CN1107247C - 过程控制方法和设备 - Google Patents

Abstract

为了过程控制，在调节装置中由过程输出量的测量值来计算对过程起作用的多个调节机构的调节量。为了优化通过调节装置(7)的过程调节，在一神经网络(10)中学习调节机构性能(W₁₁，…，Wnm)，该性能对每个调节机构描述输出量变化(dy₁，…，dy_m)与调节量变化(du₁，…，du_n)的关系，并将该性能输入到调节装置(7)，用于改善调节量(u₁，…，u_n)的计算。

Description

过程控制方法和设备

本发明涉及一种过程控制方法，其中在一个调节装置中由过程输出量的测量值来计算对过程起作用的多个调节机构的调节量。本发明还涉及相应的一种设备。

这样一种方法及这样一种设备也是一项老国际申请PCT/DE94/00028的主题，该老申请在本申请的优先权日之前尚未公开。

在过程控制时通常设有多个调节机构，以便影响过程的确定输出量。在这种情况下将根据控制量计算调节装置中各调节机构的调节量，过程的输出量应取得该控制量的值。对于这样一种过程控制的例子是在轧制设备中的轧带平直度，其中对轧缝的影响并由此对轧带平直度的影响是根据在被轧制带的宽度上分布的带平直度的测量值和此外通过轧辊的摇摆、弯曲、轴向位移和或局部冷却来实现的。

对于过程输出量的良好调节具有很大重要性的是提供关于调节机构性能的调节装置的参数，也就是关于各个调节机构如何对输出量起作用的参数。这里，存在一个问题，即在工业设备中往往提供不出或提供不足有关调节机构的参数。

通常知道的是，在轧制金属带时，带的平直度通过同时操作多个改变轧缝的调节机构而被改善。

由日立杂志(Hitachi Review)41(1992)1，第31至38页此外公知了，在轧制机架中为了带平直度的调节对于轧制机架的每个调节机构分别配置了带平直度的典型样品截面，由它并根据关于轧制过程的经验知识可知道，通过操作相应的调节机构可加以改善。在轧制机架的后面，测量带平直度的实际截面，并将这样得到的测量值送到一个神经网络，该网络作为网络响应将给出：所测量的带平直度截面是由各个样品截面以怎样的比例组成的。将这样得到的比例在模糊调节器中与调节机械的调节信号相结合。该公知方法在极大程度上是基于轧制人员关于调节机构功能的经验知识，但是这对于优化过程控制来说是比较一般及不精确的。此外，在调节中所获得的经验知识是与相应的设备相连系的，而不能直接地转用于其它设备。

本发明的目的在于：给出一种用于过程控制的方法和设备，它能不依赖于现有的关于过程的经验知识而实现过程的最佳控制。

本发明的目的将通过在调节装置中由过程输出量的测量值来计算对过程起作用的多个调节机构的调节量的过程控制方法和设备来解决。

利用根据本发明的方法及相应的装置，在过程常规控制时，根据过程运行期间测量的调节量及过程输出量的变化将自动地学习各个调节机构的调节机构性能，并为了改善调节量的计算而将调节机构性能输入到调节装置。并且不断地对正在由调节装置控制的那个调节机构的性能进行学习。如果调节装置仅是控制了调节机构的一部分，也只对该部分调节机构的性能进行学习。其余的调节机构性能将在所属调节机构投入应用时再学习。借助这样学习的调节机构性能，调节装置在其对调节量进行计算时受到支持，调节装置本身不会受到干预。根据本发明的方法也可应用在现有的设备上，其中在那里已有的调节装置仍以惯常的方式工作。

对于各个调节机构性能的学习是在一个神经网络中根据在过程常规运行期间由调节装置执行的调节量的变化及由此产生的输出量变化来实现的。这样在过程工作点不变的情况下，过程输出量的变化与调节量的变化之间的函数关系在小信号区域可以被线性化，由此神经系统可仅具有一个输入层及一个输出层，并与此相应地有简单的结构。在该神经网络中对其输入侧输入的调节量变化du_i将通过相应于待学习调节机构性能的网络参数w_ij并根据关系式 $d{\tilde{y}}_j=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}\·{\mathrm{du}}_i$ 与网络响应相联系，及根据网络响应和输出量变化之间的偏差按照减小该偏差的原则改变网络参数w_ij。在神经网络中学习调节机构性能的学习过程可跟随过程工作点的慢速变化。此外为一个工作点所学习的调节机构性能，尤其在工作点快速或大的变化时，进行存储；当过程重新具有所存储的调节机构性能已被学习过的工作点时，这些调节机构性能将作为网络参数重新输入到神经网络。

为了全面地考虑待学习的调节机构性能与过程的可变工作点之间的关系，最好在工作点可改变的工作区域中确定预定数目的工作支持点，其中对于每个工作支点使在神经网络输入侧输入的调节量变化分别用一加权系数加权，该加权系数是实际工作点和相应的工作点之间距离的量度。在神经网络中，然后该被加权系数O_a加权了的调节量变化O_a·du_i将根据关系式： $d{\tilde{y}}_j=\underset{a=1}{\overset{s}{\mathrm{\Σ}}}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{aij}}\·o_a\·{\mathrm{du}}_i$ 与网络响应

相联系，式中w_aij是神经网络可调节的网络参数，及 $\underset{a=1}{\overset{s}{\mathrm{\Σ}}}{o}_a\·w_{\mathrm{aij}}=w_{\mathrm{ij}}$ 是待学习的调节机构性能。为了使神经网络适配，将根据网络响应与过程输出量变化之间的偏差按照减小该偏差的原则改变网络参数w_aij。

因为作为输入量输入到神经网络的调节量变化可能带有噪音，最好首先将其输入到一个滤波器中，以使得低于预定阈值的调节量变化被神经网络抑制。

为了在学习调节机构性能时获得更好及更快的收敛，最好对于每个改变网络参数的学习步长分别考虑多个调节量、网络响应及输出量的数据组。

以下将以一个轧制设备中带平直度调节的例子对本发明进行详细说明，附图中：

图1为根据本发明装置的一个实施例，它具有在轧制设备中调节带平直度的调节装置及用于学习调节机构性能的神经网络；

图2为对于过程的一个工作点学习调节机构性能所使用的神经网络例；

图3为在使用多个数据组的情况下学习调节机构性能的一个例子；

图4为对于变化的工作点学习调节机构性能所使用的另一神经网络例；

图5为用于说明在图4的神经网络中确定与调节机构性能学习相关的加权系数的示意图。

图1表示本发明设备的一个例子，它用于过程控制，这里用于在一个轧制设备中轧带1的平直度调节。轧制设备可具有多个轧制机架，这里描绘了其中在带1的行进方向上的最后机架2；它设有支承轧辊3，中间轧辊4和工作轧辊5。轧辊3，4及5和公知的且因此本身未被描绘出的用于调节、摇摆、弯曲及移动轧辊以及冷却预定轧辊区域的装置一起构成用于影响带平直度的各种调节机构。在轧制机架2的后面设置了平直度测量装置6，它连续地以归纳为一矢量y并在带宽度上分布的平直度参数y₁，...，y_m的形式测量被轧带1的实际平直度。通过测量装置6的平直度测量例如可这样来实现，即用这里未示出的测量滚子测量在带1宽度上的带压力分布。这些平直度参数构成过程的输出量，该输出量被传送给一个调节装置7的输入侧。该调节装置由m个输出量y₁，...，y_m计算调节量u₁，...，u_n，借助这些调节量通过一个相应的控制设备8来控制轧制机架2的n个调节机构，以便影响带平直度y。

为了通过调节装置7对带平直度上的调节进行支持及优化，在运行的过程期间，在一个计算装置9中学习调节机构性能 W＝(W₁₁，...，W_nm)并将其传送给调节装置7，该调节机构性能描述了输出量变化 dy(dy₁，...，dy_m)取决于调节量变化 du＝(du₁，...，du_n)。在这种情况下，在每个时刻始终只需学习由调节装置7或手工控制的那些调节机构的调节性能。这些待计算的调节机构性能W₁₁，...，W_nm总是取决于轧制设备的通过工作点参数 b＝(b₁，...，b_k)定义的实际工作点。这里涉及了除调节量u₁，...，u_n外对过程有影响的影响量。在此处所示出的本实施例中这些影响量为带宽，轧制力及轧辊的直径。

神经网络10使输入侧输入的调节量变化 du及必要时的工作参数 b与网络响应 $\underset{\‾}{d\tilde{y}}=({d\tilde{y}}_1,...,{d\tilde{y}}_m)$ 相联系，后者在一个比较装置11中与所测量的输出量变化 dy相比较。根据这样求得的输出量变化 dy与网络响应

之间的偏差e＝(e₁，...，e_m)，并借助一个学习算法12使神经网络10的网络参数按照减小该偏差 e的原则进行改变。在神经网络10中所学习的网络响应

相对调节量变化 du的比例相应于待学习的调节机构性能 W，并将该比值输入到调节装置7中用来改进对调节量 u的计算。

输出量y_j，j＝1，...，m与调节量u₁，i＝1，...，n，以及工作点参数b₁，l＝1，...，k之间的函数关系可以如下表示：

                y_j＝f_j(u₁，...，u_n，b₁，...，b_k)。

在小信号区域可以将该关系线性化，这样得到： ${\mathrm{dy}}_j=\frac{\∂\mathrm{fj}}{\∂u_1}\·{\mathrm{du}}_1+\frac{\∂\mathrm{fj}}{{\∂}_{u_2}}\·{\mathrm{du}}_2+\·\·\·+\frac{\∂\mathrm{fj}}{{\∂u}_n}\·{\mathrm{du}}_n$ 式中 $\frac{\∂\mathrm{fj}}{{\∂u}_i}=w_{\mathrm{ij}}$ 为工作点参数b₁，...，b_k的函数。采用另外的写法可因此得到： dy＝ w· du，式中 w是一个m×n矩阵，它的系数w_ij相当于调节机构性能。

图2表示图1中用于对过程每一固定工作点学习调节机构性能w_ij的神经网络10的例子。因为工作点是不变化的，待学习的调节机构性能w_ij与工作点参数b₁，...，b_k无关。

神经网络具有一个输入层次，它设有n个用于每个调节量变化du_i的输入单元13。输入单元13在这里起滤波器的作用，低于预定阈值X，例如最大调节行程的2％的调节量变化du_i将被抑制，以便从神经网络的输出量中滤去噪音分量。该神经网络还具有一个输出层次，它设有m个与过程输出量y_j的数目相对应的输出单元14。被滤波的输入量du_i对于每个输出单元14各被一个网络参数w_ij加权，并接着总加成网络响应： ${d\tilde{y}}_j=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}\·{\mathrm{du}}_i$ 其中网络参数w_jj相应于待学习的调节机构性能w_ij。

神经网络的训练是根据逆传播算法来实现的，这时总是通过梯度方向的下降来寻求误差函数 $E=0.5{e^2}_j=0.5{({\mathrm{dy}}_j-{d\tilde{y}}_j)}^2$ 的最小值。如借助图1已说明的，网络响应 在比较装置11中与测量的输出量变化d_yj相比较，其中在下级学习算法12中在减小误差E的方向上使网络参数w_ij与学习步长n相适配地改变。这样得到下式的适配步长： ${\mathrm{dw}}_{\mathrm{ij}}=-\mathrm{\η}\frac{\∂E}{{\∂w}_{\mathrm{ij}}}=\mathrm{\η}({\mathrm{dy}}_j-{d\tilde{y}}_j)\·{\mathrm{du}}_i$

为了给调节装置7提供调节机构性能w_ij，在神经网络10的输入单元13上将输入作为输入量的n个具有值“1”的各个不同位置的矢量模型(0，...，0，1，0，...，0)，以使得在输出单元14上出现作为网络响应的所学习的调节机构性能w_ij，并用于传送给调节装置7。

如以下将借助图3所要解释的，在学习调节机构性能w_ij时可以获得更好及更快的收敛，这时对于每个改变网络参数w_ij的学习步长，将考虑多个调节量的数据组 du(t₁)，...， du(t_p)，多个网络响应数据组 $\underset{\‾}{d\tilde{y}}\left(t_1\right),...,\underset{\‾}{d\tilde{y}}\left(t_p\right)$ 及多个过程输出量变化的数据组 dy(t₁)，...， dy(t_p)。这里将得到对下式的适配步长： ${\mathrm{dw}}_{\mathrm{ij}}=-\mathrm{\η}\frac{\∂E}{{\∂w}_{\mathrm{ij}}}=\mathrm{\η}\·\underset{r=1}{\overset{p}{\mathrm{\Σ}}}({\mathrm{dy}}_j\left(t_r\right)-{d\stackrel{\‾}{y}}_j\left(t_r\right))\·{\mathrm{du}}_i\left(t_r\right)$

如已述的，利用图2中所示的神经网络可以对过程的一个固定工作点学习调节机构性能w_ij。当该工作点只是慢慢改变时，学习过程能跟得上该变化。当工作点的变化快或大时，即上述的工作点参数b₁，...，b_k的变化快或大时，必须在学习调节机构性能w_ij时考虑它与工作点参数b₁，...，b_k的关系。

图4表示能满足该要求的神经网络10的一个例子。该神经网络具有一个输入层次，它设有n个用于每个调节量变化du_i的输入单元15及k个用于每个工作点参数b₁的另外输入单元16。输入单元15起滤波器的作用，它们抑制低于预定阀值X的调节量变化du_i，以便从神经网络的输入量中滤去噪音分量。

在具有输入单元15及16的输入层次后面设置了具有单元17及18的覆盖层，其功能首先借助图5来解释。工作点参数b₁，l＝1，...，k确定了一个k维空间，在图5中为了简化描述起见，表示出k＝2的情况。在该k维空间中确定了预定数目的工作支点P_a，a＝1，...，S。在图示的例中，工作支点P_a通过每个q＝5确定工作点参数b₁的不同值，因此对于工作支点P_a的数目S有S＝q^k。对于每个工作支点P_a分别设置了一个相对每个工作点参数b₁的分配函数h_al，该函数在相应工作支点P_a的位置上具有值“1”，并由该点向直接相邻的工作支点持续下降到值“0”。

如图5所示，对于过程的每个实际工作点总是有2^k个，这里为4个与其最接近的工作支点P_a，在图中着重地表示出这些支点。工作点P对直接相邻的工作支点P_a的接近度将由在工作点P的位置上所属分配函数h_a1的值来定义，例如对于图示的工作支点P_a它与一个加权系数O_a＝f(h_a1，h_a2)相联系。因此该加权系数O_a，0≤O_a≤1，是工作点P至工作支点P_a距离的量度。

现在，图4中所示的神经网络的覆盖层对于每个工作支点P_a分别具有一个单元17，它由输入给它的并定义实际工作点P的工作点参数b₁来计算加权系数O_a。对于S个工作支点P_a中的每个将在总共n·s个单元18中用加权系数O_a对滤波的调节量变化du_i加权。

该神经网络还具有一个输出层次，它设有与过程输出量y_j的数目m相对应的m个输出单元19。对于每个输出单元19，被加权的调节量变化O_a·du_i分别被一网络参数w_aij再加权，并接着累加成网络响应： ${d\stackrel{\‾}{y}}_j=\underset{a=1}{\overset{s}{\mathrm{\Σ}}}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{aij}}\·o_a\·{\mathrm{du}}_i$ 网络参数w_aij对实际过程变化的适配以与上述图2神经网络例相同的方式来实现，但其中偏置量e_j用加权系数O_a加权为：O_a·e_j。

对于待学习的调节机构性能w_ij有： $\underset{a=1}{\overset{s}{\mathrm{\Σ}}}{o}_a\·w_{\mathrm{aij}}=w_{\mathrm{ij}}$ 它将也如在图2中的神经网络例情况那样以这样的方式提供给调节装置7，即对输入单元15输入作为输入量的各具有值“1”不同位置的n个矢量模型(0，...，0，1，0，...，0)，由此在输出单元19上产生出作为网络响应的所学习的调节机构性能w_ij，然后它被传送给调节装置7。

同样在图4所示神经网络的情况下关于学习调节机构的性能w_ij也能达到更好及更快的收敛，这时如根据图3所解释的，总是考虑多个调节量的数据组 du(t_p)，多个网络响应数据组 $\underset{\‾}{d\tilde{y}}\left(t_1\right),...,\underset{\‾}{d\tilde{y}}\left(t_p\right)$ 及多个过程输出量变化的数据组 dy(t₁)，...， dy(t_p)。

Claims (18)

1.一种过程控制方法，其中在调节装置(7)中由过程输出量的测量值(y_j)来计算对过程起作用的多个调节机构的调节量(u_i)，-其中在一个神经网络(10)中学习调节机构性能(w_ij)，对于每个调节机构，该性能描述输出量变化(dy_j)与调节量变化(du_i)的关系；-其中将所学习的调节机构性能(w_ij)输入到调节装置(7)，以改善调节量(u_i)的计算；-其中神经网络(10)至少具有两个覆盖平面；及-其中一个覆盖平面的权模拟实际的工作点参数。

2.根据权利要求1所述的方法，其中一个覆盖平面的权与线性联结器(Assoziatoren)相适配。

3.根据权利要求1所述的方法，其中两个覆盖平面中至少一个的权与线性联结器(Assoziatoren)相适配。

4.根据权利要求1、2或3所述的方法，其特征在于：神经网络(10)通过与待学习的调节机构性能相对应的网络参数(w_ii)并根据关系式 ${d\tilde{y}}_j=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}\·{\mathrm{du}}_i$ 使输入侧输入给它的调节量变化(du_i)与网络响应

相联系；及根据网络响应 及输出量变化(dy_j)之间的偏差(e_j)使网络参数(w_ij)按照减小该偏差的原则变化。

5.根据权利要求1、2或3所述的方法，其特征在于：在待学习的调节机构性能(w_ij)与过程工作点参数(b₁)相关的情况下，在由工作点参数(b₁)定义的多维空间中确定工作支点(P_a)的预设数目；对于每个工作支点(P_a)使在神经网络(10)输入侧上输入的每个调节量变化(du_i)用加权系数(O_a)加权，该加权系数是在由工作点参数的实际值(b₁)定义的工作点(P)与相应的工作支点(P_a)之间距离的量度；被加权的调节量变化(O_a·du_i)根据关系式 ${d\tilde{y}}_j=\underset{a=1}{\overset{s}{\mathrm{\Σ}}}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{aij}}\·o_a\·{\mathrm{du}}_i$ 与网络响应

相联系，式中w_aij是可调节的网络参数，及 $\underset{a=1}{\overset{s}{\mathrm{\Σ}}}{o}_a\·{\mathrm{wa}}_{\mathrm{ij}}=w_{\mathrm{ij}}$ 是待学习的调节机构性能；及根据网络响应 及输出量变化(dy_j)之间的偏差(e_i)按照减小该偏差(e_i)的原则改变网络参数(w_aij)。

6.根据权利要求5所述的方法，其特征在于：加权系数的值(O_a)随着工作点(P)至相应工作支点(P_a)的距离增大，持续地从1下降到各直接相邻工作支点上的零值。

7.根据权利要求6所述的方法，其特征在于：根据逆传播算法实现网络参数(w_ij，w_aij)的改变，这时误差函数 $E=0.5{({\mathrm{dy}}_j-d{\tilde{y}}_j)}^2$ 的最小值通过梯度方向上的下降来求得。

8.根据权利要求7所述的方法，其特征在于：为了将所学习的调节机构性能(w_ij)传送给调节装置(7)，对神经网络(10)输入作为与调节量(u_i)数目相应的输入量的多个模型值，这些模型值在每个不同位置上具有值1，其余的为值零，其中在神经网络(10)的输出侧产生作为网络响应的调节机构性能(w_ij)。

9.根据权利要求8所述的方法，其特征在于：输入神经网络(10)的调节量变化(du_i)首先被输入一滤波器，使低于一预定阈值(X)的调节量变化(du_i)被神经网络(10)抑制。

10.根据权利要求9所述的方法，其特征在于：对于每个学习步距，在网络参数(w_ij，w_aij)变化的情况下，总是考虑多个调节量的数据组(du_i(t_r))，多个网络响应的数据组 及多个输出量变化的数据组(dy_j(t_r))。

11.根据权利要求10所述的方法，其特征在于：在一轧制设备中，在过程中对轧制品(1)的平直度或纵剖面进行调节，其中输出量(y_j)由在轧制品(1)的宽度上分布的带平直度参数组成，及其中调节量(u_i)包括改变轧缝截面的调节干预量。

12.根据权利要求11所述的方法，其特征在于：工作点参数(b₁)包括轧制品宽度、轧制力和/或轧辊直径。

13.根据权利要求11所述的方法，其特征在于：所述带平直度参数是带压力或带纵剖面参数，而所述调节干预量包括在轧辊倾斜放置、轧辊弯曲、轧辊位移、轧辊的局部冷却，以及在森氏轧架的情况下的偏心度调节。

14.一种过程控制设备，其中在调节装置(7)中由过程输出量的测量值(y_j)来计算对过程起作用的多个调节机构的调节量(u_i)，-其中在一个神经网络(10)中学习调节机构性能(w_ij)，对于每个调节机构，该性能描述输出量变化(dy_j)与调节量变化(du_i)的关系；-其中将所学习的调节机构性能(w_ij)输入到调节装置(7)，以改善调节量(u_i)的计算；-其中神经网络(10)至少具有两个覆盖的平面；及-其中一个覆盖平面的权模拟实际的工作点参数。

15.根据权利要求14所述的设备，其中至少一个覆盖平面的权与线性联结器相适配。

16.根据权利要求14所述的设备，其中至少第二个覆盖平面的权与线性联结器相适配。

17.根据权利要求14、15或16所述的设备，其特征在于：神经网络(10)具有一个输入层、通过它对其输入调节量变化(du_i)，及一个用于输出网络响应

的输出层，其中输入层及输出层通过与待学习的调节机构性能相应的网络参数(w_ii)并根据关系式 $d{\tilde{y}}_j=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}\·{\mathrm{du}}_i$ 彼此相联系；及设有一个具有学习算法的装置(12)，它根据网络响应

及输出量变化(dy_j)之间的偏差(e_j)使网络参数(w_ij)按照减小该偏差(e_j)的原则变化。

18.根据权利要求17所述的设备，其特征在于：神经网络(10)具有一个输入层、通过它对其输入调节量变化(du_i)及过程工作点参数(b₁)，一个用于输出网络响应

的输出层及一个位于其中间的覆盖层；该覆盖层包括预定数目的单元(17)，其中每个单元(17)总是代表在由工作点参数(b₁)定义的多维空间中的工作支点(P_a)并由对其输入的工作点参数(b₁)来计算加权系数(O_a)，该加权系数是在由工作点参数的实际值(b₁)定义的工作点(P)与该工作支点(P_a)之间的距离的量度；覆盖层还包括另外单元(18)，在其中对调节量变化(du_i)各用由单元(17)所提供的加权系数(O_a)来加权；覆盖层及输出层通过网络参数(w_aij)并根据关系式 $d{\tilde{y}}_j=\underset{a=1}{\overset{s}{\mathrm{\Σ}}}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{aij}}\·o_a\·{\mathrm{du}}_i$ 彼此相联系，式中 $\underset{a=1}{\overset{s}{\mathrm{\Σ}}}{o}_a\·{\mathrm{wa}}_{\mathrm{ij}}=w_{\mathrm{ij}}$ 为待学习的调节机构性能；及设置了一个具有学习计算法的装置(12)，它根据网络响应

及输出量变化(dy_j)之间的偏差(e_j)使网络参数(w_aij)按照减小该偏差(e_j)的原则变化。

Images