt. Im Formensteueroperationsende des Sendzimir-Werks, das die Ausgabeschicht ist, ist die Ausgabe des neuronalen Netzes so ausgebildet, dass zwei Arten von Ausgaben, das heißt Ausgaben in Plus- und Minusrichtungen, zu einem einzelnen Steueroperationsende erfolgen.In the first intermediate roll, each degree of operation has a first intermediate roll opening direction (a direction in which the first intermediate roll moves outward from the center of the rolling mill) and a first intermediate roll closing direction (a direction in which the first intermediate roll moves toward the center of the rolling mill). moved towards) for each of the upper and lower first intermediate rolls. For example, assuming that the shape detector has 20 zones and the
Wie in
Bei einer kleinen Formenabweichung hingegen wie in
Da das Steuerverfahren somit entsprechend der Stärke der Formenabweichung geändert werden muss, ist die Formenabweichungsstufe 202 für das neuronale Netz 101 oder 111 vorgesehen wie in
Bei der Anlagensteuerung von diesem Beispiel wird das neuronale Netz 101 oder 111 mit der zuvor beschriebenen Konfiguration in
Daher wird eine Vielzahl von neuronalen Netzen selektiv abhängig von anderen Bedingungen von Formenergebnissen verwendet, was das Ermitteln der optimalen Steuerung für jede von verschiedenen Bedingungen ermöglicht. Dies erfüllt die Spezifikation B. Die zuvor beschriebene Konfiguration von
Insbesondere wird im Konfigurationsbeispiel von
Der Teil 102 zum Auswählen eines neuronalen Netzes verwendet vorzugsweise als die Bedingung zum jeweiligen Zeitpunkt Plattenbreitendaten aus den Ergebnisdaten Si der Steuerobjektanlage.1 und wählt entsprechend ein neuronales Netz aus. Die hier verwendeten neuronalen Netze können eine verschiedene Zahl von Zwischenschichten und/oder eine verschiedene Zahl von Einheiten von jeder Schicht aufweisen, wenn die Eingabeschicht und die Ausgabeschicht wie in
Der Steuereingabedaten-Erzeugungsteil 2 empfängt als die Ergebnisdaten Si Formendetektordaten vom Formendetektor, der eine Plattenform während des Walzens durch das Sendzimir-Werk, das die Steuerobjektanlage 1 darstellt, erfasst. Zusätzlich ermittelt der Steuereingabedaten-Erzeugungsteil 2 einen Formenabweichungs-Peakto-Peak- (PP-)Wert SPP, der ein Unterschied zwischen dem Maximum und dem Minimum von Erfassungsergebnissen von jeder Formendetektorzone ist, durch einen Formenabweichungs-PP-Wert-Berechnungsteil 210.The control input
Ein Formenabweichungsstufen-Berechnungsteil 211 klassifiziert die Formenabweichung in drei Stufen von Groß, Mittel und Klein mit dem Formenabweichungs-PP-Wert SPP. Die Form entspricht der Verteilung der Dehnungsrate des zu walzenden Materials in einer Plattenbreitenrichtung und es wird I-UNIT zum Ausdrücken der Dehnungsrate in einer 10-5-Einheit als eine Einheit für die Form verwendet. Beispielsweise wird die Formenabweichung wie durch die folgenden numerischen Formeln ausgedrückt klassifiziert.A shape deviation
Hier wird die Formenabweichung so klassifiziert, dass die Formenabweichungsstufe „Groß = 1, Mittel = 0, Klein = 0=“ zur Erstellung der numerischen Formel 1, „Groß =0, Mittel = 1, Klein = 0“ zur Erstellung der numerischen Formel 2 und „Groß = 0, Mittel = 0, Klein = 1“ zur Erstellung der numerischen Formel 3 ist. Die Formenabweichung von jeder Zone wird unter Verwendung von SPM normalisiert, wobei angenommen wird, dass SPM = SPP wahr ist.Here, the shape deviation is classified so that the shape deviation level is “Large=1, Medium=0, Small=0=” to construct
Auf diese Weise erzeugt der Steuereingabedaten-Erzeugungsteil 2 die normalisierte Formenabweichung 201 und die Formenabweichungsstufe 202 als die Eingabedaten für das neuronale Netz 101. Die normalisierte Formenabweichung 201 und die Formenabweichungsstufe 202 entsprechen kollektiv den Eingabedaten S1 für den Steuerregel-Ausführungsteil 10.In this way, the control input
Der Steuerausgaben-Berechnungsteil 3 erzeugt die Steueroperationsmenge S3, die ein Operationsbefehl für jedes Formensteueroperationsende ist, aus dem Steueroperationsende-Operationsbefehl S2 als eine Ausgabe vom neuronalen Netz 101 im Steuerregel-Ausführungsteil 10. Bei einer Formensteuerung des Sendzimir-Werks entspricht der Steueroperationsende-Operationsbefehl S2 dem AS-U-Öperationsgrad 301 und dem ersten Zwischenoperationsgrad 302.The control
Im Steuerausgaben-Berechnungsteilv 3 weist der empfangene AS-U-Operationsgrad 301 eine AS-U-Öffnungsrichtungsausgabe und eine AS-U-Schließrichtungsausgabe auf und ein Unterschied zwischen den Ausgaben wird von einem Subtrahierer 303 berechnet. Ein Multiplizierer 304 multipliziert die Ausgabe des Subtrahierers 303 mit einer Umwandlungsverstärkung GASU, wodurch ein Operationsbefehl für jede AS-U erzeugt und ausgegeben wird. Da die Steuerausgabe für die AS-U der AS-U-Positionsänderungsmenge (in der Länge) entspricht, ist die Umwandlungsverstärkung. GASU eine Verstärkung in der Umwandlung von Grad in die Positionsänderungsmenge.In the control
Ebenso weist der empfangene erste Zwischenoperationsgrad 302 eine erste Zwischenaußenseiten-Ausgabe und eine erste Zwischeninnenseiten-Ausgabe auf und ein Unterschied zwischen den Ausgaben wird von einem Subtrahierer 305 berechnet. Ein Multiplizierer 306 multipliziert die Ausgabe des Subtrahierers 305 mit einer Umwandlungsverstärkung GIST, wodurch ein Operationsbefehl für jede erste Zwischenwalzenverschiebung erzeugt und ausgegeben wird. Da die Steuerausgabe für die erste Zwischenwalzenverschiebung ersten Zwischenwalzenverschiebungs-Positionsänderungsmenge (in der Länge) entspricht, ist die Umwandlungsverstärkung GIST eine Verstärkung in der Umwandlung von Grad in die Positionsänderungsmenge.Likewise, the received first
Auf diese Weise kann der Steuerausgaben-Berechnüngsteil 3 die Steueroperationsmenge S3 berechnen. Die Steueroperationsmenge S3 umfasst die AS-U-Positionsänderungsmenge von Nr. 1 bis Nr. n (n ist die Zahl von Sätteln der AS-U-Walze), die obere erste Zwischenverschiebungs-Positionsänderungsmenge und die untere erste Zwischenverschiebungs-Positionsänderungsmenge.In this way, the control
Es werden die gleichen Signale wie die jeweiligen Eingaben für die mit
Die Ausgabeschicht gibt einen Wert einer Schätzung der Qualitätsbestimmung eines Steuerergebnisses aus, wenn die Steueroperationsmenge S3 oder die selektive Steueroperationsmenge S8 als Reaktion auf die Eingabedaten S1 ausgegeben wird. Die Zahl der Zwischenschichten und die Zahl von Neuronen von jeder Schicht werden rechtzeitig festgelegt.The output layer outputs a value of an estimate of the quality determination of a control result when the control operation set S3 or the selective control operation set S8 is output in response to the input data S1. The number of intermediate layers and the number of neurons of each layer are fixed in time.
Insbesondere wird im Falle eines großen Werts der Steuerausgaben-Qualitätsbestimmungsschätzung S9 die Qualitätsbestimmung der Steueroperation gut geschätzt und somit führt der Neusuchen-Operationsmengen-Berechnungsteil 33 eine Feinanpassung der Neusuchen-Operationsmenge durch.
Im Falle eines kleinen Werts der Steuerausgaben-Qualitätsbestimmungsschätzung S9 wird die Qualitätsbestimmung der Steueroperation schlecht geschätzt und somit ändert der Neusuchen-Operationsmengen-Berechnurigsteil 33 in starkem Umfang die Steueroperation zum Neusuchen eines geeigneten Operationsverfahrens.
In particular, in the case of a large value of the control output quality determination estimate S9, the quality determination of the control operation is well estimated, and thus the reseek operation
In the case of a small value of the control output quality determination estimate S9, the quality determination of the control operation is poorly estimated, and thus the re-search operation
Gemäß der vorhergehenden Linie werden Formeln zum Ermitteln einer Neusuchen-Operationsmenge Crand wie folgt festgelegt.
Ferner stellt th2 einen festgelegten Änderungsgrad dar, wenn sich ein Operationsverfahren stark ändert. Wenn beispielsweise th2 auf 0,1 festgelegt wird, wird ein Versatz von 10 % zu einem ursprünglichen Befehl hinzugefügt, und somit kann sich die Operationspolarität ändern oder ein Befehl kann an eine Vorrichtung ausgegeben werden, die im Wesentlichen nicht betrieben wird.Further, th2 represents a fixed degree of change when a surgical procedure changes greatly. For example, if th2 is set to 0.1, an offset of 10% is added to an original command, and thus the operational polarity may change or a command may be issued to a device that is essentially not operating.
Für jeden der Werte von β und γ wird ein unterschiedlicher Wert für jede.Operationsvorrichtung verwendet und die Operationsmenge von jeder Vorrichtung wird unabhängig geändert. G stellt einen Maximum-Operationspositionssteuerbefehl von jeder Steueroperationsvorrichtung dar und wird mit dem vorhergehenden Befehlsprozentwert multipliziert, so dass der Prozentwert in einen Operationspositions-Steuerbefehl umgewandelt wird.For each of the values of β and γ, a different value is used for each operation device, and the operation amount of each device is changed independently. G represents a maximum operating position control command from each control operation device and is multiplied by the previous command percentage so that the percentage is converted into an operating position control command.
Der Steuerausgaben-Operationsverfalirens-Auswahlteil 18 wählt die Steueroperationsmenge S3 oder die Neusuchen-Steueroperationsmenge S12 zur Ausgabe als die selektive Steueroperationsmenge S8 aus. Ob die Steueroperationsmenge S3 oder die Neusuchen-Steueroperationsmenge S12 ausgewählt wird, wird stochastisch bestimmt, und es wird eine Wahrscheinlichkeit Prand des Verwendens der Neusuchen-Steueroperatiönsmenge S12 vom Benutzer festlegbar in einem Bereich von 0 bis 1 gestaltet. Die Auswahl wird durch die folgende Formel unter Verwendung eines Wertes 5 bestimmt, der zufällig einen Wert von 0 bis 1 annimmt.
In der Formel stellt C" ref die selektive Steueroperationsmenge S8 zum Senden an einen folgenden Berechnungsteil durch den Steuerausgaben-Operationsverfahren-Auswahlteil 18 dar. Ein gemeinsamer Wert für Berechnungen von Operationsmengen von allen Vorrichtungen wird als δ verwendet und die Operationsmengen von allen Vorrichtungen befinden sich auf der gleichen Seite. α stellt den Steuerverfahren-Auswahlflag S14 dar und ist 1 im Falle der Auswahl der Steueroperationsmenge S3 bzw. 0 im Falle der Auswahl der Neusuchen-Steueroperationsmenge S12. Der Steuerverfahren-Auswahlflag S14 wird an den folgenden Berechnungsteil zusammen mit der selektiven Steueroperationsmenge S8 gesendet. Beim Festlegen von Prand wird Prand auf 0 festgelegt, wenn wünschenswerterweise keine Gefahr einer Zufallsoperation für eine Anlage bei Steuerung der betreffenden Ausrüstung vorhanden sein soll, und wird auf eine andere Rate als 0 festgelegt, wenn wünschenswerterweise eine Neusuchen-Operationsmenge zum Verbessern einer Steuerregel ausgegeben werden soll.In the formula, C"ref represents the selective control operation amount S8 for sending to a subsequent calculation part by the control output operation
Der Steuerausgaben-Bestimmungsteil 5 besteht aus einem Walzerscheinung-Bestimmungsteil 501 und einem Formenkorrektur-Qualitätsbestimmungsteil 502. Der Steuerausgaben-Bestimmungsteil 5 ermittelt die Ergebnisdaten Si von der Steuerobjektanlage 1, die Steueroperationsmenge S3 vom Steuerausgaben-Berechnungsteil 3 und Daten in der Ausgabenbestimmungs-Datenbank DB3 und liefert die Steueroperationsmengen-Ausgaberichtigkeitsdaten S4 an das Steueroperationsende.The control
Wenn die vom Steuerausgaben-Operationsverfahren-Auswahlteil 18 berechnete selektive Steueroperationsmenge S8 an ein Walzwerk gesendet wird, das die Steuerobjektanlage 1 ist, sagt der Steuerausgaben-Bestimmungsteil 5 mit der vorhergehenden Konfiguration eine Formenänderung durch Senden der selektiven Steueroperationsmenge S8 an ein bekanntes Modell der Steuerobjektanlage 1 voraus. Das bekannte Modell der Steuerobjektanlage 1 ist das hier genannte Walzerscheinungsmodell 501..Wenn in dieser Vorhersage erwartet wird, dass sich die Form verschlechtert, unterdrückt der Steuerausgaben-Bestimmungsteil 5. die Steueroperationsmengen-Ausgabe S0 zum Verhindern, dass die Form stark beeinträchtigt wird.When the selective control operation set S8 calculated by the control output operation
Im Detail beschrieben gibt der Steuerausgaben-Bestimmungsteil 5 die selektive Steueroperationsmenge S8 am Walzetscheinungsmodell 501 ein, sagt die durch die selektive Steueroperationsmenge S8 bewirkte Formenänderung voraus und berechnet Formenabweichungs-Korrekturmengen-Vorhersagedaten 503.Described in detail, the control
Der Steuerausgaben-Bestimmungsteil 5 fügt wiederum die Formenabweichungs-Korrekturmengen-Vorhersagedaten 503 zu Formenerfassungsdaten Si von der.Steuerobjektanlage 1 hinzu und ermittelt somit Formenabweichungs-Vorhersagedaten 505 und bewertet die Formenabweichungs-Vorhersagedaten 505. Somit kann der Steuerausgaben-Bestimmungsteil 5 vorhersagen, wie sich die Form ändert, wenn die Steueroperationsmenge S3 an die Steuerobjektanlage 1 gesendet wird. Zu diesem Zeitpunkt entsprechen die Formenerfassungsdaten Si aktuellen Formenabweichungs-Ergebnisdaten 504.The control
Im Steuerausgaben-Bestimmungsteil 5 bestimmt der Formenkorrektur-Qualitätsbestimmungsteil 502, ob sich die Form zum Besseren oder Schlechteren ändert, auf der Basis der aktuellen Formenabweichungs-Ergebnisdaten 504 und der Formenabweichungs-Vorhersagedaten 505 und ermittelt die Steueroperationsmengen-Ausgaberichtigkeitsdaten S4.In the control
Insbesondere führt der Formenkorrektur-Qualitätsbestimmungsteil 502 eine Qualitätsbestimmung der Formenkorrektur wie folgt durch. Zunächst wird wie mit den Spezifikationen A und B zur Priorität der Formensteuerung beschrieben ein Gewichtskoeffizient w(i) in der Plattenbreitenrichtung vorab für jede der Spezifikationen A1 und A2 in der Ausgabebestimmungs-Datenbank DB3 zum Berücksichtigen der Steuerpriorität in der Plattenbreitenrichtung festgelegt. Solch ein Gewichtskoeffizient wird zum Bestimmen der Qualität der Formenänderung unter Verwendung einer Bewertungsfunktion J wie beispielsweise der folgenden numerischen Formel 4 verwendet. In der numerischen Formel 4 stellt w(i) den Gewichtskoeffizienten dar, εfb(i)stellt die Formenabweichungs-Ergebnisdaten 504 dar, εest(i) stellt die Formenabweichungs-Vorhersagedaten 505 dar, i stellt eine Formendetektorzone dar und rand stellt einen Zufallszahlenausdruck dar.Specifically, the shape correction
Im Falle der Verwendung der Bewertungsfunktion J der numerischen Formel 4 ist die Bewertungsfunktion J positiv, wenn die Form besser wird, während sie negativ ist, wenn die Form schlechter wird. Zusätzlich ist rand, der Zufallszahlenausdruck und ändert zufällig ein Bewertungsergebnis der Bewertungsfunktion J. Als ein Ergebnis kann, selbst wenn sich die Form verschlechtert, da die Bewertungsfunktion J positiv in einigen Fällen ist, eine Beziehung zwischen dem Formenmuster und dem Steuerverfahren ebenfalls im Falle gelernt werden, in dem das Walzerscheinungsmodell 501 nicht korrekt ist.In the case of using the evaluation function J of the
Der Zufallszahlenausdruck rand wird rechtzeitig geändert, so dass das Maximum vergrößert wird, wenn das Modell der .Steuerobjektanlage 1 unsicher ist, etwa beim Start des Testbetriebs, während er 0 ist, wenn das Steuerverfahren zu einem gewissen Grad gelernt wurde und eine stabile Steuerung wünschenswerterweise durchgeführt wird.The random number expression rand is timely changed so that the maximum is increased when the model of the
Der Formenkorrektur-Qualitätsbestimmungsteil 502 berechnet die Bewertungsfunktion J und gibt die Steueroperationsmengen-Ausgaberichtigkeitsdaten S4 aus, während die Steueroperationsmengen-Ausgaberichtigkeitsdaten S4 auf 1 (zulässig) bei J≥ 0 festgelegt werden und die Steueroperationsmengen-Ausgaberichtigkeitsdaten S4 auf 0 (unzulässig) bei J < 0 festgelegt werden.The shape correction
Wie zuvor beschrieben empfängt der Steuerausgaben-17 die normalisierte Formenabweichung 201, die Formenabweichungsstufe 202 und die selektive Steueroperationsmenge S8 und gibt die Steuerergebnis-Qualitätsbestimmungsschätzung S11 aus. Die Steuerergebnis-Qualitätsbestimmungsschätzung S11 ist 1 im Falle einer Schätzung als besser wie ein Steuerergebnis und ist 0 in anderen Fällen.As previously described, the
Der Steuerausgaben-Unterdrückungsteil 4 bestimmt, ob die Steueroperationsmengen-Ausgabe S0 an die Steuerobjektanlage 1 gesendet wird, abhängig von den Steueroperationsmengen-Ausgaberichtigkeitsdaten S4, die ein Bestimmungsergebnis des Steuerausgaben-Bestimmungsteils 5 sind, und von der Steuerergebnis-Qualitätsbestimmungsschätzung S11 Die Steueroperationsmengen-Ausgaberichtigkeitsdaten S4 umfassen eine AS-U-Positionsänderungsmengen-Ausgabe Nr. 1 bis Nr. n, eine obere erste Zwischenverschiebungs-Positionsänderungsmengen-Ausgabe und eine untere erste Zwischenverschiebungs-Positionsänderungsmengen-Ausgabe und wird gemäß der folgenden Bedingung bestimmt.The control-
IF (Steuerverfahren-Auswahlflag = 1) THEN
IF (Steueroperationsmengen-Ausgaberichtigkeitsdaten S4 = 0 OR
Steuerergebnis-Qualitätsbestimmungsschätzung S11 <= thprot) THEN
AS-U-Positionsänderungsmengen-Ausgabe Nr. 1 bis Nr. n = 0
obere erste Zwischenverschiebungs-Positionsänderungsmengen-
Ausgabe = 0
untere erste Zwischenverschiebungs-Positionsänderungsmengen-
Ausgabe = 0
ELSE
AS-U-Positionsänderungsmengen-Ausgabe Nr. 1 bis Nr. n = AS-U-
Positionsänderungsmenge Nr. 1 bis Nr. n
obere erste Zwischenverschiebungs-Positionsänderungsmengen-
Ausgabe = obere erste Zwischenverschiebungs-Positionsänderungsmenge
untere erste Zwischenverschiebungs-Positionsänderungsmengen-
Ausgabe = untere erste Zwischenverschiebungs-
Positionsänderungsmenge
END IF
ELSE
IF (Steueroperationsmengen-Ausgaberichtigkeitsdaten S4 = 0 OR
Steuerergebnis-Qualitätsbestimmungsschätzung S11 <= thprot) AND
(PTRIAL < η) ) THEN
AS-U-Positionsänderungsmengen-Ausgabe Nr. 1 bis Nr. n = 0
obere erste Zwischenverschiebungs-Positionsänderungsmengen-
Ausgabe = 0
untere erste Zwischenverschiebungs-Positionsänderungsmengen-
Ausgabe = 0
ELSE
AS-U-Positionsänderungsmengen-Ausgabe Nr. 1 bis Nr. n = AS-U-
Positionsänderungsmenge Nr. 1 bis Nr. n
obere erste Zwischenverschiebungs-Positionsänderungsmengen-
Ausgabe = obere erste Zwischenverschiebungs-Positionsänderungsmenge
untere erste Zwischenverschiebungs-Positionsänderungsmengen-
Ausgabe = untere erste Zwischenverschiebungs-
Positionsänderungsmenge
END IF
END IFIF (control method selection flag = 1) THEN IF (control operation set output correctness data S4 = 0 OR control result quality determination estimate S11 <= thprot) THEN AS-U position change set output # 1 to #n = 0 upper first inter-shift position change set output = 0 lower first inter-shift position change amount output = 0 ELSE AS-U position change amount output # 1 to #n = AS-U position change amount # 1 to #n upper first inter-shift position change amount output = upper first inter-shift -position change amount lower first inter-shift position change amount output = lower first inter-shift position change amount END IF ELSE IF (control operation amount output correctness data S4 = 0 OR control result quality determination estimate S11 <= thprot) AND (PTRIAL < η) ) THEN AS-U position change amount output No. 1 to No. n = 0 upper first inter-shift position change change quantity output = 0 lower first inter-shift position change quantity output = 0 ELSE AS-U position change quantity output # 1 to #n = AS-U- Position change amount # 1 to #n inter-shift upper first position change amount output=inter-shift upper first position change amount lower inter-shift first position change amount output=inter-shift first position change amount lower END IF END IF
Ein Referenzwert für die Ausgabeunterdrückung wird als thprot auf der Basis einer Schätzung der Steuerergebnis-Qualitätsbestimmung festgelegt. Insbesondere wird beim ersten Start mit ungenügenden Operationsdaten einer Anlage die Schätzgenauigkeit der Qualitätsbestimmung als gering betrachtet und somit wird der Referenzwert niedrig festgelegt, um eine erhebliche Ausgabenunterdrückung auf der Basis der Qualitätsbestimmungsschätzung zu vermeiden.
Wenn sich hingegen die Qualitätsbestimmungsschätzung durch ausreichendes Speichern von Operationsergebnisdaten verbessert hat, wird der Referenzwert hoch festgelegt, um eine Wirkung der Ausgabenunterdrückung auf der Basis der Qualitätsbestimmungsschätzung eines Steuerergebnisses zu erhöhen. Mit der Qualitätsbestimmungsschätzung wird eine Qualitätsbestimmungsregel-Genauigkeit S15 von einem Qualitätsbestimmungsregel-Genauigkeitsüberprüfungsteil 34 in der Qualitätsbestimmungsregel-Lerneinheit empfangen, wodurch die Qualitätsbestimmungsgenauigkeit auf der Basis eines Überprüfungsergebnisses der Schätzgenauigkeit einer aktuell verwendeten Qualitätsbestimmungsregel bestimmt wird.A reference value for output suppression is set as thprot based on an estimate of the control result quality determination. In particular, at the first start with insufficient operation data of a plant, the estimation accuracy of the quality determination is considered to be low, and thus the reference value is set low in order to avoid a serious suppression of expenditure based on the quality determination estimation.
On the other hand, when the quality determination estimate has improved by storing operation result data sufficiently, the reference value is set high to increase an effect of the expense suppression based on the quality determination estimate of a control result. With the quality determination estimation, a quality determination rule accuracy S15 is received from a quality determination rule
Zusätzlich ist η eine Variable, die einen Zufallswert in einem Bereich von 0 bis 1 annehmen kann, und PTRIAL, gibt eine Wahrscheinlichkeit der Aufhebung der Ausgabenunterdrückung und des Sendens einer Neusuchenoperation an eine Anlage an. Da ein Fall des Steuerverfahren-Auswahlflags S14 von 0 einen Fall des Überprüfens einer Wirkung eines Steuerverfahrens in einem unbekannten Bereich enthält, wird die Neusuchenoperation an die Anlage bei einer bestimmten Wahrscheinlichkeit ungeachtet der Ausgabenunterdrückung an der Anlage gesendet.In addition, η is a variable that can take a random value in a range from 0 to 1, and PTRIAL indicates a probability of releasing the output suppression and sending a retrieval operation to a facility. Since a case of the control method selection flag S14 of 0 includes a case of checking an effect of a control method in an unknown area, the re-seeking operation is sent to the facility at a certain probability regardless of the output suppression at the facility.
Die Steuerausführungseinheit 20 führt die zuvor beschriebene Berechnung auf der Basis der Ergebnisdaten Si von der Steuerobjektanlage 1 (Walzwerk) durch und sendet die Steueroperationsmengen-Ausgabe S0 an die Steuerobjektanlage i (Walzwerk) und führt somit die Formensteuerung durch. Die Steuerverfahren-Lerneinheit 21 verwendet die in der Steuerausführungseinheit 20 verwendeten.Daten.The
Nachfolgend ist die durch den Lerndaten-Erzeugungsteil 801 durchgeführte Operation beschrieben.The operation performed by the learning
Wie in
In diesem Fall entsprechen die Lehrerdaten S7a dem AS-U-Operationsgrad 301 oder dem ersten Zwischenoperationsgrad 302, der von der Ausgabeschicht des neuronalen Netzes 111 ausgegeben wird wie in
Zur Beschreibung der Operation des Lerndaten-Erzeugungsteils 801 zeigt
Ein Unterschied zwischen Operationsgrad-Plusdaten OPref und Operationsgrad-Minusdaten OMref wird von einem Subtrahierer 701 verwendet und der Unterschied wird mit der Umwandlungsverstärkung G durch einen Multiplizierer 702 zum Erhalten der Steueroperationsmengen-Ausgabe Cref multipliziert. Die Steueroperationsmengen-Ausgabe Cref wird an den Steuerausgaben-Operationsverfahren-Auswahlteil 18 geliefert, um einen ausgewählten Operationsbefehlswert C" ref zu erhalten.A difference between operation degree plus data OPref and operation degree minus data OMref is used by a
Zur Vereinfachung werden als Ausgabe von der Ausgabeschicht des neuronalen Netzes 101im Steuerregel-Ausführungsteil 10 zufällig auftretende Operationsgrade von der Operationsgrad-Plusseite, der Operationsgrad-Minusseite und einem Steueroperationsstörungs-Erzeugungsteil 16 hier als Operationsgrad-Zufallszahlen angenommen. Die Steueroperationsmengen-Ausgabe S0 für das Steueroperationsende wird als ein Operationsbefehlswert angenommen.For simplification, as an output from the output layer of the
In einem ersten Verarbeitungsschritt 71 erfolgt eine Bezugnahme auf die Auswahlsteueroperationsmenge S8, die ein Ausgabewert des Steuerausgaben-Operationsverfahren-Auswahlteils 18 ist, als der Operationsbefehlswert C" ref.In a
In einem zweiten Verarbeitungsschritt 72 wird ein Operationsbefehl C" ref zu C'ref entsprechend der Steuerergebnis-QualitätsbestimmungsschätzungS11 und den Steueroperationsmengen-Ausgaberichtigkeitsdaten S4 korrigiert. Insbesondere wird der korrigierte Wert C'ref des Operationsbefehlswertes C" ref durch die numerische Formel 7 ermittelt, wenn die Steuerergebnis-Qualitätsbestimmungsschätzung S11 = 0 oder die Steueroperationsmengen-Ausgaberichtigkeitsdaten S4 = 0 ermittelt werden, und wird durch die numerische Formel 8 ermittelt, wenn die Steuerergebnis-Qualitätsbestimmungsschätzung S11 = 1 und die Steueroperationsmengen-Ausgaberichtigkeitsdaten S4 = 1 ermittelt werden.In a
In einem Verarbeitungsschritt 73 wird die korrigierte Operationsgradmenge ΔOref durch die numerische Formel 9 und die numerische Formel 10 mit dem korrigierten Operationsbefehlswert C'ref ermittelt.In a
In einem Verarbeitungsschritt 74 werden Lehrerdaten OP'ref und Lehrerdaten OM'ref für das neuronale Netz 111 durch die numerische Formel 11 ermittelt.In a
Somit berechnet der Lerndaten-Erzeugungsteil 7 den Operationsbefehlswert-Korrekturwert C'ref aus dem Operationsbefehlswert C"ref, der jeweils an die Steuerobjektanlage 1 gesendet wird wie in
Insbesondere wird im Falle der Steuerergebnis-Qualitätsbestimmungsschätzung S11 = 1 und der Steueroperationsmengen-Ausgaberichtigkeitsdaten S4 = 1 die Operation als gut bestimmt und somit erhöht der Lerndaten-Erzeugungsteil 7 den Operationsbefehlswert um ΔCref in der gleichen Richtung.Thus, the learning
Specifically, in the case of the control result quality determination estimate S11=1 and the control operation amount output correctness data S4=1, the operation is determined good, and thus the learning
Hingegen wird im Falle der Steuerergebnis-Qualitätsbestimmungsschätzung S11 = 0 oder Steueroperationsmengen-Ausgaberichtigkeitsdaten S4 = 0 die Operation als schlecht bestimmt und somit senkt der Lerndaten-Erzeugungsteil 7 den Operationsbefehlswert um ΔCref in einer entgegengesetzten Richtung ab. Da die Umwandlungsverstärkung G vorab festgelegt und bekannt ist, kann, wenn ein Wert auf der Operationsgrad-Positivseite und ein Wert auf der Operationsgrad-Negativseite bekannt sind, die korrigierte Menge ΔCref ermittelt werden. Ein entsprechender Wert wird beispielsweise durch Simuluation vorab ermittelt und als ΔCref festgelegt. Gemäß dem vorhergehenden Verfahren können die im Steuerregel-Lernteil 802 verwendeten Lehrerdaten OP'ref und OM'ref durch die numerische Formel 11 ermittelt werden.On the other hand, in the case of the control result quality determination estimate S11=0 or control operation amount output correctness data S4=0, the operation is determined bad and thus the learning
Obgleich
Zum Lernen des neuronalen Netzes 111 ist eine Kombination von vielen Eingabedaten S8a und vielen Lehrerdaten S7a erforderlich. Daher werden die vom Lerndaten-Erzeugungsteil 7 erzeugten Lehrerdaten S7a in der Steuerausführungseinheit 20 mit den vom Steuerregel-Ausführungsteil 10 empfangenen Eingabedaten Sl (S8a) kombiniert und in der Lerndaten-Datenbank DB2 in einer Form einer Menge von Lerndaten gespeichert. Zu diesem Zeitpunkt umfassen die Lehrerdaten S7a die AS-U-Operationsgrad-Lehrerdaten und ersten Zwischenoperationsgrad-Lehrerdaten. Die Eingabedaten S1 (S8a) umfassen die normalisierte Formenabweichung 201 und die Formenabweichungsstufe.
For learning the
Die im Anlagensteuersystem von
Die Verwaltungstabelle TB eines neuronalen Netzes ist abhängig von Spezifikationen zu (B1) Plattenbreite, (B2) Stahlsorte und Steuerpriorität A1 und A2 unterteilt. Beispielsweise werden vier Unterteilungen von drei Fuß Breite, einen Meter Breite, vier Fuß Breite und fünf Fuß Breite als (B1) Plattenbreite verwendet, während zehn Unterteilungen von Stahlsorten (1) bis (10) als die Stahlsorte verwendet werden. Die Spezifikation A der Steuerpriorität umfasst zwei Spezifikationen Ai und A2. in diesem Fall bestehen 80 Partitionen und 80 neuronale Netze werden getrennt abhängig von.Walzbedingungen verwendet.
The neural network management table TB is divided into A1 and A2 depending on specifications of (B1) plate width, (B2) steel grade, and control priority. For example, four divisions of three feet wide, one meter wide, four feet wide and five feet wide are used as (B1) plate width, while ten divisions of steel grades (1) to (10) are used as the steel grade. The control priority specification A includes two specifications Ai and A2. in this case, there are 80 partitions, and 80 neural networks are used separately depending on rolling conditions.
Der Teil 112 zum Lernen eines neuronalen Netzes speichert Lerndaten als eine Kombination der Eingabedaten und der Lehrerdaten wie in
Wenn die Steuerausführungseinheit 20 die Formensteuerung für die Steuerobjektanlage 1 durchführt, werden zwei Mengen von Lerndaten erzeugt. Hierfür gibt es den folgenden Grund: Da die Steuerergebnis-Qualitätsbestimmung an den gleichen Eingabedaten oder der gleichen Steuerausgabe unter Verwendung von zwei Kriterien der Spezifikationen A1 und A2 der Steuerpriorität erfolgt, werden zwei Arten von Lehrerdaten erzeugt. Wenn bestimmte Mengen (beispielsweise 200 Mengen) von Lehrerdaten gespeichert werden oder neu in der Lerndaten-Datenbank DB2 gespeichert werden, weist der Teil 112 zum Steuern des Lernens eines neuronalen Netzes das Lernen des neuronalen Netzes 111 an.When the
Die Steuerregel-Datenbank DB1 speichert eine Vielzahl von neuronalen Netzen entsprechend der Verwaltungstabelle TB wie in
Der Teil 112 zum Steuern des Lernens eines neuronalen Netzes weist den Eingabedaten-Erzeugungsteil 114 und den Lehrerdaten-Erzeugungsteil 115 zum Extrahieren von jeweils Eingabedaten und Lehrerdaten an, entsprechend den entsprechenden neuronalen Netzen von der Lerndaten-Datenbank DB2, und führt das Lernen des neuronalen Netzes 111 unter Verwendung solcher Eingabedaten und Lehrerdaten durch. Auch wenn verschiedene Ansätze für das Verfahren zum Lernen, eines neuronalen Netzes bereitgestellt werden, kann ein beliebiger Ansatz verwendet werden.The neural network
Wenn das neuronale Netz 111 gelernt wurde, schreibt der Teil 112 zum Steuern des Lernens eines neuronalen Netzes das neuronale Netz 111 als das Lernergebnis zurück zu einer Position der entsprechenden Nummer des neuronalen Netzes der Steuerregel-Datenbank DB1, so dass das Lernen abgeschlossen wird.When the
Das Lernen kann zusammen an allen definierten neuronalen Netzen wie in
Nachfolgend ist der Betrieb der Qualitätsbestimmungsregel-Lerneinheit 22 beschrieben.The operation of the quality determination
Die Qualitätsbestimmungsregel-Lerneinheit 22 verwendet Daten als eine verzögerte Version der in der Steuerausführungseinheit 20 verwendeten Daten. Solch eine Verzögerung Z-1 bedeutet e-TS zur Angabe, dass Daten um eine vorgegebene Zeit T verzögert werden.The quality determination
Die Steuerobjektanlage 1 weist ein Zeitverhalten auf, das in einer Zeitverzögerung aufgrund der Steueroperationsmengen-Ausgabe S0, bis die Ergebnisdaten geändert werden, resultiert. Somit wird das Lernen unter Verwendung von Ergebnisdaten zu einem Punkt nach der Verzögerung T nach dem Start der Steueroperation durchgeführt.The
In der Formensteuerung wird T vorzugsweise auf etwa 2 bis 3 s festgelegt, da mehrere Sekunden erforderlich sind, bevor ein Formenmessgerät eine Formenänderung erfasst, nachdem eine Operationsanweisung an die AS-U oder die erste Zwischenwalze geschickt wurde. Da die Verzögerungszeit ebenfalls abhängig von einem Typ eines Formendetektors oder der Walzgeschwindigkeit variiert, wird die optimale Zeit für die Formenänderung aufgrund einer Änderung eines Steueroperationsendes vorzugsweise als T festgelegt.In the shape control, T is preferably set to about 2 to 3 s because several seconds are required before a shape measuring device detects a shape change after an operation instruction is sent to the AS-U or the first intermediate roll. Since the delay time also varies depending on a type of shape detector or the rolling speed, the optimum time for the shape change due to a change in a control operation end is preferably set as T.
In der numerischen Formel 12 stellt εfb(i) die in den Ergebnisdaten Si enthaltenen Formenabweichungs-Ergebnisdaten dar, ε last (i) stellt einen Formenabweichungs-Ergebnisdaten-Vorherwert dar und wC(i). ist ein Gewichtskoeffizient in einer Plattenbreitenrichtung zur Qualitätsbestimmung. Der Gewichtskoeffizient wC(i) zur Qualitätsbestimmung wird von der Qualitätsbestimmungs-Datenbank DB4 abhängig von den Spezifikationen A1 und A2 zur Steuerpriorität festgelegt. Die Steuerergebnisqualität wird mit der Qualitätsbestimmungs-Bewertungsfunktion Jc bestimmt.In the numerical formula 12, εfb(i) represents the shape deviation result data included in the result data Si, ε last (i) represents a shape deviation result data previous value, and wC(i). is a weight coefficient in a plate width direction for quality determination. The weight coefficient wC(i) for quality determination is determined by the quality determination database DB4 depending on the control priority specifications A1 and A2. The control result quality is determined with the quality determination evaluation function Jc.
Eine Schwellenobergrenze LCU und eine Schwellenuntergrenze LCL werden vorab unter einer Schwellenbedingung LCU ≥ 0 ≥ LCL festgelegt. In einem Ergebnis des Vergleichs mit der Qualitätsbestimmungs-Bewertungsfunktion Jv, wenn Jc > LCU gegeben ist, wird angenommen, dass die Steuerergebnis-Qualitätsdaten S6 0 sind (die Form hat sich verschlechtert), und wenn Jc < LCL gegeben ist, wird angenommen, dass die Steuerergebnis-Qualitätsdaten S6 1 sind. (Die Form hat sich verbessert.)A threshold upper limit LCU and a threshold lower limit LCL are set in advance under a threshold condition of LCU≧0≧LCL. In a result of the comparison with the quality determination evaluation function Jv, when Jc > LCU, it is assumed that the control result quality data S6 is 0 (the shape has deteriorated), and when Jc < LCL, it is assumed that the control result quality data S6 is 1. (The form has improved.)
Wie zuvor beschrieben variiert, da der Gewichtskoeffizient wc(i) in der Plattenbreitenrichtung abhängig von den Spezifikationen A1 und A2 zur Steuerpriorität variiert, die Qualitätsbestimmungs-Bewertungsfuriktion Jc ebenfalls abhängig von den Spezifikationen. Somit variiert vermutlich ebenfalls ein Bestimmungsergebnis der Steuerergebnis-Qualitätsdaten S6. Daher führt die Qualitätsbestimmungsregel-Lerneinheit 22 eine Bestimmung der Steuerergebnis-Qualitätsdaten S6 für jede der zwei Arten der Spezifikationen A1 und A2 zur Steuerpriorität durch.As described above, since the weight coefficient wc(i) in the plate width direction varies depending on the control priority specifications A1 and A2, the quality determination evaluation function Jc also varies depending on the specifications. Thus, a determination result of the control result quality data S6 also presumably varies. Therefore, the quality determination
Die Steuerergebnis-Qualitätsdaten S6 werden direkt als die Lehrerdaten S13a für das im Qualitätsbestimmungsregel-Lernteil 31 verwendete neuronale Netz 311 verwendet.The control result quality data S6 is directly used as the teacher data S13a for the
Zum Lernen des neuronalen Netzes 311 ist eine Kombination von vielen Eingabedaten S12a und vielen Lehrerdaten S13a erforderlich. Daher werden die vom Steuerergebnis-Qualitätsbestimmungsteil 6 erzeugten Lehrerdaten S13a (Steuerergebnis-Qualitätsdaten) in der Lerndaten-Datenbank DB6 in einer Form einer Menge von Lerndaten in Kombination mit den Daten S12a als die verzögerte Version der vom Steuerregel-Ausführungsteil 10 in der Steuerausführungseinheit 20 empfangenen Eingabedaten S1 (normalisierte Formenabweichung 201 und Formenabweichungsstufe) gespeichert.For learning the
Zu diesem Zeitpunkt werden die Lerndaten in der Überprüfungsdaten-Datenbank DB7 in einem konstanten Verhältnis gespeichert, um zur Qualitätsbestimmungsregel-Überprüfung durch den Qualitätsbestimmungsregel-Genauigkeitsüberprüfungsteil 34 verwendbar zu sein.At this time, the learning data is stored in the verification data database DB7 at a constant ratio to be usable for quality determination rule verification by the quality determination rule
Der Qualitätsbestimmungsregel-Genauigkeitsüberprüfungsteil 34 weist ein neuronales Netz auf, das eine Berechnung nur in einer Richtung wie beim Steuerausgaben-Qualitätsbestimmungsregel-Ausführurigsteil 17 durchführt. Der Qualitätsbestimmungsregel-Genauigkeitsüberprüfungsteil 34 extrahiert Testdaten aus der Überprüfungsdaten-Datenbank DB7 und berechnet einen Fehler zwischen Ausgabedaten, der durch Eingeben der Eingabedaten der Testdaten selbst im neuronalen Netz und der Ausgabedaten der Testdaten selbst ermittelt wird. Beispielsweise berechnet der Qualitätsbestimmungsregel-Genauigkeitsüberprüfungsteil 34 den Durchschnitt von Fehlern aller Teile von Testdaten als Qualitätsbestimmungsregel-Genauigkeit S15 für die Qualitätsbestimmungsregel.The quality determination rule
Während das Anlagensteuersystem von
Insbesondere ist die Verwaltungstabelle TB wie in
Der Teil 312 zum Lernen eines neuronalen Netzes speichert Lerndaten als eine Kombination der Eingabedaten und der Lehrerdaten wie in
Wenn die Steuerausführungseinheit 20 die Formensteuerung für die Steuerobjektanlage 1 durchführt, werden zwei Mengen von Lerndaten erzeugt. Hierfür gibt es den folgenden Grund: Da die Steuerergebnis-Qualitätsbestimmung an den gleichen Eingabedaten oder der gleichen Steuerausgabe unter Verwendung von zwei Kriterien der Spezifikationen A1 und A2 der Steuerpriorität erfolgt, werden zwei Arten von Lehrerdaten erzeugt. Wenn bestimmte Mengen (beispielsweise 200 Mengen) von Lehrerdaten, gespeichert werden oder neu in der Lerndaten-Datenbank DB6 gespeichert werden, weist der Teil 312 zum Steuern des Lernens eines neuronalen Netzes das Lernen des neuronalen Netzes 311 an.When the
Die Qualitätsbestimmungsregel-Datenbank DB5 speichert eine Vielzahl von neuronalen Netzen entsprechend der Verwaltungstabelle TB wie in
Wenn das neuronale Netz 311 gelernt wurde, schreibt der Teil 312 zum Steuern des Lernens eines neuronalen Netzes das neuronale Netz 311 als das Lernergebnis zurück zu einer Position der entsprechenden Nummer des neuronalen Netzes der Steuerregel-Datenbank DB6, so dass das Lernen abgeschlossen wird.When the
Das Lernen kann zusammen an allen durch die in
Die Eingabedaten der Qualitätsbestimmungsregel enthält zusätzlich Walzergebnisse, eine Stahlsorte und eine Plattenbreite, was es ermöglicht, ein Lernen mit einem neuronalen Netz durchzuführen, während ein Unterschied im Qualitätsbestimmungsstandard eingeschlossen wird. Dies beseitigt die Notwendigkeit des Änderns der Qualitätsbestimmungsregel abhängig von Walzbedingungen während des Ausführens der Qualitätsbestimmungsregel.In addition, the input data of the quality determination rule includes rolling results, a steel grade, and a plate width, which makes it possible to perform neural network learning while including a difference in quality determination standard. This eliminates the need for changing the quality determination rule depending on rolling conditions while executing the quality determination rule.
Wie zuvor beschrieben wird zum Verbessern der Steuerregel der Steuerobjektanlage 1, wenn eine Steueroperation zum Liefern eines guten Steuerergebnisses nicht gelernt wurde, die Steueroperation stark geändert. Wenn ein gutes Steuerergebnis erzielt wird, wird die geänderte Steueroperation als ein neues Steueroperationsverfahren verwendet. Wenn eine Steueroperation zum Liefern eines guten Steuerergebnisses nicht gelernt wurde, wird die Steueroperation nicht oder nur leicht geändert. Wenn dadurch ein gutes Steuerergebnis erzielt wird, wird diese Steueroperation wirksam als ein neues Steueroperationsverfahren verwendet.As described above, in order to improve the control rule of the
Eine Kombination eines Formenmusters, einer Steueroperation und der Qualität eines Steuerergebnisses wird auf der Basis von Ist-Ausrüstungsdaten gelernt, wodurch ein Modell, mit dem die Qualität eines Steuerergebnisses genauer geschätzt werden kann als mit einem Simulator unter Verwendung eines Maschinenmodells, ermittelt werden kann, das kontinuierlich an die letzte Anlagensituation durch regelmäßiges automatisches Lernen anpassbar ist.A combination of a shape pattern, a control operation and the quality of a control result is learned based on actual equipment data, whereby a model capable of estimating the quality of a control result more accurately than a simulator using a machine model can be obtained can be continuously adapted to the last system situation through regular automatic learning.
Ein Modell, mit dem die Qualitätsbestimmung eines Steuerergebnisses geschätzt wird, kann zum Verbessern der Zuverlässigkeit einer Funktion zum Unterdrücken der Steuerausgabe an eine Anlage verwendet werden im Gegensatz zu bestehenden Verfahren, bei denen solch eine Funktion nur mit einem einfachen Maschinenmodell ausgeführt wurde.A model that estimates the quality determination of a control result can be used to improve the reliability of a function for suppressing the control output to a plant, in contrast to existing methods where such a function was only performed with a simple machine model.
Während ein Erzeugen von Steuerregel-Lerndaten durch eine Qualitätsbestimmung eines Steuerergebnisses in den bestehenden Verfahren durchgeführt wird, wird ein Modell zum Schätzen der Qualitätsbestimmung eines Steuerergebnisses verwendet, wodurch der Einfluss von in Anlagendaten enthaltenen Störungen unterdrückt wird, was eine Feinanpassung ermöglicht, die eine kleine Wirkung liefert, die ebenfalls in Lerndatenobjekten enthalten ist. Zusätzlich wird in diesem Beispiel eine fehlerhafte Bestimmung einer Steuerwirkung verhindert und somit wird eine Variation in Lerndaten unterdrückt, was zu einer stabilen Steuerleistung führt.While generation of control rule learning data is performed by quality determination of a control result in the existing methods, a model for estimating the quality determination of a control result is used, thereby suppressing the influence of noise contained in plant data, enabling fine adjustment that has a small effect supplies, which is also contained in learning data objects. In addition, in this example, erroneous determination of a control effect is prevented, and thus variation in learning data is suppressed, resulting in stable control performance.
Die Steuerregel-Datenbank DB1 speichert ein neuronales Netz zur Verwendung in der Steuerausführungseinheit 20. Wenn das zu speichernde neuronale Netz lediglich einer Initialisierung mit einer Zufallszahl unterworfen wird, ist eine bestimmte Zeit vor dem Lernen der Fortschritte des neuronalen Netzes erforderlich, bis eine geeignete Steuerung ermöglicht wird. Daher wird, wenn ein Steuerteil für die Steuerobjektanlage 1 vorgesehen ist, das Lernen einer Steuerregel vorab in einer Simulation auf der Basis eines Steuermodells der Steuerobjektanlage 1, das zu diesem Punkt bekannt ist, durchgeführt. Das neuronale Netz, das von einem Simulator gelernt wurde, wird vorab in einer Datenbank gespeichert, wodurch die Leistung in einem gewissen Grad ab Start der Steuerobjektanlage gesteuert werden kann.The control rule database DB1 stores a neural network for use in the
Alternativ wird die Qualitätsbestimmungsregel durch die Qualitätsbestimmungsregel-Lerneinheit 22 auf der Basis von Ergebnisdaten von Operationsdaten der betreffenden Ausrüstung gelernt, wodurch die Steuerregel ohne Steuerung der betreffenden Ausrüstung gelernt werden kann, und somit kann die Steuerung der Leistung in einem gewissen Grad durchgeführt werden, bevor die Steuerregel auf die Steuerobjektanlage angewendet wird.Alternatively, the quality determination rule is learned by the quality determination
Die Steuerregel-Bewertungseinheit 23 umfasst einen Steuerregel-Qualitätsbestimmungsdaten-Sammelteil 35, einen Steuerregel-Bewertungsdaten-Berechnungsteil 36, einen Steuerregel-Datenbank-Aktualisierungsteil 37, eine Steuerregel-Bewertungsdaten-Datenbank DB8 und eine Steuerregel-Bewertungswert-Datenbank DB9.The control
Der Steuerregel-Qualitätsbestimmungsdäten-Sammelteil 35 empfängt die Steuerausgaben-Qualitätsbestimmungsschätzung S9 vom Steuerausgaben-Qualitätsbestimmungsregel-Augführungsteil 17 und empfängt eine Qualitätsbestimmungsregel-Genauigkeit S15 vom Qualitätsbestimmungsregel-Genauigkeitsüberprüfungsteil 34. Der Steuerregel-Qualitätsbestimmüngsdaten-Sammelteil 35 speichert Steuerregel-Qualitätsbestimmungsdaten S16 zusammen mit einer in der Steuerausführungseinheit 20 verwendeten Steuerregelnummer in der Steuerregel-Bewertungsdaten-Datenbank DB8. Die Steuerregel-Qualitätsbestimmungsdaten S16 stimmen mit der Steuerausgaben-Qualitätsbestimmungsschätzung S9 überein. Wenn aber die Qualitätsbestimmungsregel-Genauigkeit S15 kleiner gleich einer bestimmten Genauigkeit ist, werden die Steuerregel-. Qualitätsbestimmungsdaten S16 nicht in der Steuerregel-Bewertungsdatenbank DB8 gespeichert.The control rule quality determination
Wenn die Steuerausführungseinheit 20 eine Steuerausgabe unter Verwendung einer Steuerregel berechnet, werden neue Daten der Steuerregel-Qualitätsbestimmungsdaten S16 ermittelt und solche ermittelten Steuerregel-Qualitätsbestimmungsdaten S16 werden in der Steuerregel-Bewertungsdaten-rDatenbank DB8 gespeichert. In diesem Fall wird, da eine große Menge von Daten für jede Steuerregel gespeichert wird, bestimmt, dass die Steuerregel-Bewertungsdaten-Datenbank DB8 eine obere Grenze für für jede Steuerregel zu speichernde Daten aufweist, und wenn die gespeicherten Daten auf eine bestimmte Menge oder mehr anwachsen, werden alte Daten gelöscht, um neue Daten zu speichern.When the
Der Steuerregel-Bewertungsdaten-Berechnungsteil .36 extrahiert kollektiv für jede Steuerregel gespeicherte Steuerregel-Qualitätsbestimmungsdaten S17 aus der Steuerregel-Bewertungsdaten-Datenbank DB8 und ermittelt durch Berechnung den Durchschnitt der Daten S17 als Steuerregel-Bewertungsdaten S18. Der ermittelte Durchschnitt entspricht einem Bewertungswert.
Die durch den Steuerregel-Bewertungsdaten-Berechnungsteil 36 berechneten Steuerregel-Bewertungsdaten S18 werden in der Steuerregel-Bewertungswert-Datenbank DB9 gespeichert. Wenn aber die Zahl der Steuerregel-Qualitätsbestimmungsdaten kleiner ist als eine bestimmte Zahl, ist die Zuverlässigkeit des Bewertungswerts niedrig und somit wird kein Bewertungsergebnis gespeichert.The control rule evaluation data calculation part .36 extracts control rule quality determination data S17 stored collectively for each control rule from the control rule evaluation data database DB8 and averages the data S17 as control rule evaluation data S18 by calculation. The determined average corresponds to an evaluation value.
The control rule evaluation data S18 calculated by the control rule evaluation
Die abhängig von Bedingungen zu verwendenden Nummern des neuronalen Netzes (Steuerregeln) werden nacheinander in der Datenbank-Verwaltungstabelle TB gespeichert. Die Steuerregel-Bewertungswert-Datenbank DB9 wiederum verwaltet die Bewertungswerte einer Vielzahl von Steuerregeln. Der Steuerregel-Datenbank-Aktualisierungsteil 37 bezieht sich auf die Steuerregel-Bewertungswert-Datenbank DB9 zum Vergleichen eines Steuerregel-Bewertungswerts der in der Datenbank-Verwaltungstabelle TB registrierten Nummer des neuronalen Netzes (Steuerregel) mit Steuerregel-Bewertungswerten von anderen auf die relevante Bedingung anwendbaren Steuerregeln und aktualisiert die Nummer des neuronalen Netzes (Steuerregel) in der Datenbank-Verwaltungstabelle TB mit einer Steuerregel mit dem höchsten Bewertungswert von den Steuerregeln.The neural network numbers (control rules) to be used depending on conditions are sequentially stored in the database management table TB. In turn, the control rule evaluation value database DB9 manages the evaluation values of a plurality of control rules. The control rule
Andere Abschnitte des in
Entsprechend dem Anlagensteuersystem von
Modifikationenmodifications
Die Erfindung ist nicht auf die zuvor beschriebene beispielhafte Ausführungsform beschränkt und kann verschiedene Modifikationen enthalten. Beispielsweise wurde die beispielhafte Ausführungsform ausführlich beschrieben, um die Erfindung deutlich zu erläutern,.und die Erfindung ist nicht notwendigerweise auf die Ausführungsform mit allen beschriebenen Konfigurationen beschränkt.The invention is not limited to the exemplary embodiment described above and may include various modifications. For example, the exemplary embodiment has been described in detail in order to clearly explain the invention, and the invention is not necessarily limited to the embodiment having all of the described configurations.
Beispielsweise ist das in
Insbesondere umfasst der die Einheiten 20 bis 23 ausbildende Computer wie in
Die CPU ist ein arithmetischer Verarbeitungsteil, der einen Programmcode einer Software zum Durchführen der Verarbeitung von jeder der Einheiten 20 bis 23 vom ROM b liest und den Programmcode ausführt. Eine Variable, ein Parameter oder dergleichen, die während der arithmetischen Verarbeitung auftreten, werden vorübergehend in den RAM c geschrieben. Ein Informationsspeicher mit einer großen Kapazität, etwa ein Festplattenlaufwerk (HDD) oder ein Solid-State-Laufwerk (SDD) wird als nichtflüchtiger Speicher d zum Speichern von von den Einheiten 20 bis 23 ausgeführten Programmen und Daten in den Datenbanken verwendet.
Obgleich die jeweiligen Einheiten 20 bis 23 von getrennten Computern ausgebildet sein können, können die jeweiligen Programme in einer kleinen Zahl von Computern, etwa einem Computer, zur Ausführung zu einem Zeitpunkt ausgeführt sein.The CPU is an arithmetic processing part that reads a program code of a software for performing the processing of each of the
Although the
Beispielsweise wird eine Netzwerkschnittstellenkarte (NIC) als Netzwerkschnittstelle e verwendet und führt das Senden und Empfangen von Daten an/von einer anderen Einheit oder an die / von der Steuerobjektanlage 1 durch.For example, a network interface card (NIC) is used as the network interface e and performs data transmission and reception to/from another unit or to/from the
In diesem Fall können Informationen des jede Verarbeitungsfunktion durchführenden Programms auf einem Aufzeichnungsmedium wie einem Speicher, einer IC-Karte, einer SD-Karte oder einer optischen Platte zusätzlich zum faichtflüchtigen Speicher d wie einer HDD oder SDD gespeichert werden.In this case, information of the program performing each processing function can be stored on a recording medium such as a memory, an IC card, an SD card or an optical disk in addition to the volatile memory d such as an HDD or SDD.
Die von jeder der Einheiten 20 bis 23 ausgeführte Funktion kann durch Hardware wie einem Field Programmable Gate Array (FPGA) und einem Application Specific Integrated Circuit (ASIC) ausgeführt werden.The function performed by each of the units 20-23 can be performed by hardware such as a Field Programmable Gate Array (FPGA) and an Application Specific Integrated Circuit (ASIC).
Das Blockdiagramm von
Obgleich die Erfindung auf ein Sendzimir-Werk als Steuerobjektanlage 1 im zuvor beschriebenen Ausführungsbeispiel angewendet wird, kann die Erfindung ebenfalls auf die Steuerung einer beliebigen anderen Anlage angewendet werden. Bei der Steuerregel im Falle, in dem die Erfindung auf das Sendzimir-Werk angewendet wird, ist die Steuerregel lediglich als ein Beispiel beschrieben und die Erfindung ist nicht auf das Ausführungsbeispiel beschränkt.Although the invention is applied to a Sendzimir work as the
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN DESCRIPTION
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents cited by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturPatent Literature Cited
- JP 2804161 [0003, 0008]JP 2804161 [0003, 0008]
- JP 2018180799 A [0011]JP 2018180799 A [0011]
- JP 2018 A [0011]JP 2018 A [0011]
- JP 180799 [0011]JP 180799 [0011]
Claims (7)
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020-208192 | 2020-12-16 | ||
JP2020208192A JP7495874B2 (en) | 2020-12-16 | PLANT CONTROL SYSTEM, PLANT CONTROL METHOD, AND PROGRAM |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102021214272A1 true DE102021214272A1 (en) | 2022-06-23 |
Family
ID=81846885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102021214272.9A Pending DE102021214272A1 (en) | 2020-12-16 | 2021-12-14 | Plant control system, plant control method and program |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114637194A (en) |
DE (1) | DE102021214272A1 (en) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2804161B2 (en) | 1990-06-04 | 1998-09-24 | 株式会社日立製作所 | Method and apparatus for controlling shape of Sendzimir mill |
JP2018180799A (en) | 2017-04-10 | 2018-11-15 | 株式会社日立製作所 | Plant control device, control method therefor, rolling machine control device, control method therefor, and program |
-
2021
- 2021-10-25 CN CN202111242094.XA patent/CN114637194A/en active Pending
- 2021-12-14 DE DE102021214272.9A patent/DE102021214272A1/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2804161B2 (en) | 1990-06-04 | 1998-09-24 | 株式会社日立製作所 | Method and apparatus for controlling shape of Sendzimir mill |
JP2018180799A (en) | 2017-04-10 | 2018-11-15 | 株式会社日立製作所 | Plant control device, control method therefor, rolling machine control device, control method therefor, and program |
Also Published As
Publication number | Publication date |
---|---|
JP2022095082A (en) | 2022-06-28 |
CN114637194A (en) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102018209149B4 (en) | Machine learning device, control and machine learning program | |
DE102017108169B4 (en) | Production system that defines a determination value of a variable in relation to a product deviation | |
EP2519861B1 (en) | Method for the computer-aided control of a technical system | |
DE102017108497B4 (en) | Manufacturing customization system for customizing the state of manufacture by multiple machines | |
DE102019210270A1 (en) | Method for training a Generative Adversarial Network (GAN), Generative Adversarial Network, computer program, machine-readable storage medium and device | |
DE112019001512T5 (en) | INJECTION MACHINE SYSTEM | |
DE102017006054A1 (en) | Machine learning device learning an estimated life span of a bearing, lifetime estimator and machine learning method | |
DE102016011525B4 (en) | Machine learning apparatus and coil production apparatus | |
DE102012009502A1 (en) | Method for training an artificial neural network | |
DE102017209262A1 (en) | Method and device for automatic gesture recognition | |
DE102019214548A1 (en) | CONTROL DEVICE AND CONTROL METHOD | |
DE19781103B4 (en) | Method and device for identifying or precalculating process parameters of an industrial time-variant process | |
DE102018204684A1 (en) | PLANT CONTROL AND ITS CONTROL METHOD, ROLLING STREET CONTROL AND ITS CONTROL PROCEDURE AND PROGRAM | |
DE102021214272A1 (en) | Plant control system, plant control method and program | |
DE112020007472T5 (en) | LEARNING USE SYSTEM, USE DEVICE, LEARNING DEVICE, PROGRAM AND LEARNING METHOD | |
DE112020005759T5 (en) | Method and system for determining task compatibility in neural networks | |
DE102022204937A1 (en) | PLANT CONTROL SYSTEM, CONTROL METHOD AND PROGRAM FOR PLANTS | |
WO2000033150A1 (en) | Method and device for reducing a number of measured values of a technical system | |
DE102016113310A1 (en) | A method for evaluating statements of a plurality of sources about a plurality of facts | |
EP1157311B1 (en) | Method and device for designing a technical system | |
DE102019214640A1 (en) | CONTROL DEVICE AND CONTROL METHOD | |
DE102018128640A1 (en) | Device for estimating a noise generation cause | |
DE19948569C2 (en) | Process and arrangement for computer-aided determination and selection of significant measured variables | |
EP2384830B1 (en) | Method for determining the parameters of a model for a roller assembly | |
DE19527521C1 (en) | Neural network training method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed |