CN111001660B - 控制装置以及控制方法 - Google Patents

Abstract

本发明涉及进行使用了神经网络等人工智能的实时的反馈控制的技术。用于实现预测精度高的前馈控制。控制装置具有：前馈控制方法学习装置，其学习控制控制对象的结果即控制状态量与施加到所述控制对象的干扰的关系，由此构建由输入到所述控制对象的干扰来预测所述控制对象的控制状态量的变化量的第一前馈控制神经网络；以及前馈控制执行装置，其根据所述第一前馈控制神经网络由施加给所述控制对象的干扰来预测所述控制对象的控制状态量的变化量，根据该控制状态量的变化量直接或间接校正所述控制操作量。

Description

控制装置以及控制方法

技术领域

本发明涉及进行使用了神经网络等人工智能的实时的反馈控制的技术。

背景技术

以往，在各种设备中为了通过其控制取得所希望的控制结果而实施基于各种控制理论的设备控制。

作为设备的一例例如在滚轧机控制中，作为控制的一例设为以对板的起伏状态进行控制的形状控制为对象的控制逻辑，应用了模糊控制或神经元模糊控制。模糊控制应用于利用了冷却剂的形状控制，此外，神经元模糊控制应用于森吉米尔滚轧机的形状控制。如专利文献1所示那样，求出由形状检测器检测出的实际情况形状样式与目标形状样式之差、同预先设定的基准形状样式的相似度，通过与由该相似度预先设定的基准形状样式相对应的控制操作端操作量所表现的控制规则，从而求出针对操作端的控制输出量，由此进行应用了其中的神经元模糊控制的形状控制。以下，作为现有技术，使用利用了神经元模糊控制的森吉米尔滚轧机的形状控制。

图1表示专利文献1的图1所记述的森吉米尔滚轧机的形状控制。在森吉米尔滚轧机的形状控制中，使用神经元模糊控制。在该示例中，通过样式识别机构51，由通过形状检测器52检测出的实际形状进行形状的样式识别，对实际形状最接近哪个预先设定的基准形状样式进行运算。在控制运算机构53中，使用由与图2所示的预先设定的形状样式相对应的控制操作端操作量构成的控制规则来实施控制。在对图2进行更具体的叙述时，在样式识别机构51中，对由形状检测器52检测出的形状实际情况与目标形状(εref)之差(△ε)最接近1～8的形状样式(ε)中的哪一个进行运算，在控制运算机构53中，选择1～8的控制方法的某一个来执行。

专利文献

现有技术文献

专利文献1：日本专利2804161号公报

在滚轧机中，除了被滚轧材料的形状、将被滚轧材料的板厚、张力等固定的板厚控制和张力控制之外，还实施使滚轧速度进行加减速的自动或手动的操作。就板厚控制、张力控制而言，其目的在于使滚轧机的滚轧负载、滚轧速度等变动。这些变动对形状也造成影响。

例如，在滚轧负载增加时，构成滚轧机的轧辊的挠曲变大，产生耳廓形状。该情况下，形状控制(反馈控制)在控制耳伸形状的方向上动作，将形状维持为固定。如果可以预先预测基于滚轧负载增加的形状变化，则能够不根据这些情况而等待形状控制(反馈控制，以下略记为形状FB控制)进行动作，从而前馈性地操作形状控制操作端来对形状变动防范于未然(将其略记为FF控制)。

为了实施形状FF控制，需要预测形状因滚轧负载或滚轧速度而怎样变化。但是，在滚轧状态不同的状态下难以制作预测形状变化的模型。此外，还存在如下问题：即使气温或滚轧油、滚轧机的轧辊等机械条件发生变化，形状变化也变动。

如上所述，在一般的控制对象设备中，在应用了多个控制系统的情况下，当预测其他控制系统的操作量提供给自身的控制系统的影响而实施前馈控制时，若影响的预测精度降低，不仅控制效果降低，相反会产生增大提供给自身的控制系统的影响的情况。

因此，一般情况下，需要提升影响的预测精度，使用控制对象的数学式模型来进行预测。但是，在使用了数学式模型的情况下，控制对象的模型化不充分的情况较多。此外，在控制对象的状态因外部要因的影响等而发生了变化时，难以反映它们。

在现有的前馈控制中，控制对象的模型化不充分，存在控制精度恶化的问题。

发明内容

本发明的目的在于提供一种实现预测精度高的前馈控制的技术。

本公开有关的控制装置对加入设为对象的控制操作和针对该控制操作的干扰的控制对象进行控制，该控制装置具有：前馈控制方法学习装置，其学习作为学习数据的、控制所述控制对象的结果即控制状态量与施加到所述控制对象的干扰的组合，由此构建用于根据针对所述控制对象的干扰来预测所述控制对象的控制状态量的变化量的第一前馈控制神经网络；以及前馈控制执行装置，其根据所述第一前馈控制神经网络由针对所述控制对象的干扰来预测所述控制对象的控制状态量的变化量，根据该控制状态量的变化量直接或间接校正所述控制操作的操作量即控制操作量并设为针对所述控制对象的控制输出。

发明效果

根据本公开，期待实现预测精度高的前馈控制。

附图说明

图1是表示专利文献1的图1所记述的森吉米尔滚轧机的形状控制的图。

图2是表示由针对预先设定的形状样式的控制操作端操作量构成的控制规则的图。

图3是表示控制对象设备的结构的概要的图。

图4是用于对FF控制进行说明的图。

图5是用于对FF控制进行说明的图。

图6是表示设备控制装置的概要的图。

图7是表示由针对干扰样式的控制操作端操作量构成的控制规则的图。

图8是表示控制规则执行部的具体结构事例的图。

图9是表示控制规则学习部的具体结构事例的图。

图10是表示用于森吉米尔滚轧机的形状控制时的神经网络结构的图。

图11是表示保存于学习数据数据库的学习数据的示例的图。

图12是表示神经网络管理表的结构的图。

图13是表示学习数据数据库的结构的图。

图14是用于对实施例2中的FF控制进行说明的图。

图15是用于对实施例3中的滚轧机的初始设定进行说明的图。

图16是用于对实施例3中的FF控制进行说明的图。

附图说明说明

1控制对象设备；2FB控制装置；3控制输出运算部；4控制输出抑制部；5控制输出判定部；6控制结果良好与否判定部；7学习数据制作部；10控制规则执行部；11控制规则学习部；20控制执行装置；21控制方法学习装置；12控制规则数据库；13学习数据数据库；S7a、S7b、S7c监督数据；S8a、S8b、S8c输入数据(控制规则学习部用)。

具体实施方式

首先，以滚轧机的形状控制为例对本发明的知识、和得到本发明的经过进行说明。

图3是表示控制对象设备的结构的概要的图。这里，对控制对象设备实施控制A和控制B。控制对象设备的状态量x由于从控制A向控制对象设备的控制输出量u、以及从控制B和/或手动操作向控制对象设备的控制输出量d而发生变动。将该控制对象设备的状态量x的变动量设为X。

控制A对控制对象设备的状态量中的一部分进行控制，控制B对其他部分的状态量进行控制。状态量y是控制A控制的状态量，状态量y’是控制B控制的状态量。控制A控制的状态量y除了控制A的控制输出(操作量)u，还因控制B的控制输出(操作量)d变化。因此，对于控制A来说控制B的控制输出d成为干扰。同样地，对于控制B来说控制A的控制输出u成为干扰。

在本发明的实施方式中，为了方便说明，将控制A设为自控制，将控制A的控制输出u设为控制输出，将控制B的控制输出d设为干扰来进行处理。但是，反之也是这样。

在本发明的实施方式中，以滚轧机所涉及的板的形状控制为例。控制A是板的形状的反馈控制(以下也称为“形状FB控制”)，控制B是板厚和张力的控制。此外，状态量y是形状，状态量y’是板厚和张力。控制输出u是AS-U和中间轧辊的操作量，控制输出(干扰)d是速度和负载的操作量。

本发明的实施方式中的形状FB控制，学习作为学习数据的、成为基准的形状样式和针对该形状样式的控制操作的组合，使用学习结果来实施控制操作。

本发明的实施方式的神经网络将滚轧机所产生的形状样式设为输入，将针对该形状样式的、应该校正的控制操作的变化量设为输出。在形状FB控制中，通过使成为基准的形状样式与针对该形状样式的控制操作的组合发生变化，由此变更控制操作以使控制结果变好。

可以学习作为学习数据的、成为基准的形状样式与针对该形状样式的控制操作的组合而将学习结果应用于本神经网络，通过该学习，本神经网络根据控制结果的良好与否将针对形状样式的控制操作变更为适当的控制操作。

在本发明的实施方式中，即使针对与这样的神经网络有关的形状FB控制，仍实施以与该形状FB控制的神经网络一样的思考方式构建的其他的神经网络所涉及的校正。针对形状FB控制的校正通过前馈控制(以下也称为“FF控制”)来实施。

图4是用于对FF控制进行说明的图。图4中的FB控制相当于上述的形状FB控制。在本发明的实施方式的FF控制中包含FF控制-1、FF控制-2这两个FF控制。FF控制-2是针对控制对象设备的前馈控制。FF控制-1是针对FB控制的前馈控制。这里，为了便于说明，FF控制-1与FF控制-2分别由独立的神经网络构成。

FF控制-1的神经网络(第一FF控制神经网络)如图4中实线的箭头所示，将干扰设为输入，将针对FB控制的输入即控制偏差的变化量设为输出。该FF控制-1的神经网络根据干扰来预测控制对象状态量(控制偏差)的变化。根据该预测出的控制对象状态量(控制偏差)的变化，校正控制对象状态量(控制偏差)。

FF控制-2的神经网络(第二FF控制神经网络)如图4中实线的箭头所示，将干扰设为输入，将FB控制的输出即控制操作量的变化量设为输出。该FF控制-2的神经网络根据干扰来预测形状FB控制应该动作(应该校正)的控制操作量的变化量。根据该预测出的控制操作量的变化量，校正控制操作量。

如上所述，关于FF控制-1的神经网络，干扰(速度、负载)是输入，控制对象状态量(形状)的变化量是输出。因此，FF控制-1的神经网络的学习所使用的监督数据如图4中虚线的箭头所示，是成为该神经网络的输出的控制对象状态量(形状)。学习控制对象状态量与干扰之间的关系。

同样地，关于FF控制-2的神经网络，干扰(速度、负载)是输入，控制操作量(AS-U、中间轧辊)的变化量是输出。因此，FF控制-2的神经网络的学习所使用的监督数据如图4中虚线的箭头所示，是成为该神经网络的输出的控制操作量(AS-U、中间轧辊)。学习控制操作量与干扰之间的关系。

根据这样的本发明的实施方式的结构，通过利用FF控制-2来校正作为FB控制的输出的控制操作量的变化量由此提升控制对象设备的控制精度，并且通过利用FF控制-1来校正与因该FF控制-2输出的校正量的过多和不足而残留的控制对象状态量的目标的偏差，由此可以加快FB控制的动作。此外，可以利用该校正将与控制对象设备的控制对象状态量的目标的偏差减小，结果是，可以提升与FF控制-2的神经网络的控制结果的良好与否对应的学习精度。

图5是用于对本发明的实施方式中的FF控制进行说明的图。

本发明的实施方式的FF控制系统以规定的采样周期来对干扰、状态量变化、操作量变化等进行采样，并执行FF控制。如图5的上段所示，在本发明的实施方式那样的滚轧机的形状FB控制中，成为针对板的形状的控制的干扰的滚轧速度的变动相比于在形状的控制中更新控制操作的控制周期而长时间继续。例如，使滚轧速度加速的时间和使滚轧速度减速的时间相比于形状的控制的控制周期更长。因此，通过以产生干扰前后的时间、也就是滚轧速度变动前后的滚轧速度为固定的时间而在板的形状接近目标形状的状态下取得的实际情况数据来进行神经网络的学习并不妥当，在滚轧速度变动的期间取得实际情况数据，用于神经网络的学习较为妥当。

在本发明的实施方式中，设为如果在滚轧速度变动的期间FF控制(FF控制-1与FF控制-2)也是优选，则与形状的目标的偏差(以下，也称为“形状偏差”)不发生变动，控制周期有关的采样点与采样点之间产生的形状偏差的变化量△ε(i)是由于FF控制不足而产生的。此外，FF控制-2的神经网络的输出是图5的下段所示的、输入到控制对象设备的控制操作量的采样点之间的变化量△u(i)。此外，将干扰设为图5的上段所示的、干扰量d(i)、该干扰量d(i)的变化量即干扰变化量△d(i)。该干扰变化量△d(i)设为干扰量d(i)的前一次的采样时的干扰量d(i-1)的偏差。认为干扰从i-1变化为i的结果通过检测器测定为i+1。

在FF控制-2中，控制操作量的变化量△u(i)为下次的FF控制-2的输出。如果不是最佳状态，则FF控制-2作为以变化量△u(i)的量校正控制操作量u(i)后的结果，在控制对象状态量中，对图5的中段所示的、形状偏差残留有变化量△ε(i)。FF控制-1预测该形状偏差的变化量△ε(i)，与输入到FB控制的控制对象状态量(控制偏差)相加(校正)。通过重复该FF控制-2和FF控制-1，最终，FF控制-2重复以变化量△u(i)的量校正FB控制的输出这样的动作，由此期待形状偏差的变化量△ε(i)为0(零)。

另外，这里为了容易判明而设为FF控制-1、FF控制-2，但是实际上作为FF控制能够通过一个神经网络来实现，在以下的实施例中也设为一个神经网络。

以下，使用附图对更具体的实施例进行更详细说明。

[实施例1]

图6表示本实施例有关的设备控制装置的概要。图6的设备控制装置由以下部分构成：控制对象设备1；FB控制装置2，其对控制对象设备1进行反馈控制；控制执行装置20，其输入针对控制对象设备1的干扰Si，并对相对控制对象设备1提供按照图7所例示那样的控制规则而确定的控制操作校正量SO2和状态量校正量SO1；控制方法学习装置21，其输入针对控制对象设备1的干扰Si等来进行学习，将学习到的控制规则反映于控制执行装置20中的控制规则；多个数据库DB(12、13)、以及数据库管理表15。

FB控制装置2、控制执行装置20、以及控制方法学习装置21可以通过由处理器执行规定了各装置所执行的处理的软件程序的计算机来实现。此外，各装置也可以通过多个计算机来实现。此外，这些装置中的两个或全部可以由相同的计算机来实现。

FB控制装置2是使用反馈控制用的神经网络来执行上述的形状FB控制的装置。控制规则由神经网(以下也称为“神经网络”)实现。控制操作校正量是表示应该以怎样的量校正控制操作量的值，相当于控制操作量的变化量。状态量校正量是表示应该以怎样的量校正状态量的值，相当于状态量的变化量。控制方法学习装置21是构建上述的第一FF控制神经网络和第二FF控制神经网络的装置。控制执行装置20是使用上述的第一FF控制神经网络以及第二FF控制神经网络，来执行上述的FF控制的装置。

控制执行装置20将控制规则执行部10构成为主要的要素。

在其中的控制执行装置20中，首先由控制对象设备1即滚轧机的干扰Si制作控制规则执行装置10的输入数据S1。控制规则执行部10使用表现控制对象的干扰Si与控制输出S2的关系的神经网络(控制规则)，由控制对象的干扰Si制作控制操作端校正量SO2。此外，使用表现控制对象的干扰Si与控制状态量S3的关系的神经网络(控制规则)，由控制对象的干扰Si制作控制状态量校正量SO1。

如上所述构成的控制执行装置20为了执行该处理，进而如后面描述那样，参照控制规则数据库12。控制规则数据库12以能够访问的方式与控制执行装置20内的控制规则执行部10、和后述的控制方法学习装置21中的控制规则学习部11双方连接。作为控制规则学习部11中的学习结果的控制规则(神经网络)被存储于控制规则数据库12，控制规则执行部10参照存储于控制规则数据库12的控制规则。

图8表示本实施例有关的控制规则执行部10的具体的结构事例。控制规则执行部10输入输入数据S1，输出控制状态量校正量SO1以及控制操作端校正量SO2。控制规则执行部10具有神经网络101。这里，神经网络101一体地构成上述的第一FF控制神经网络和第二FF控制神经网络。在神经网络101中基本上通过图7所例示的方法来规定控制状态量校正量SO1以及控制操作端校正量SO2。在本实施例中，控制规则执行部10还具有神经网络选择部102，通过参照存储于控制规则数据库12的控制规则，由此作为神经网络101中的控制规则，选择优选的控制规则并予以执行。这样，在图8的控制规则执行部10中，从以操作员组或控制目的而分出的多个神经网络中，选择所需的神经网络来使用。在控制规则数据库12中可以包含能够选择神经网络那样的实际情况数据(作业组的数据等)Si来作为来自控制对象设备1的数据。另外，由于处于如果执行神经网络时则成为控制规则这样的关系，因此在本公开中不区分神经网络和控制规则，而以相同的意义来使用。

返回图6，在控制方法学习装置21中，实施控制执行装置20所使用的神经网络101的学习。控制执行装置20对控制对象设备1实施了控制时，根据形状控制的控制采样而取得实际情况数据，因此，如图5所示，需要与前次值的偏差。因此，使用以控制采样时间的量进行了时间延迟的数据来取得与前次值的偏差。在图6中，Z^-1表示产生针对各数据的控制采样周期所对应的时间延迟的功能部。

控制方法学习装置21将学习数据制作部7、控制规则学习部11、控制规则数据库12、学习数据数据库13构成为主要的要素。

在控制方法学习装置21内的学习数据制作部7中，制作针对控制对象设备1的、控制输出S2以及控制对象设备1的状态量S3的、与前次控制采样的偏差并设为输入数据，制作神经网络的学习所使用的新的监督数据S7a，并提供给控制规则学习部11。另外，监督数据S7a对应于控制规则执行部10输出的控制状态量校正量SO1以及控制操作端校正量SO2。

图9表示本实施例有关的控制规则学习部11的具体结构事例。控制规则学习部11将输入数据制作部114、监督数据制作部115、神经网络处理部110、神经网络选择部113构成为主要的结构要素。此外，控制规则学习部11作为来自外部的输入而取得数据S8a，取得来自学习数据制作部7的新的监督数据S7a，此外参照蓄积于控制规则数据库12和学习数据数据库13的数据。

此外，在控制规则学习部11中，来自学习数据制作部7的新的监督数据S7a作为也包含在监督数据制作部115中存储于学习数据数据库13的过去的监督学习S7b在内的合计的监督数据S7c，被提供给神经网络处理部110。这些监督数据S7a、S7b适当存储于学习数据数据库13而被利用。

同样地，来自神经网络学习控制部112的输入数据S8a作为也包含在输入数据制作部114中存储于学习数据数据库13的过去的输入数据S8b在内的合计的输入数据S8c，被提供给神经网络处理部110。这些输入数据S8a、S8b适当存储于学习数据数据库13而被利用。

神经网络处理部110由神经网络111和神经网络学习控制部112构成，神经网络111取入来自输入数据制作装置114的输入数据S8c、来自监督数据制作部115的监督数据S7c、神经网络选择部113选择出的控制规则(神经网络)，将最终决定出的神经网络存储于控制规则数据库12。

神经网络学习控制部112在适当的时刻对输入数据制作装置114、监督数据制作部115、神经网络选择部113进行控制，取得神经网络111的输入，此外进行为了将处理结果存储于控制规则数据库12的控制。

这里，图8的控制执行装置20中的神经网络101、图9的控制方法学习装置21中的神经网络111都是相同概念的神经网络，但是在对利用之后的基本概念上的差异进行说明时，将如下所示。首先，控制执行装置20中的神经网络101是预先设定的内容的神经网络，求出作为与提供了输入数据S1时对应的输出的控制状态量校正量SO1以及控制操作端校正量SO2，也就是说是用于单方向的处理的神经网络。与之相对地，控制方法学习装置21中的神经网络111在将输入数据S1与针对控制状态量校正量SO1以及控制操作端校正量SO2的输入数据S8c设定为学习数据时，通过学习来求出满足该输入输出关系的神经网络。

此外，在图9所例示的控制规则学习部11中，作为神经网络学习控制部112涉及的数据处理的结果，像以下那样进行处理。这里，首先使用对相对控制执行装置20的输入数据S1进行了时间延迟而得到的数据S8c、和由监督数据制作部115制作出的监督数据S7c的组合即学习数据，实施控制规则执行部10所使用的神经网络101的学习。实际上，在控制规则学习部11内具有与控制规则执行部10的神经网络101相同的神经网络111，以各种条件来进行运转测试而学习此时的响应，作为学习的结果而获得确认了产生更好的结果的控制规则。由于需要使用多个学习数据来进行学习，因此从蓄积了过去制作出的学习数据的学习数据数据库13取出多个过去的学习数据，实施学习处理，并且将本次的学习数据存储于学习数据数据库13。此外，进行了学习的神经网络为了用于控制规则执行部10，而存储于控制规则数据库12。

每当制作新的学习数据时，神经网络的学习可以一起使用过去的学习数据来进行学习，在学习数据蓄积了某种程度(例如100个)之后，可以一起使用过去的学习数据来进行学习。

以下，以图1和图2所示那样的森吉米尔滚轧机中的形状控制为对象，说明本设备控制方法的详细情况。

在本实施例中，从多个神经网络中根据作业条件来选择某一个，用于前馈控制。这里，通过控制的优先级与预先判明的条件来区分作业条件。具体来说，通过表示控制的优先级的规格A与表示预先判明的条件的规格B来规定作业条件。

规格A例如设为板宽方向的控制优先级，将规格A1设为端部优先，将规格A2设为中央部优先。规格B是针对相对预先判明的条件的对应的规格。列举一例，形状样式与控制方法的关系因各种条件而变化，因此，例如考虑需要通过将规格B1设为板宽，将规格B2设为钢种的区分来进行区别。通过上述各自发生变化，针对形状操作端的形状的影响程度发生变化。

在该事例中，控制对象设备1是森吉米尔滚轧机，实际情况数据为形状实际情况。另外森吉米尔滚轧机是具有用于对不锈钢等硬材料进行冷轧的集群轧辊的滚轧机。在森吉米尔滚轧机中，为了对硬材料给予强按压，而使用小径的工件轧辊。因此，难以获得平坦的钢板。作为其对策，采用了集群轧辊的结构或各种形状控制部。就森吉米尔滚轧机而言，一般情况下，上下的第一中间轧辊具有半锥形，除了可以移位，上下具有6个分割轧辊与2个称为AS-U的轧辊。在以下要说明的事例中，作为形状的干扰Si，使用滚轧速度、滚轧负载用，并且作为输入数据S1，使用干扰Si以及与前次值的偏差△Si。此外，作为控制输出S2，设为#1～#n的AS-U，上下第一中间轧辊的轧辊移位量。

图10表示用于森吉米尔滚轧机的形状控制时的神经网络结构。这里，所谓神经网络在控制规则执行部10用中是神经网络101，在用于控制规则学习部11时表示神经网络111所示的神经网络，但是结构都相同。

在图10所示的森吉米尔滚轧机的形状控制的事例中，来自控制对象设备1的干扰Si是包含滚轧速度、滚轧负载的森吉米尔滚轧机的实际情况数据。由此，神经网络101、111的输入层由干扰本次值Si、前次值之偏差△Si构成。

此外，神经网络101、111的输出层根据作为森吉米尔滚轧机的形状偏差变化量301与森吉米尔滚轧机的形状控制操作端的、AS-U、第一中间轧辊，由AS-U与第一中间轧辊的操作端操作变化量302构成。在AS-U的滑鞍为七级，上下第一中间轧辊在板宽方向能够移位时，就输出层而言，形状偏差变化量301是形状检测器的区域量，操作端操作变化量302是AS-U7个，第一中间轧辊是2个，合计为9个。对中间层的层数和各层的神经元数适时进行设定。

针对以上说明的图10那样的结构的神经网络101、111学习针对干扰的校正方法，使用进行了学习的神经网络来实施形状FF控制。即使是相同结构的神经网络，因学习的条件而成为不同的特性，从而也可以针对相同的干扰输出不同的控制输出。

因此，根据滚轧实际情况的其他条件，通过分开使用多个神经网络，可以针对多样的条件构成优选的FF控制。这是针对规格B的对应。先说明的图8的结构示出了进行有关规格时的具体例。在图8的结构事例中，通过滚轧实际情况、滚轧机操作员姓名、被滚轧材料的钢种、板宽等而准备单独的神经网络，将在控制规则执行部10中使用的神经网络101登记于控制规则数据库12。神经网络选择部102选择与该时间点的条件吻合的神经网络，设定为控制规则执行部10的神经网络101。另外，作为神经网络选择部102中的、该时间点的条件，可以从控制对象设备1中的实际情况数据Si中提取板宽的数据，并根据这些数据来选择神经网络。此外，这里使用的多个神经网络如果具有图10所示那样的输入层、输出层，则中间层的层数、各层的神经元数也可以不同。

接下来，对学习数据制作部7的概要进行说明。如图6所示，在学习数据制作部7中，由控制状态量S3以及控制输出S2的变化量△S3、△S2，制作针对控制规则学习部11所使用的神经网络111的监督数据S7a。

该情况下的监督数据S7a为图10所示的、来自神经网络111的输出层的输出即形状偏差变化量301和操作端操作变化量302。学习数据制作部7使用形状偏差变化量301和操作端操作变化量302，制作针对控制规则学习部11所使用的神经网络111的监督数据S7a。

图11示出了保存于学习数据数据库13的数据例。为了学习神经网络111，需要多个输入数据S8a与监督数据S7a的组合来作为学习数据。因此，由学习数据制作部7制作的监督数据S7a(形状偏差变化量301、操作端操作变化量302)与通过控制执行装置20输入到控制规则执行部10的输入数据S1(干扰201以及干扰变化量202)的时间延迟数据S8a组合并作为一组学习数据，保存于学习数据数据库13。

另外，在图6的设备控制装置中，使用了各种数据库12、13，但是图12表示用于联系性地管理运用各数据库12、13的神经网络管理表15的结构。管理表15具有规格的管理表。具体来说，针对规格，管理表15根据针对(B1)板宽、(B2)钢种、以及控制的优先级的规格A1、A2来进行区分。作为(B1)板宽，例如使用3尺宽、米宽、4尺宽、5尺宽的4区分，而作为钢种使用钢种(1)～钢种(10)的10区分。此外，对于针对控制的优先级的规格A设为A1和A2两种。该情况下，成为80区分，根据滚轧条件分开使用80个神经网络。

神经网络学习控制部112按照图12的神经网络管理表15将图11所示的输入数据和监督数据的组合即学习数据与相符的神经网络No.关联起来，存储于图13所示那样的学习数据数据库13。

控制执行装置20针对控制对象设备1执行形状控制时，制作学习数据。如果监督数据蓄积了某种程度(例如200组)，或者重新蓄积于学习数据数据库13，则神经网络学习控制部112指示神经网络111的学习。

在控制规则数据库12中按照图12所示那样的管理表15，存储多个神经网络，在神经网络学习控制部112中，指定学习所需的神经网络No.，神经网络选择部113从控制规则数据库12取出该神经网络，设定为神经网络111。神经网络学习控制部112将从学习数据数据库13取出与该神经网络对应的输入数据和监督数据，并指示给输入数据制作部114和监督数据制作部115，使用它们来实施神经网络111的学习。另外，神经网络的学习方法提出了各种方法，可以使用任意方法。

在神经网络111的学习结束时，神经网络学习控制部112将学习结果即神经网络111重写于控制规则数据库12的该神经网络No.的位置，由此学习完成。

也可以针对图12所定义的所有神经网络以一定时间间隔(例如每日一次)一起实施学习，也可以在该时间点只学习新的学习数据蓄积了某种程度(例如100组)后的神经网络No.的神经网络。

通过以上内容，可以自动学习控制对象设备1即滚轧机的干扰(滚轧速度、滚轧负载的变动)、和与之相对的控制操作端操作量以及其有关的形状控制偏差。通过使用学习完成的神经网络101、111来进行前馈控制，由此可以抑制控制操作端操作量以及其有关的形状控制偏差的变化量，从而提升控制的精度。

另外，在控制规则数据库12中存储有控制执行装置20所使用的神经网络，若所存储的神经网络只以随机变数实施了首字母处理，则神经网络的学习得以前进，直到实现相应的控制为止将花费时间。因此，在针对控制对象设备1构建了控制部时，根据在该时间点判明的控制对象设备1的控制模型，预先通过模拟，实施控制规则的学习，将模拟的学习完成后的神经网络存储于数据库，由此，能够自最初启动控制对象设备起，实施某种程度的性能控制。

[实施例2]

上述实施例1对针对控制对象设备实施了FB控制的情况进行了说明，根据设备不同而不实施FB控制，而委托操作员的手动操作的情况较多。上述的前馈控制在不实施FB控制的情况下也能够应用。实施例2表示其一例。

图14是用于对实施例2中的FF控制进行说明的图。即使在实施例2中，FF控制-1的神经网络(第一FF控制神经网络)与实施例1的神经网络一样，将干扰设为输入，将控制对象状态量(实施例2中是状态量)的变化量设为输出。在实施例2中，由于不对控制对象设备进行FB控制，因此FF控制-1的输出在提供了规定值的控制增益之后，施加给被输入至控制对象设备的控制操作量。该控制增益的值没有特别限定。例如控制增益为1，即也包含不提供任何控制增益。

即使在本实施例中，与实施例1一样，作为FF控制系统的控制规则执行装置10以规定的采样周期对干扰(例如速度变化)、状态量变化(形状变化)、操作量变化(AS-U、中间轧辊)进行采样，蓄积所获得的实际情况数据，对蓄积到的实际情况数据进行学习，由此可以制作FF控制的控制规则。本实施例2在滚轧机所生成的板的形状恶化时，由操作员进行手动操作，修正形状偏差。

在本实施例中，不存在FB控制系统，但是通过以某种程度来预测形状与操作端操作量的关系，通过由控制对象的状态量(形状)的偏差运算操作端操作量，由此能够校正FF控制的输出，从而提升FF控制的精度。

如果能够在作业上允许形状变动，则可以在滚轧速度变化的途中不进行操作员涉及的手动操作而只学习没有手动操作的形状的变动，通过图14那样的FF控制-1来构成简易的FB控制，利用FF控制-1来预测形状变动，并根据其变动来进行控制。

[实施例3]

上述实施例1和实施例2示出了学习变动的干扰与控制操作量和/或控制对象的状态量的变化之间的关系，实施FF控制的示例。但是，即使对于没有像干扰那样变动的输入量，学习该输入量与控制操作量和控制对象的状态量的变化之间的关系，也能够实施FF控制。没有变动的输入量例如是作为对象的控制操作以外的固定的控制操作的初始设定。

图15是用于说明实施例3中的滚轧机的初始设定的图。初始设定是配合以通板速度输送板时的目标形状而设定的形状以外的控制操作的操作量。通板速度是开始滚轧机所涉及的滚轧时的最初的滚轧速度。初始设定在滚轧开始之前预先对控制操作端设定控制操作量。在初始设定中，控制操作量并不是设定应该移动的偏差，而是设定绝对值(控制操作端初始设定值)。

初始设定所设定的值如果与应有的正确的值不符，则如图15的上段所示，在滚轧机以通板速度进行动作时，板的形状成为恶劣的状态。那样的话，操作员需要手动操作来介入。并且，在形状偏差因手动操作而减少至某种程度时，操作员实施用于使滚轧机从通板速度加速的操作。

因此，将形状偏差以某种程度减少的阶段设为数据采样时刻，如图15的中段和下段所示，在该数据取得时刻采取形状偏差和控制操作量，蓄积为学习数据，由此能够学习对操作端设定为初始设定的控制操作端操作量、以及设定它们时的形状偏差。

形状偏差减少至某种程度的数据取得时刻可以通过操作员开始滚轧速度的加速或者形状偏差低于规定阈值来进行判断。

图16是用于对实施例3中的FF控制进行说明的图。图16例示了用于实施形状的初始设定的结构。初始设定(作业数据)是用于针对生成规定规格的制品的滚轧机相对的板厚、张力等的初始设定。形状相关的初始设定通过具有初始设定-1和初始设定-2的初始设定(形状)来实施。

如图16中实线的箭头所示，初始设定-1的神经网络(第一初始设定神经网络)将初始设定(作业数据)设为输入，将控制对象状态量设为输出。该第一初始设定神经网络根据初始设定(作业数据)来预测控制对象状态量。将规定的控制增益与该预测出的控制对象状态量相加，进行控制操作量的校正。因此，如图16中虚线的箭头所示，第一初始设定神经网络的学习所使用的监督数据是成为该神经网络的输出的控制对象状态量。学习控制对象状态量与初始设定(作业数据)的关系。

如图16中实线的箭头所示，初始设定-2神经网络(第二初始设定神经网络)将初始设定(作业数据)设为输入，将初始设定的控制操作量设为输出。因此如图16中虚线的箭头所示，第二初始设定神经网络的学习所使用的监督数据是成为该神经网络的输出的控制操作量。学习控制操作量与初始设定(作业数据)的关系。

在进行初始设定的时刻，第二初始设定神经网络输出控制操作量的初始设定的值，第一初始设定神经网络输出控制对象状态量即形状偏差。将规定的控制增益与该形状偏差相加来校正控制操作量，设为相对控制对象设备的控制输入。

根据本实施例，如上所述那样即使针对在滚轧机的运转开始之前实施的初始设定也能够进行学习。

本实施方式的设备控制装置实际上作为计算机系统而实现，但是该情况下在计算机系统内形成多个程序组。

这些程序组例如是用于实现控制执行装置的处理的：控制规则执行程序，其按照控制对象设备的实际情况数据与设定了控制操作的关系来提供控制输出；控制输出判定程序，其判定控制规则执行程序输出的控制输出的可否，并且将该实际情况数据与控制操作错误的情况通知给所述控制方法学习装置；以及控制输出抑制程序，其控制输出判定程序在向控制对象设备输出了控制输出时，在判断为控制对象设备的所述实际情况数据恶化的情况下，阻止向所述控制对象设备输出控制输出。还是用于实现控制方法学习装置的处理的：控制结果良好与否判定程序，其用于实现控制结果良好与否判定的处理，该处理在控制执行装置将控制输出实际输出给控制对象设备时，在直至经过控制效果表示为实际情况数据为止的时间延迟之后，判定实际情况数据相较于该控制前变好还是恶化的控制结果的良好与否；学习数据制作程序，其使用该控制结果良好与否判定程序中的控制结果的良好与否、控制输出而获得监督数据；以及控制规则学习程序，其将所述实际情况数据与所述监督数据作为学习数据来进行学习。

并且，通过控制方法学习装置进行学习，由此根据所述控制对象设备的状态针对多个控制目标而获得个别的实际情况数据与控制操作的关系，将所获得的实际情况数据与控制操作的关系用作所述控制规则执行程序中的控制对象设备的实际情况数据与控制操作的已确定的组合。

另外，在将本发明装置涉及的装置应用于实际设备时，需要确定神经网络的初始值，但是关于这方面，可以在实施控制对象设备的控制之前，使用控制对象设备的控制模型，通过模拟来制作实际情况数据与控制操作的组合，从而缩短学习控制对象设备的实际情况数据与控制操作的关系的期间。

以上说明的各实施例包含以下所示的事项。但是，各实施例所包含的事项并非限定于以下所示的事项。

本公开的控制装置对施加成为对象的控制操作和针对该控制操作的干扰的控制对象进行控制，该控制装置具有：前馈控制方法学习装置，其通过学习作为学习数据的、控制所述控制对象的结果即控制状态量与施加到所述控制对象的干扰的组合，由此构建用于由针对所述控制对象的干扰来预测所述控制对象的控制状态量的变化量的第一前馈控制神经网络；以及前馈控制执行装置，其根据所述第一前馈控制神经网络由针对所述控制对象的干扰来预测所述控制对象的控制状态量的变化量，根据该控制状态量的变化量直接或间接校正所述控制操作的操作量即控制操作量而设为针对所述控制对象的控制输出。

根据该结构，通过利用第一前馈控制神经网络来校正控制操作量，由此可以对控制对象进行精度高的控制，所述第一前馈控制神经网络通过学习控制对象的控制结果即控制状态量与加入到控制对象的干扰的关系来构建而成。

此外，本公开的控制装置还具有：反馈控制装置，其根据所述控制对象的控制状态量来校正所述控制操作量并设为所述控制输出，所述前馈控制方法学习装置还学习作为学习数据的、所述控制操作量与所述干扰的组合，由此构建用于由针对所述控制对象的干扰来预测针对所述控制对象的控制操作量的变化量的第二前馈控制神经网络，所述前馈控制执行装置根据所述第二前馈控制神经网络，由施加给所述控制对象的干扰，预测针对所述控制对象的控制操作量的变化量，根据该控制操作量的变化量，校正所述控制操作量，并且根据基于所述第一前馈控制神经网络预测出的所述控制对象的控制状态量的变化量，来校正所述反馈控制装置的输入即所述控制对象的控制对象状态量。

根据该结构，在进行反馈控制的结构中，通过第二前馈控制神经网络将前馈控制与控制对象相加，并且通过第一前馈控制神经网络对反馈控制加上前馈控制，因此可以对控制对象进行精度高的控制。

此外，在本公开中，所述反馈控制装置使用通过学习作为学习数据的、所述控制对象的控制状态量与施加到所述控制对象的控制操作量的组合而构建的反馈控制神经网络，根据所述控制对象的控制状态量来预测所述控制操作量的变化量，根据所述变化量来校正所述控制操作量。

此外，在本公开中，所述第一前馈控制神经网络与所述第二前馈控制神经网络是一体的神经网络。根据该结构，将第一前馈控制神经网络与第二前馈控制神经网络设为一个神经网络来进行管理，学习数据也可以作为一组学习数据来进行管理。

此外，在本公开中，所述前馈控制方法学习装置通过学习作为学习数据的、所述控制对象的控制状态量与施加给所述控制对象的干扰和该干扰的变化量即干扰变化量的组合，由此构建用于由输入给所述控制对象的干扰和干扰变化量来预测所述控制对象的控制状态量的变化量的第一前馈控制神经网络，通过学习作为学习数据的、针对所述控制对象的控制操作量与施加给所述控制对象的干扰和该干扰的变化量即干扰变化量的组合，由此构建用于由输入到所述控制对象的干扰和干扰变化量来预测输入到所述控制对象的控制操作量的变化量的第二前馈控制神经网络。所述前馈控制执行装置根据所述第一前馈控制神经网络由施加给所述控制对象的干扰和干扰变化量来预测所述控制对象的控制状态量的变化量，根据所述第二前馈控制神经网络，由施加给所述控制对象的干扰和干扰变化量，预测针对所述控制对象的控制操作量的变化量。

根据该结构，前馈控制神经网络输入干扰与干扰变化量，因此可以得到以更高的精度表示干扰的影响的输出，从而可以高精度地抑制干扰的影响。

此外，在本公开中，所述控制对象是滚轧机，所述控制状态量是板的形状，所述干扰包含滚轧速度，所述干扰变化量包含所述滚轧速度的变化量。

根据该结构，在滚轧机的控制中，除了以一定速度滚轧的时间带之外，还存在使滚轧速度加速的时间带或减速的时间带。并且在进行该加速或减速的时间带容易产生形状的扰乱。像本结构那样，通过将滚轧速度的变化量即加速度处理为神经网络的输入，由此可以提升进行加速或减速的时间带的前馈控制的精度。

此外，在本公开中，所述前馈控制方法学习装置分别独立地学习每一个作业条件的实际情况数据，构建作业条件不同的多个第一前馈控制神经网络和第二前馈控制神经网络，所述前馈控制执行装置根据作业条件，选择并使用第一前馈控制神经网络和第二前馈控制神经网络中的某一个。

此外，本公开的控制装置对加入作为对象的控制操作和针对该控制操作的干扰的控制对象进行控制，该控制装置具有：初始设定方法学习装置，其学习作为学习数据的、控制所述控制对象的结果即控制状态量与施加于所述控制对象的初始设定的组合，构建用于由针对所述控制对象的初始设定来预测所述控制对象的控制状态量的第一初始设定神经网络，学习作为学习数据的、所述控制操作的操作量即控制操作量与所述初始设定的组合，由此构建用于由针对所述控制对象的初始设定来预测针对所述控制对象的控制操作量的第二初始设定神经网络；以及初始设定执行装置，其根据所述第二初始设定神经网络，由针对所述控制对象的初始设定来预测针对所述控制对象的控制操作量，根据基于所述第一初始设定神经网络预测出的所述控制对象的控制状态量，校正所述第二初始设定神经网络预测出的所述控制操作量，并输出给所述控制对象。

根据该结构，通过第二初始设定神经网络对控制对象施加初始设定，并且通过第一初始设定神经网络对该初始设定施加校正，因此可以对控制对象进行高精度的初始设定。

[工业上的可利用性]

本发明例如涉及作为滚轧设备之一的滚轧机的控制方法和控制装置，在实际应用中没有特别问题。

Claims (9)

1.一种控制装置，其对施加作为对象的控制操作和针对该控制操作的干扰的控制对象进行控制，其特征在于，

所述控制装置具有：

前馈控制方法学习装置，其通过学习作为学习数据的、控制所述控制对象的结果即控制状态量与施加给所述控制对象的干扰的组合，由此构建用于由针对所述控制对象的干扰来预测所述控制对象的控制状态量的变化量的第一前馈控制神经网络；以及

前馈控制执行装置，其根据所述第一前馈控制神经网络由针对所述控制对象的干扰来预测所述控制对象的控制状态量的变化量，根据该控制状态量的变化量直接或间接校正所述控制操作的操作量，即控制操作量，并设为针对所述控制对象的控制输出。

2.根据权利要求1所述的控制装置，其特征在于，

所述控制装置还具有：反馈控制装置，其根据所述控制对象的控制状态量来校正所述控制操作量并设为所述控制输出，

所述前馈控制方法学习装置还通过学习作为学习数据的、所述控制操作量与所述干扰的组合，由此构建用于由针对所述控制对象的干扰来预测针对所述控制对象的控制操作量的变化量的第二前馈控制神经网络，

所述前馈控制执行装置根据所述第二前馈控制神经网络，由施加给所述控制对象的干扰，预测针对所述控制对象的控制操作量的变化量，根据该控制操作量的变化量，校正所述控制操作量，并且根据基于所述第一前馈控制神经网络预测出的所述控制对象的控制状态量的变化量，来校正所述反馈控制装置的输入，即所述控制对象的控制对象状态量。

3.根据权利要求2所述的控制装置，其特征在于，

所述反馈控制装置使用反馈控制神经网络，并根据所述控制对象的控制状态量来预测所述控制操作量的变化量，根据所述变化量来校正所述控制操作量，所述反馈控制神经网络是通过学习作为学习数据的、所述控制对象的控制状态量与施加到所述控制对象的控制操作量的组合来构建而成的。

4.根据权利要求2所述的控制装置，其特征在于，

所述第一前馈控制神经网络与所述第二前馈控制神经网络是一体的神经网络。

5.根据权利要求2所述的控制装置，其特征在于，

所述前馈控制方法学习装置，

通过学习作为学习数据的、所述控制对象的控制状态量与施加给所述控制对象的干扰和该干扰的变化量即干扰变化量的组合，从而构建用于由输入给所述控制对象的干扰和干扰变化量来预测所述控制对象的控制状态量的变化量的第一前馈控制神经网络，

通过学习作为学习数据的、针对所述控制对象的控制操作量与施加给所述控制对象的干扰和该干扰的变化量即干扰变化量的组合，从而构建用于由输入到所述控制对象的干扰和干扰变化量来预测输入到所述控制对象的控制操作量的变化量的第二前馈控制神经网络，

所述前馈控制执行装置，

根据所述第一前馈控制神经网络，由施加给所述控制对象的干扰和干扰变化量，来预测所述控制对象的控制状态量的变化量，

根据所述第二前馈控制神经网络，由施加给所述控制对象的干扰和干扰变化量，来预测针对所述控制对象的控制操作量的变化量。

6.根据权利要求5所述的控制装置，其特征在于，

所述控制对象是滚轧机，所述控制状态量是板的形状，所述干扰包含滚轧速度，所述干扰变化量包含所述滚轧速度的变化量。

7.根据权利要求2所述的控制装置，其特征在于，

所述前馈控制方法学习装置分别独立地学习每一个作业条件的实际情况数据，构建作业条件不同的多个第一前馈控制神经网络和第二前馈控制神经网络，

所述前馈控制执行装置根据作业条件，选择并使用第一前馈控制神经网络和第二前馈控制神经网络中的某一个。

8.一种控制装置，其对施加作为对象的控制操作和针对该控制操作的干扰的控制对象进行控制，其特征在于，

所述控制装置具有：

初始设定方法学习装置，其通过学习作为学习数据的、控制所述控制对象的结果即控制状态量与施加于所述控制对象的初始设定的组合，由此构建用于由针对所述控制对象的初始设定来预测所述控制对象的控制状态量的第一初始设定神经网络，通过学习作为学习数据的所述控制操作的操作量即控制操作量与所述初始设定的组合，由此构建用于由针对所述控制对象的初始设定来预测针对所述控制对象的控制操作量的第二初始设定神经网络；以及

初始设定执行装置，其根据所述第二初始设定神经网络，由针对所述控制对象的初始设定来预测针对所述控制对象的控制操作量，根据基于所述第一初始设定神经网络预测出的所述控制对象的控制状态量，校正所述第二初始设定神经网络预测出的所述控制操作量，输出给所述控制对象。

9.一种控制方法，其用于对施加作为对象的控制操作和针对该控制操作的干扰的控制对象进行控制，其特征在于，

通过学习作为学习数据的、控制所述控制对象的结果即控制状态量与施加到所述控制对象的干扰的组合，由此构建用于由输入给所述控制对象的干扰来预测所述控制对象的控制状态量的变化量的第一前馈控制神经网络，

根据所述第一前馈控制神经网络由针对所述控制对象的干扰来预测所述控制对象的控制状态量的变化量，

根据该控制状态量的变化量直接或间接校正所述控制操作的操作量，即控制操作量并设为针对所述控制对象的控制输出。

Images