CN115407726A - 工厂设备控制系统及其控制方法、计算机可读记录介质 - Google Patents

工厂设备控制系统及其控制方法、计算机可读记录介质 Download PDF

Info

Publication number
CN115407726A
CN115407726A CN202210253569.3A CN202210253569A CN115407726A CN 115407726 A CN115407726 A CN 115407726A CN 202210253569 A CN202210253569 A CN 202210253569A CN 115407726 A CN115407726 A CN 115407726A
Authority
CN
China
Prior art keywords
control
data
learning
output
determination
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
Application number
CN202210253569.3A
Other languages
English (en)
Inventor
高田敬规
黑川大辉
田内佑树
服部哲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hitachi Ltd filed Critical Hitachi Ltd
Publication of CN115407726A publication Critical patent/CN115407726A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B13/00—Metal-rolling stands, i.e. an assembly composed of a stand frame, rolls, and accessories
    • B21B13/14—Metal-rolling stands, i.e. an assembly composed of a stand frame, rolls, and accessories having counter-pressure devices acting on rolls to inhibit deflection of same under load; Back-up rolls
    • B21B13/147—Cluster mills, e.g. Sendzimir mills, Rohn mills, i.e. each work roll being supported by two rolls only arranged symmetrically with respect to the plane passing through the working rolls
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33027—Artificial neural network controller
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33038—Real time online learning, training, dynamic network
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/34—Director, elements to supervisory
    • G05B2219/34477—Fault prediction, analyzing signal trends
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45145—Milling

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Human Computer Interaction (AREA)
  • Feedback Control In General (AREA)
  • Control Of Metal Rolling (AREA)

Abstract

本发明提供工厂设备控制系统及其控制方法、计算机可读记录介质。在工厂设备控制系统中，在减少干扰工厂设备的控制的风险的状态下，有效地修正控制规则。具备：控制方法学习单元，其学习对象工厂设备的实绩数据和控制操作的组合；控制执行单元，其根据控制方法学习部学习到的实绩数据和控制操作的组合，执行对象工厂设备的控制；以及状态变化规则学习单元，其学习对象工厂设备的实绩数据、控制操作和控制对象的状态变化的组合。根据对象工厂设备的实绩数据、控制操作和控制对象的状态变化的确定的组合来预测控制对象的状态变化，由此进行控制输出的良好与否判定，将良好与否判定结果、实绩数据和监督数据作为学习数据来学习控制规则。

Description

工厂设备控制系统及其控制方法、计算机可读记录介质
技术领域
本发明涉及工厂设备控制系统、工厂设备控制方法以及计算机可读记录介质。
背景技术
以往，在各种工厂设备中，为了通过该控制得到适当的控制结果，执行基于各种控制理论的工厂设备控制。
若对工厂设备的一例进行说明，则例如在轧机控制中，作为以控制板的波动状态的形状控制为对象的控制理论，应用模糊控制、神经模糊控制。模糊控制适用于利用冷却剂的形状控制，另外，神经模糊控制适用于森吉米尔轧机的形状控制。其中，应用了神经模糊控制的形状控制如专利文献1所示，求出由形状检测器检测出的实绩形状模式(pattern)和目标形状模式的差以及与预先设定的基准形状模式的类似比例。然后，根据所求出的类似比例，根据由针对预先设定的基准形状模式的控制操作端操作量表现的控制规则，求出针对操作端的控制输出量。
以下，对使用了神经模糊控制的森吉米尔轧机的形状控制的现有技术进行说明。
在森吉米尔轧机的形状控制中，使用神经模糊控制。如图31所示，森吉米尔轧机50在模式识别部51中，根据由形状检测器52检测出的实际形状进行形状的模式识别，运算实际形状与预先设定的基准形状模式的哪个最接近。由形状检测器52检测出的实际形状的数据在形状检测预处理部54中进行模式识别用的预处理。
然后，在控制运算部53中，使用由针对预先设定的形状模式的控制操作端操作量构成的控制规则来执行控制。
在此，如图32所示，模式识别部51运算由形状检测器52检测出的实绩的形状模式(ε)与目标形状(εref)的差分(Δε)最接近于模式1至模式8的形状中的哪一个。然后，控制运算部53基于运算结果，选择执行模式1至模式8的控制方法中的任一个。
现有技术文献
专利文献
专利文献1：日本专利第2804161号
专利文献2：日本特开2018-180799号公报
发明内容
发明所要解决的课题
专利文献1所记载的现有技术中，预先将代表性的形状设定为基准形状模式，基于表示与针对基准波形模式的控制操作端操作量的关系的控制规则来进行控制。关于控制规则的学习，与针对基准波形模式的控制操作端操作量相关，直接使用预先确定的代表性的基准形状模式。
因此，存在只能反应特定的形状模式的形状控制这样的问题。
基准形状模式是由人预先根据与成为对象的轧机相关的知识、累计了实绩形状和手动介入操作的经验决定的，但难以包罗通过成为对象的轧机和被轧制材料产生的全部的形状。因此，在产生与基准形状模式不同的形状的情况下，有时不执行基于形状控制的控制，形状偏差未被抑制而残留，或者误识别为类似的基准形状模式，进行错误的控制操作，反而使形状恶化。
因此，在以往的形状控制中，由于使用预先设定的基准形状模式和针对该基准形状模式的控制规则进行控制规则的学习，执行控制，所以存在控制精度的提高存在极限的问题。
为了解决该问题，例如提出了专利文献2所记载的技术。在专利文献2中记载有如下的处理：在控制时产生干扰，通过学习使神经网络逐渐变聪明。但是，专利文献2所记载的产生控制干扰的处理实绩上运用控制对象工厂设备，在其运用时产生控制干扰，扰乱控制对象工厂设备的实绩运用，在运用上不能称为优选。并且，除非在某种程度上运用控制对象工厂设备，否则神经网络不会变得适当，在运转初始时，无法进行适当的控制的可能性高。
本发明的目的在于，提供一种能够减少扰乱工厂设备的控制的风险而高效地修正控制规则的工厂设备控制系统、工厂设备控制方法以及程序。
用于解决课题的手段
为了解决上述课题，例如采用请求专利权的技术方案所记载的结构。
本申请包括多个解决上述课题的手段，若列举其中一例，则工厂设备控制系统适用于针对控制对象工厂设备识别控制对象工厂设备的实绩数据的组合的模式并执行控制的系统。
并且，工厂设备控制系统具备：控制方法学习单元，其学习控制对象工厂设备的实绩数据和控制操作的组合；控制执行单元，其根据控制方法学习单元学习到的实绩数据和控制操作的组合，执行控制对象工厂设备的控制；以及状态变化规则学习单元，其学习控制对象工厂设备的实绩数据、控制操作和控制对象的状态变化的组合。
在此，控制执行单元具备：
控制规则执行部，其按照控制对象工厂设备的实绩数据和控制操作的确定的组合来提供控制输出；
控制输出良好与否判定执行部，其按照控制对象工厂设备的实绩数据、控制操作和控制对象的状态变化的确定的组合，预测控制对象的状态变化，推定所述控制输出的良好与否判定；
新搜索操作量运算部，其根据控制输出良好与否判定执行部中的良好与否判定来运算新操作搜索用操作量；以及
控制输出抑制部，其使用控制输出良好与否判定执行部中的良好与否判定，在判断为将控制输出向所述控制对象工厂设备输出时所述控制对象工厂设备的实绩数据恶化的情况下，阻止将控制输出向所述控制对象工厂设备输出。
另外，状态变化规则学习单元具备：
状态变化规则学习部，其从控制对象工厂设备的实绩数据中提取实绩数据和控制操作、以及从控制操作的控制效果显现到实绩数据为止的时间延迟期间的控制对象的状态变化量的组合，生成学习数据，使用学习数据进行学习。
并且，控制方法学习单元具备：
学习数据生成部，其使用控制输出良好与否判定执行部中的控制输出的良好与否判定和控制输出，得到监督数据；以及控制规则学习部，其将实绩数据和监督数据作为学习数据进行学习。
发明效果
根据本发明，能够使在控制中在形状控制中使用的形状模式和操作方法的控制规则减少对工厂设备的风险，高效地进行自动修正，成为与经时性的工厂设备的环境变化对应的最佳的控制规则。因此，根据本发明，能够实现控制精度的提高、控制部的启动期间的缩短、针对经时性变化的应对。
另外，根据本发明，通过预先评价控制规则的性能，具有由于新的控制规则的应用而产生的对工厂设备的风险降低、以及由于最佳的控制规则的选择而产生的控制性能的提高这样的效果。
上述以外的课题、结构及效果通过以下的实施方式的说明而变得明确。
附图说明
图1是表示本发明的一个实施方式的例子的工厂设备控制系统的概要的结构图。
图2是表示本发明的一个实施方式的例子的控制规则执行部的具体结构例的图。
图3是表示本发明的一个实施例的控制输出良好与否判定执行部的例子的结构图。
图4是表示本发明的一个实施方式的例子的控制规则学习部的具体结构例的图。
图5是表示本发明的一个实施例的状态变化规则学习部的例子的结构图。
图6是表示针对森吉米尔轧机的形状控制中的控制方法的控制结果良好与否判定的例子的图。
图7是表示本发明的一个实施方式的例子的良好与否判定误差验证部的例子的结构图。
图8是表示在本发明的一个实施方式的例子的森吉米尔轧机的形状控制中使用的情况下的神经网络结构的图。
图9是说明本发明的一个实施方式的例子的形状偏差和控制方法的图。
图10是表示本发明的一个实施方式的例子的控制输入数据生成部的例子的结构图。
图11是表示本发明的一个实施方式的例子的控制输出运算部的例子的结构图。
图12是表示在本发明的一个实施方式的例子的森吉米尔轧机的状态变化预测中使用的情况下的神经网络结构的图。
图13是表示本发明的一个实施方式的例子的控制结果良好与否判定部的例子的结构图。
图14是表示本发明的一个实施方式的例子的新搜索操作量运算部中的操作量运算方法的图。
图15是表示本发明的一个实施方式的例子的控制输出判定部的例子的结构图。
图16是表示本发明的一个实施方式的例子的控制输出运算部的例子的结构图。
图17是表示本发明的一个实施方式的例子的学习数据生成部中的处理阶段和处理内容的图。
图18是表示本发明的一个实施方式的例子的学习数据数据库中保存的数据例的图。
图19是表示本发明的一个实施方式的例子的神经网络管理表的例子的图。
图20是表示本发明的一个实施方式的例子的学习数据数据库的例子的结构图。
图21是表示本发明的一个实施方式的例子的学习数据数据库中保存的数据例的图。
图22是表示本发明的一个实施方式的例子的验证数据数据库的例子的图。
图23是表示本发明的一个实施方式的例子的神经网络管理表的例子的图。
图24是表示本发明的一个实施方式的例子的学习数据数据库的例子的图。
图25是表示本发明的一个实施方式的例子的良好与否判定误差数据库的例子的图。
图26是表示本发明的一个实施方式的例子的良好与否评价值数据库的例子的图。
图27是表示本发明的一个实施方式的例子的工厂设备控制系统具备了控制规则评价单元的例子的结构图。
图28是表示本发明的一个实施方式的例子的控制规则评价数据数据库的例子的图。
图29是表示本发明的一个实施方式的例子的控制规则评价值数据库的例子的图。
图30是表示本发明的一个实施方式的例子的工厂设备控制系统的硬件结构例的框图。
图31是表示森吉米尔轧机的例子的结构图。
图32是表示森吉米尔轧机的形状控制中的控制规则的一览的例子的图。
附图标记说明
1…控制对象工厂设备、2…控制输入数据生成部、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…学习数据生成部、10…控制规则执行部、16…控制操作干扰产生部、17…控制输出良好与否判定执行部、18…控制输出操作方法选择部、20…控制执行单元、21…控制方法学习单元、22…良好与否判定规则学习单元、23…控制规则评价单元、31…状态变化规则学习部、33…新搜索操作量运算部、34…良好与否判定误差验证部、35…控制规则良好与否判定数据收集部、36…控制规则评价数据运算部、37…控制规则数据库更新部、50…森吉米尔轧机、51…模式识别部、52…形状检测器、53…控制运算部、54…形状检测预处理部、101…神经网络、102…神经网络选择部、110…神经网络处理部、111…神经网络、112…神经网络学习控制部、113…神经网络选择部、114…输入数据生成部、115…监督数据生成部、171…神经网络、172…神经网络选择部、201…标准化形状偏差、202…形状偏差阶段、210…形状偏差PP值运算部、211…形状偏差阶段运算部、310…神经网络处理部、311…神经网络、312…神经网络学习控制部、313…神经网络选择部、314…输入数据生成部、315…监督数据生成部、341…神经网络、342…神经网络选择部、343…验证用数据生成部、344…状态变化良好与否变换部、345…良好与否判定误差运算部、501…轧制现象模型、502…形状修正良好与否判定部、503…形状偏差修正量预测数据、504…形状偏差实绩数据、505…形状偏差预测数据、602…形状变化良好与否判定部、703…控制输出操作方法选择部、801…学习数据生成部、802…控制规则学习部、DB1…控制规则数据库、DB2…学习数据数据库、DB3…输出判定数据库、DB4…良好与否判定数据库、DB5…状态变化规则数据库、DB6…学习数据数据库、DB7…良好与否判定误差数据库、DB8…验证数据数据库、DB9…良好与否评价值数据库、DB10…控制规则评价数据数据库、DB11…控制规则评价值数据库。
具体实施方式
以下，参照附图对本发明的一个实施方式的例子(以下，称为“本例”)的工厂设备控制系统进行说明。
首先，在说明本例之前，关于达到本发明的经过及其概要，以将工厂设备控制系统应用于轧机的形状控制装置的情况为例进行说明。
首先，为了得到作为本发明的目的之一的、能够在使对工厂设备的风险减少的状态下高效地修正控制规则的工厂设备控制系统，需要下述的要件(1)、(2)、(3)、(4)。
·要件(1)：为了改善控制规则，在无法学习控制结果良好的控制操作的情况下，大幅变更控制操作，在控制结果良好的情况下作为新的控制操作方法进行取入，在能够学习控制结果良好的控制操作的情况下，将控制操作保留为不变更或小的变更，在对该控制操作的控制结果良好的情况下作为新的控制操作方法进行取入。
·要件(2)：基于实机数据来学习轧制的实绩数据、控制操作与形状模式的变化的组合，由此与使用了机械模型的模拟器相比，构建能够高精度地推定控制结果的良好与否的模型，通过定期的自动学习而始终构建适合最新的工厂设备状态的模型。
·要件(3)：使用推定基于控制操作的形状变化进行推定的模型，提高现有技术中仅在简易的机械模型中进行的对工厂设备的控制输出抑制功能的可靠性。
·要件(4)：在现有技术中通过一次的控制结果的良好与否判定来进行的控制规则学习数据的生成功能中，通过使用对基于控制操作的形状变化进行推定的模型，能够抑制工厂设备数据中包含的噪声的影响，使效果小的微调整也作为学习数据的对象，同时，通过防止控制效果的误判定，抑制学习数据的变动，使控制性能稳定。
为了实现这些要件(1)～(4)，优选在控制装置内构成能够学习轧制的实绩数据、控制操作以及基于控制操作的形状变化的组合的神经网络。而且，控制装置需要利用向神经网络输入控制操作的输出而得到的值，推定因为由轧机产生的针对形状模式的控制操作的输出而引起的控制结果的良好与否。并且，控制装置使用控制结果的良好与否的推定值，选择新控制操作搜索用的控制操作量的运算方法。
使用轧机的简易模型等进行验证，对于认为形状明显恶化的输出，控制装置不对轧机的控制操作端输出而防止形状恶化。此时，控制装置通过将控制结果的良好与否的推定值用于输出抑制的判断，能够提高保护的可靠性，使抑制的范围适当化，由此能够扩大基于控制功能的可应对范围。另外，即使在得不到轧机的简易模型等的情况下，也能够通过使用控制结果的良好与否的推定值来执行输出抑制的判断，能够扩大控制装置的应用对象范围。
在控制结果的良好与否的推定精度不充分的应用初期的阶段，推定为差的控制操作也向工厂设备输出，由此，针对轧制的实绩数据、控制操作以及基于控制操作的形状变化的组合，需要扩大学习的范围。
在控制结果的良好与否判定推定精度足够高的阶段，即使不对工厂设备输出操作量也能够推定控制结果的良好与否，因此控制装置能够生成控制规则的学习数据。
控制装置使用能够推定基于控制操作的形状变化的神经网络来推定控制结果的良好与否，由此能够减少工厂设备数据所具有的噪声的影响，能够对效果小的微调整数据进行良好与否判定。由此，控制装置能够生成学习数据。并且，控制装置通过防止由噪声引起的错误的良好与否判定，能够提高学习数据的精度。
另外，在因为经时性变化所引起的工厂设备的环境变化等使得控制结果的良好与否判定的推定精度降低的情况下，控制装置通过使用最近的工厂设备的实绩数据进行再学习，能够进行适合最新的工厂设备状态的控制结果的良好与否判定的推定。
为了确认控制结果的良好与否判定的推定精度，与在神经网络的学习中使用的数据分开地准备测试数据而用于精度验证。并且，控制装置能够基于良好与否预测值和测试数据所包含的控制结果的良好与否的误差，确认良好与否判定的预测误差，其中，该良好与否预测值使用了通过将该精度验证用的测试数据所包含的轧制实绩数据和控制操作输入到神经网络而输出的形状变化的预测值。
图1表示本例的工厂设备控制系统的结构。
图1的工厂设备控制系统具备控制执行单元20、控制方法学习单元21、状态变化规则学习单元22、多个数据库DB(DB1～DB8)以及各数据库DB的管理表TB。
控制执行单元20输入来自控制对象工厂设备1的实绩数据Si，将按照控制规则(神经网络)确定的控制操作量输出SO提供给控制对象工厂设备1，对控制对象工厂设备1进行控制。这里的控制对象工厂设备1是已经说明的图31所示的森吉米尔轧机50。
在此，控制规则是指，如图26所说明的那样，例如运算所检测出的实绩的形状模式A(ε)与目标形状(εref)的差分a(Δε)最接近所准备的多个模式的形状中的哪一个的规则。控制执行单元20基于该控制规则的运算结果，选择并执行任意一种模式的控制方法。
控制方法学习单元21输入由控制执行单元20生成的控制输入数据S1等来进行学习，将学习到的控制规则反映到控制执行单元20中的控制规则中。
状态变化规则学习单元22输入控制对象工厂设备1的控制操作前后的实绩数据Si等来进行学习，使学习到的状态变化规则反映到控制执行单元20中的状态变化规则。
控制执行单元20具备控制输入数据生成部2、控制规则执行部10、控制输出运算部3、控制输出抑制部4、控制输出判定部5、控制输出良好与否判定执行部17、新搜索操作量运算部33以及控制输出操作方法选择部18。
控制执行单元20使用控制输入数据生成部2从作为控制对象工厂设备1的轧机的实绩数据Si生成控制规则执行部10的输入数据S1。
控制规则执行部10使用表现控制对象的实绩数据Si与控制操作端操作指令S2的关系的神经网络(控制规则)，进行从输入数据S1生成控制操作端操作指令S2的控制规则执行处理。控制输出运算部3基于控制操作端操作指令S2，运算向控制操作端的控制操作量S3。由此，控制执行单元20根据控制对象工厂设备1的实绩数据Si，使用神经网络生成控制操作量S3。
另外，控制输出良好与否判定执行部17使用表现控制对象的实绩数据Si、控制操作量S3以及基于该控制操作的形状变化的关系的神经网络(状态变化规则)，进行根据控制对象的实绩数据Si和控制操作量S3生成控制输出良好与否判定推定值S9的控制输出良好与否判定执行处理。并且，控制输出良好与否判定执行部17根据控制对象的实绩数据Si和后述的选择控制操作量S8生成控制结果良好与否判定推定值S11。
新搜索操作量运算部33基于控制操作量S3和控制输出良好与否判定推定值S9，进行运算新搜索控制操作量S12的新搜索操作量运算处理。
控制输出操作方法选择部18基于控制操作量S3和新搜索控制操作量S12，生成选择控制操作量S8和控制方法选择标志S14。
另外，控制执行单元20内的控制输出判定部5进行如下的控制输出判定处理：使用来自控制对象工厂设备1的实绩数据Si以及来自控制输出操作方法选择部18的选择控制操作量S8，决定向控制操作端的控制操作量输出可否数据S4。控制输出抑制部4基于控制操作量输出可否数据S4和控制结果良好与否判定推定值S11，决定可否向控制操作端输出选择控制操作量S8，将决定为可的选择控制操作量S8作为提供给控制对象工厂设备1的控制操作量输出SO而输出。由此，判断为异常的选择控制操作量S8不会从控制执行单元20输出到控制对象工厂设备1。
如以上那样构成的控制执行单元20为了执行该处理，参照控制规则数据库DB1、输出判定数据库DB3以及良好与否判定数据库DB4、状态变化规则数据库DB5以及良好与否判定误差数据库DB7。
控制规则数据库DB1与控制执行单元20内的控制规则执行部10、后述的控制方法学习单元21内的控制规则学习部802的双方以能够访问的方式连接。
在控制规则数据库DB1中存储作为控制规则学习部802中的学习结果的控制规则(神经网络)。控制规则执行部10参照存储在控制规则数据库DB1中的控制规则。
在学习数据数据库DB2中存储由控制规则学习部802得到的学习数据。
输出判定数据库DB3与控制执行单元20内的控制输出判定部5以能够访问的方式连接。
在良好与否判定数据库DB4中存储用于判定是否良好的数据。
在状态变化规则数据库DB5中存储作为状态变化规则学习部31中的学习结果的状态变化规则(神经网络)。该状态变化规则数据库DB5与控制执行单元20内的控制输出良好与否判定执行部17、后述的状态变化规则学习单元22内的状态变化规则学习部31以及状态变化规则良好与否判定误差验证部34中的任一个以能够访问的方式连接。控制输出良好与否判定执行部17和状态变化规则良好与否判定误差验证部34参照存储在状态变化规则数据库DB5中的状态变化规则。
在学习数据数据库DB6中存储由状态变化规则学习部31学习到的学习数据。
在良好与否判定误差数据库DB7中存储进行良好与否判定所需的良好与否判定误差。
图2表示本例的控制规则执行部10的具体结构例。
在控制规则执行部10中输入由控制输入数据生成部2生成的输入数据S1。控制规则执行部10处理输入数据S1并向控制输出运算部3提供控制操作端操作指令S2。控制规则执行部10具备神经网络101，神经网络101输出遵照图26所示的形状控制规则的控制操作端操作指令S2。
控制规则执行部10还具备神经网络选择部102，通过参照存储在控制规则数据库DB1中的控制规则，选择最佳的控制规则作为神经网络101中的控制规则，并使神经网络101执行。
这样，控制规则执行部10从按照操作者组、控制目的而被划分的多个神经网络中选择需要的神经网络来使用。在控制规则数据库DB1中，作为来自控制对象工厂设备1的数据，也可以包含能够选择神经网络以及良好与否判定基准的实绩数据(操作组的数据等)Si。
此外，由于若执行神经网络则成为控制规则，所以在本说明书中，神经网络和控制规则以同义的意思来使用。
图3表示控制输出良好与否判定执行部17的具体结构。
向控制输出良好与否判定执行部17输入从控制对象工厂设备1输入的实绩数据Si和由控制输出运算部3生成的控制操作量S3。控制输出良好与否判定执行部17基于这些输入数据，生成控制输出良好与否判定推定值S9并提供给新搜索操作量运算部33。
另外，向控制输出良好与否判定执行部17输入从控制对象工厂设备1输入的实绩数据Si和由控制输出操作方法选择部18生成的选择控制操作量S8。控制输出良好与否判定执行部17基于这些输入数据，生成控制结果良好与否判定推定值S11，并提供给控制输出抑制部4及学习数据生成部801。
控制输出良好与否判定执行部17具备神经网络171以及神经网络选择部172。
神经网络171基于过去的控制实绩，推定针对实绩数据Si输出了控制操作量S3(控制模式)的情况下的形状变化的预测值S20。
神经网络选择部172通过参照存储在状态变化规则数据库DB5中的状态变化规则，选择最佳的状态变化规则作为神经网络171中的状态变化规则。
这样，控制输出良好与否判定执行部17从按照成为控制对象的材料性质的差异而分开的多个神经网络中，选择需要的神经网络。
在状态变化规则数据库DB5中，作为来自控制对象工厂设备1的数据，可以包含能够选择成为控制对象的材料性质的实绩数据(钢种类、板宽的数据等)Si。此外，由于若执行神经网络则成为状态变化规则，所以在本说明书中，神经网络和状态变化规则以同义的意思来使用。
控制结果良好与否判定部6使用来自控制对象工厂设备1的实绩数据Si以及神经网络所推定出的形状变化S20、存储于良好与否判定数据库DB4的良好与否判定数据S5以及存储于良好与否判定误差数据库DB7的良好与否判定误差数据S21，进行判定实绩数据Si向变好的方向变化还是向变差的方向变化的控制结果良好与否判定处理。然后，控制结果良好与否判定部6输出表示判定结果的控制结果良好与否数据S9或S11。
图6是表示针对森吉米尔轧机的形状控制中的控制方法的控制结果良好与否判定的具体例的图。图6表示图26所示的每个形状控制规则的控制结果良好与否判定结果。
返回图1的说明，控制方法学习单元21执行在控制执行单元20中使用的神经网络101的学习。
控制方法学习单元21具备学习数据生成部801以及控制规则学习部802。
控制方法学习单元21内的学习数据生成部801进行如下的学习数据生成处理：使用由控制执行单元20生成的控制操作端操作指令S2、选择控制操作量S8、控制方法选择标志S14、由控制输出良好与否判定执行部17生成的控制结果良好与否判定推定值S11、由控制输出判定部5生成的控制操作量输出可否数据S4，生成用于神经网络的学习的新的监督数据S7a。将学习数据生成部801所生成的学习数据S7a提供给控制规则学习部802。
监督数据S7a与控制规则执行部10输出的控制操作端操作指令S2对应。
图4表示控制规则学习部802的具体结构例。
控制规则学习部802具备输入数据生成部114、监督数据生成部115、神经网络处理部110以及神经网络选择部113。
在控制规则学习部802中，作为来自外部的输入，输入了来自控制输入数据生成部2的输入数据S1和来自学习数据生成部801的新的监督数据S7a。另外，控制规则学习部802参照累积在控制规则数据库DB1以及学习数据数据库DB2中的数据。
在控制规则学习部802中，输入数据S1经由输入数据生成部114被输入到神经网络处理部110。
另外，在控制规则学习部802中，来自学习数据生成部801的新的监督数据S7a在监督数据生成部115中，作为包含存储于学习数据数据库DB2的过去的监督数据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适当地存储在学习数据数据库DB2中使用。
同样地，来自控制输入数据生成部2的输入数据S8a在输入数据生成部114中，作为包含存储于学习数据数据库DB2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。关于这些输入数据S8a、S8b，也适当地存储在学习数据数据库DB2中使用。
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取入来自输入数据生成部114的输入数据S8c、来自监督数据生成部115的监督数据S7c、神经网络选择部113所选择出的控制规则(神经网络)，将最终决定出的神经网络存储在控制规则数据库DB1中。
神经网络学习控制部112针对输入数据生成部114、监督数据生成部115、神经网络选择部113，在适当的定时控制它们，得到神经网络111的输入，并且将处理结果存储在控制规则数据库DB1中。
在此，图2的控制规则执行部10中的神经网络101和图4的控制方法学习单元21中的神经网络111都是相同概念的神经网络，但如下所述那样不同。
即，控制规则执行部10中的神经网络101是预先决定的内容的神经网络，是提供输入数据S1时求出作为对应的输出的控制操作端操作指令S2的神经网络。
另一方面，控制方法学习单元21中的神经网络111是在将输入数据S1和关于控制操作端操作指令S2的输入数据S8c、监督数据S7c设定为学习数据时，通过学习求出该输入输出关系的神经网络。
控制方法学习单元21中的基本处理的考虑方法如下。
首先，在控制操作量输出可否数据S4的内容为“可”且控制结果良好与否判定推定值S11的内容为“良好”(实绩数据Si向变好的方向变化)的情况下，控制执行单元20向控制对象工厂设备1输出控制操作量输出SO。在此，学习数据生成部801判断为控制输出操作方法选择部18所输出的选择控制操作量S8正确，以神经网络的输出成为选择控制操作量S8的方式生成学习数据。
另一方面，在控制操作量输出可否数据S4的内容为“否”、或者向控制对象工厂设备1输出了控制操作量输出SO而得的控制结果良好与否判定推定值S11的内容为“否”(实绩数据Si向变差的方向变化)的情况下，学习数据生成部801判断为控制输出操作方法选择部18所输出的选择控制操作量S8错误。
在该情况下，学习数据生成部801根据控制方法选择标志S14，确认在控制输出操作方法选择部18中是否选择了控制操作量S3。在该确认中选择了控制操作量S3的情况下，学习数据生成部801判断为控制规则执行部10所输出的控制操作端操作指令S2错误，以不输出神经网络的输出的方式生成学习数据。此时，作为控制输出，以对相同的控制操作端发出+方向、-方向这2种输出的方式构成神经网络输出，以不输出输出侧的控制操作端操作指令S2的方式生成学习数据。
另外，作为由神经网络学习控制部112进行的数据处理的结果，图4所示的控制规则学习部802如以下那样进行处理。
首先，控制规则学习部802使用根据向控制执行单元20的输入数据S1求出的数据S8c和由监督数据生成部115生成的监督数据S7c的组合即学习数据，执行在控制规则执行部10中使用的神经网络101的学习。
实际上，控制规则学习部802在控制规则学习部802内具备与控制规则执行部10的神经网络101相同的神经网络111，在各种条件下进行运用测试来学习此时的响应，得到确认了作为学习的结果而产生更好的结果这一情况的控制规则。
这里的学习需要使用多个学习数据来进行，因此，从累积有过去生成的学习数据的学习数据数据库DB2中取出多个过去的学习数据，进行学习并执行处理。然后，本次的学习数据被存储在学习数据数据库DB2中。另外，学习后的神经网络为了在控制规则执行部10中利用而存储在控制规则数据库DB1中。
神经网络的学习可以在每次生成新的学习数据时一起使用过去的学习数据来进行学习，也可以在学习数据累积到一定程度(例如100个)之后，一起使用过去的学习数据来进行学习。
通过设为这样的结构，控制输出操作方法选择部18选择新搜索操作量，由此将新搜索操作量输出到对象工厂设备，根据该控制结果生成学习数据，能够学习新的控制方法。
返回图1的说明，状态变化规则学习单元22执行在控制执行单元20中使用的神经网络171(图3)的学习。在控制对象工厂设备1中，在设备位置发生了变化的情况下，实际上控制效果成为实绩数据Si的变化而出现需要时间。因此，使用使时间延迟了该时间而得的数据来执行学习。此外，在图1等中，记载为“Z-1”的处理部DL表示在传输各数据时存在适当的时间延迟。
状态变化规则学习单元22具备状态变化规则学习部31、良好与否判定误差验证部34、良好与否判定数据库DB4。
图5表示状态变化规则学习部31的具体结构。
状态变化规则学习部31具备输入数据生成部314、监督数据生成部315、神经网络处理部310、神经网络选择部313、学习数据生成部316。
作为来自外部的输入，状态变化规则学习部31得到与控制对象工厂设备1的轧制实绩数据Si和时间延迟后的轧制实绩数据Si-1。
并且，状态变化规则学习部31与状态变化规则数据库DB5以及学习数据数据库DB6、验证数据数据库DB8以能够访问的方式连接。
学习数据生成部316从时间延迟后的轧制实绩数据Si-1，提取轧制状态变量和控制操作量，作为输入数据S12a输出到输入数据生成部314。另外，学习数据生成部316从轧制实绩数据Si中提取形状偏差，从时间延迟后的轧制实绩数据Si-1中提取形状偏差，根据该差分求出形状变化量，作为监督数据S13a输出到监督数据生成部315。
监督数据S13a在监督数据生成部315中，作为还包含在学习数据数据库DB6中存储的过去的监督数据S13b在内的合计的监督数据S13c，被提供给神经网络处理部310。这些监督数据S13a、S13b被适当地存储在学习数据数据库DB6中并被使用。
同样地，输入数据S12a在输入数据生成部314中，作为还包含在学习数据数据库DB6中存储的过去的输入数据S12b在内的合计的输入数据S12c，被提供给神经网络处理部310。这些输入数据S12a、S12b适当地存储在学习数据数据库DB6中并使用。
此时，学习数据生成部316不将以一定比率生成的监督数据S13a和输入数据S12a存储在学习数据数据库DB6中，而存储在验证数据数据库DB8中。在验证数据数据库DB8中，也一并存储从时间延迟后的轧制实绩数据Si-1提取出的变化前形状偏差和在神经网络311中设定的神经网络编号。
神经网络处理部310由神经网络311和神经网络学习控制部312构成。
神经网络311取入来自输入数据生成部314的输入数据S12c、来自监督数据生成部315的监督数据S13c、以及神经网络选择部313所选择出的控制规则(神经网络)。
神经网络学习控制部312针对输入数据生成部314、监督数据生成部315以及神经网络选择部313，在适当的定时控制它们，得到神经网络311的输入。另外，神经网络学习控制部312经由神经网络选择部313将处理结果存储于状态变化规则数据库DB5。
在此，图3所示的控制执行单元20的神经网络171以及后述的良好与否判定精度验证部34的神经网络341与图5所示的状态变化规则学习单元22中的神经网络311都是相同概念的神经网络，但在以下方面不同。
控制执行单元20中的神经网络171和良好与否判定精度验证部34中的神经网络341是预先决定的内容的神经网络。即，神经网络171以及神经网络341是在提供了轧制状态变量Si和选择控制操作量S8或控制操作量S3或者验证用输入数据S24时，求出作为对应的输出的预测形状变化S20、S25的神经网络，是在所谓的一个方向的处理中利用的神经网络。
与此相对，状态变化规则学习单元22中的神经网络311是在将从时间延迟后的轧制实绩数据Si中提取了控制操作量而得的数据S12c、监督数据S13c设定为学习数据时，通过学习求出该输入输出关系的神经网络。
图7表示良好与否判定误差验证部34的具体结构。
良好与否判定误差验证部34具备验证用数据生成部343、神经网络341、神经网络选择部342、状态变化良好与否变换部344、良好与否评价值数据库DB9、良好与否判定误差运算部345。
验证用数据生成部343从验证数据数据库DB8中依次读出与想要实施误差验证的状态变化规则(神经网络No.)对应的验证用数据S22，向神经网络341输出验证用输入数据S24，并且向状态变化良好与否变换部344输出良好与否变换用验证数据S23。
神经网络341从验证用数据生成部343接收验证用输入数据S24，将基于过去的控制实绩预测出的预测形状变化量S25输出到状态变化良好与否变换部344。
神经网络选择部342参照存储在状态变化规则数据库DB5中的状态变化规则，从按照成为控制对象的材料性质的差异而划分的多个神经网络中，选择实施误差验证的状态变化规则。
状态变化良好与否预测值变换部344从验证用数据生成部343接收良好与否变换用验证数据S23，从神经网络341接收预测形状变化量S25，基于它们来运算验证数据良好与否评价值和预测良好与否评价值，将良好与否评价值S26保存在良好与否评价值数据库DB9中。
良好与否判定误差运算部345从良好与否评价值数据库DB9中，以神经网络No.为单位读出良好与否评价值数据S27，运算验证数据良好与否评价值和预测良好与否评价值的良好与否判定误差，和验证结果标志一起，作为良好与否判定误差数据S28写出到良好与否判定误差数据库DB7。
接着，以森吉米尔轧机中的形状控制为对象，对工厂设备控制方法的具体例进行说明。此外，关于形状控制，以采用以下的规格A、B的方式进行说明。
规格A是关于优先级的规格，具有板宽方向的优先级的信息。
例如在形状控制中，大多在机械特性上难以遍及板宽方向整个区域地控制为目标值。因此，操作者根据过去的经验，在板宽方向上赋予优先顺序来实施操作。因此，在板宽方向上设置关于下述的2个优先级的规格A1、A2。其中，关于优先级的规格A1是“使板端部优先”的规格。另外，关于优先级的规格A2是“使中央部优先”的规格。根据操作员的经验并根据速度条件、加减速中等的轧制状态来决定使用哪种规格。
执行按照该规格A1、A2这2个优先顺序的控制。即，在工厂设备控制系统执行控制的情况下，考虑关于优先级的规格A1或A2中的任一个。
规格B是与预先判明的条件对应的规格。若列举一例，则形状模式与控制方法的关系在各种条件下变化，因此例如需要以将规格B1设为板宽、将规格B2设为钢种类的区别来进行划分。由于各自的规格变化，所以对形状操作端的形状的影响程度发生变化。
本例中的控制对象工厂设备1是森吉米尔轧机，实绩数据为实际形状。森吉米尔轧机是具有用于对不锈钢等硬的材料进行冷轧的簇辊的轧机。森吉米尔轧机为了对硬的材料施加强压接，使用小径的工作辊。因此，森吉米尔轧机难以进行用于得到平坦的钢板的控制。作为该对策，森吉米尔轧机采用了簇辊的构造和各种形状控制部。
森吉米尔轧机通常除了上下的第一中间辊具有单锥度而变得能够移位以外，还具备上下6个分割辊和2个被称为AS-U的辊。在以下说明的例子中，形状的实绩数据Si使用形状检测器的检测数据，输入数据S1使用与目标形状的差即形状偏差。另外，控制操作量S3设为#1～#n的AS-U、上下的第一中间辊的辊移位量。
图8表示在森吉米尔轧机的形状控制中使用的情况下的神经网络结构。在此，神经网络表示神经网络101而用于控制规则执行部10。另外，表示神经网络111而用于控制规则学习部802。神经网络101和神经网络111的结构都相同。
在森吉米尔轧机的形状控制的事例中，来自控制对象工厂设备1的实绩数据Si是包含形状检测器的数据(在此，设为输出实绩形状与目标形状的差即形状偏差的数据)的森吉米尔轧机的实绩数据。控制输入数据生成部2得到标准化形状偏差201、形状偏差阶段202作为输入数据S1。由此，神经网络101、111的输入层由标准化形状偏差201、形状偏差阶段202构成。此外，在图8中，将形状偏差阶段202作为向神经网络输入层的输入，但也可以根据阶段来切换神经网络。
神经网络101、111的输出层与作为森吉米尔轧机的形状控制操作端的AS-U、第一中间辊相匹配，由AS-U操作程度301和第一中间操作程度302构成。关于各自的操作程度，对于AS-U而言，各AS-U具有AS-U开方向(辊隙(轧机的上下作业辊间的间隔)打开的方向)、AS-U闭方向(辊隙关闭的方向)。
关于第一中间辊，上下第一中间辊具有第一中间辊开方向(第一中间辊从轧机中心朝向外侧动作的方向)、第一中间辊闭方向(第一中间辊朝向轧机中心侧动作的方向)。
例如，在设为形状检测器为20个区域、形状偏差阶段202为3个阶段(大、中、小)的情况下，输入层成为23个输入。另外，若AS-U的鞍座为7根、上下第一中间辊能够在板宽方向移位，则输出层成为AS-U操作程度301为14个、一中间操作程度为4个的共计18个。适时设定中间层的层数及各层的神经元数。
此外，作为输出层的森吉米尔轧机的形状控制操作端以对各个控制操作端输出+方向、-方向这2种输出的方式构成神经网络输出。
图9表示本例中的形状偏差和控制方法。
图9的(a)表示形状偏差大的情况下的控制方法，图9的(b)表示形状偏差小的情况下的控制方法。图9的(a)、(b)的高度方向(纵轴方向)表示形状偏差的大小，横轴方向表示板宽方向，板宽的两侧表示板端部，中央表示板中央部。
如图9的(a)所示，在形状偏差大的情况下，相比于板宽方向的局部的形状偏差，优先修正整体的形状。
另一方面，如图9的(b)所示，在形状偏差小的情况下，优先减小局部的形状偏差。
这样，由于需要根据形状偏差的大小来改变控制方法，所以如图8所示那样，设置形状偏差阶段202而提供给神经网络101、111，并判定形状偏差的大小。关于形状偏差，与形状偏差的大小无关，例如可以使用标准化为0～1的形状偏差。这只是一例，既可以不使形状偏差标准化而直接向神经网络的输入层输入，也可以根据形状偏差的大小来改变神经网络本身。例如，也可以准备2个神经网络，区分形状偏差大的情况下使用的神经网络和小的情况下使用的神经网络。
在本例的工厂设备控制中，针对以上说明的图8那样的结构的神经网络101、111，学习针对形状模式的操作方法，使用学习到的神经网络来执行形状控制。即使是相同结构的神经网络，根据学习的条件也成为不同的特性，能够对相同的形状模式发出不同的控制输出。
因此，通过根据实际形状的其他条件来区分使用多个神经网络，能够对多种条件构成最佳的控制。这对应于规格B。之前说明的图2的结构表示进行这样的规格的情况下的具体例。
即，在图2的结构例中，根据轧制实绩、轧机操作者姓名、被轧制材料的钢种类、板宽等，将在控制规则执行部10中使用的神经网络101准备为不同的神经网络，并预先登记到控制规则数据库DB1中。神经网络选择部102选择符合该时间点的条件的神经网络，并设定为控制规则执行部10的神经网络101。
此外，作为神经网络选择部102中的该时间点的条件，可以从控制对象工厂设备1中的实绩数据Si中取入板宽的数据，并根据该数据来选择神经网络。另外，这里使用的多个神经网络只要具有图8所示的输入层、输出层，则中间层的层数、各层的单元数也可以不同。
图10表示生成用于向神经网络101、111的输入层输入的数据S1(标准化形状偏差201、形状偏差阶段202)的控制输入数据生成部2的结构。
控制输入数据生成部2将对作为控制对象工厂设备1的森吉米尔轧机中的轧制时的板形状进行检测的形状检测器的形状检测器数据作为输入，并作为实绩数据Si。然后，控制输入数据生成部2通过形状偏差PP值运算部210求出各形状检测器区域的检测结果的最大值与最小值的差即形状偏差PP值(Peak To Peak值)SPP。
形状偏差阶段运算部211根据形状偏差PP值SPP，将形状偏差分类为大、中、小的3个阶段。形状是被轧制材料的伸长率的板宽方向分布，使用以10-5单位表示伸长率的I-UNIT作为单位。例如，如以下的数学式所示那样进行分类。
在此，以如下方式进行分类：根据[数式1]的成立，形状偏差阶段为(大＝1，中＝0，小＝0)，根据[数式2]的成立，形状偏差阶段为(大＝0，中＝1，小＝0)，根据[数式3]的成立，形状偏差阶段为(大＝0，中＝0，小＝1)。关于各区域的形状偏差，使用设为SPM＝SPP的SPM来执行标准化。
[数式1]
SPP≥50I-UNIT
[数式2]
50I-UNIT＞SPP≥10I-UNIT
[数式3]
10I-UNIT＞SPP
如以上那样，控制输入数据生成部2生成向神经网络101的输入数据即标准化形状偏差201和形状偏差阶段202。标准化形状偏差201和形状偏差阶段202是控制规则执行部10的输入数据S1。
图11表示控制输出运算部3的结构。
控制输出运算部3根据控制规则执行部10内的、来自神经网络101的输出即控制操作端操作指令S2，生成向各形状控制操作端的操作指令即控制操作量S3。在森吉米尔轧机的形状控制的情况下，控制操作端操作指令S2相当于AS-U操作程度301、第一中间操作程度302。
在图11中，关于存在多个数量的AS-U操作程度301、第一中间操作程度302，示出了各1个数据例，各数据由开方向程度和闭方向程度的一对数据构成。
在控制输出运算部3内，输入的AS-U操作程度301具有各AS-U开方向、闭方向的输出，因此它们的差由减法器303算出。然后，通过乘法器304将减法器303的输出与变换增益GASU相乘，由此生成向各AS-U的操作指令并输出。由于向各AS-U的控制输出为AS-U位置变更量(单位为长度)，所以变换增益GASU为从程度向位置变更量的变换增益。
同样地输入的第一中间操作程度302具有第一中间外侧、内侧的输出，因此它们的差由减法器305计算。然后，通过乘法器306将减法器305的输出与变换增益G1ST相乘，由此生成针对各第一中间辊移位的操作指令并输出。由于向各第一中间辊的控制输出为第一中间辊移位位置变更量(单位为长度)，所以变换增益G1ST为从程度向位置变更量的变换增益。
根据以上内容，控制输出运算部3能够运算控制操作量S3。控制操作量S3由#1～#nAS-U位置变更量(n基于AS-U辊的鞍座数)、上第一中间移位位置变更量、下第一中间移位位置变更量构成。
图12表示在控制输出良好与否判定执行部17、状态变化规则学习部31以及良好与否判定误差验证部34中使用的用于森吉米尔轧机的状态变化预测的情况下的神经网络结构。这里的神经网络在用于控制输出良好与否判定执行部17时是神经网络171，在用于状态变化规则学习部31时是神经网络311，在用于良好与否判定误差验证部34时表示神经网络341，但结构都相同。
根据控制对象工厂设备1的控制实绩数据Si，从控制设备位置等轧制状态变量和控制操作量S3或后述的选择控制操作量S8、或使轧制实绩数据Si时间延迟后的数据中提取控制操作量，并作为向输入层的输入。从该控制操作量S3或轧制实绩数据Si提取出的控制操作量或选择控制操作量S8由各控制操作设备的操作量构成。轧制状态变量可以使用轧制速度、各控制设备的位置的数据等对预测控制操作后的状态变化造成影响大的状态量。
另外，输出层输出将控制操作输出到控制对象工厂设备1时预测出的形状变化量S20或形状变化的监督数据S13c。适时设定中间层的层数及各层的神经元数。
在本例的工厂设备控制中，针对以上说明的图12那样的结构的神经网络171、311、341，学习相对于控制设备位置变化的形状变化，使用学习后的神经网络执行形状变化的预测。即使是相同结构的神经网络，根据用于学习的实绩数据也成为不同的特性，能够针对相同的控制设备位置变化发生不同的形状变化。
因此，根据轧制实绩数据的其他条件来区分使用多个神经网络，由此能够对多种条件执行最佳的形状变化预测。这对应于规格B。之前说明的图3的结构表示进行这样的规格的情况下的具体例。
即，在图3的结构例中，根据被轧制材料的钢种类、板宽等，将在控制输出良好与否判定执行部17中使用的神经网络171准备为不同的神经网络，并预先登记到状态变化规则数据库DB5中。神经网络选择部172选择符合该时间点的条件的神经网络，并设定为控制输出良好与否判定执行部17的神经网络171。
此外，作为神经网络选择部172中的该时间点的条件，可以从控制对象工厂设备1中的实绩数据Si中取入板宽的数据，并根据该数据来选择神经网络。另外，这里使用的多个神经网络只要具有图12所示那样的输入层、输出层，则中间层的层数、各层的单元数也可以不同。
图13表示控制结果良好与否判定部6的动作。在形状变化良好与否判定部602中，使用[数式4]所示的良好与否判定评价函数Jc。
[数式4]
εpred(i)＝ε∫b(i)+εchg(i)
Figure BDA0003547643530000231
在该[数式4]中，εchg(i)是神经网络171所输出的预测形状变化量S21，εfb(i)是实绩数据Si中包含的形状偏差实绩数据，εpred(i)是控制操作后的预测形状偏差，wC(i)是良好与否判定用的板宽方向权重系数。在此，良好与否判定用的权重系数wC(i)根据与控制的优先级相关的规格A1、A2而从良好与否判定数据库DB4设定。根据良好与否判定评价函数Jc，判定控制结果的良好与否。
在阈值条件(LCU≥0≥LCL)的基础上预先设定阈值上限LCU和阈值加减LCL。此时，如果与良好与否判定评价函数Jc的比较的结果是Jc＞LCU，则良好与否判定推定值S9(S11)＝0(形状变差)，如果是Jc＜LCL，则良好与否判定推定值S9(S11)＝1(形状变好)，如果是LCU≥0≥LCL，则良好与否判定推定值S9(S11)＝-1(良好与否判定的对象以外)。
在此，为了决定阈值上限LCU和阈值加减LCL，从良好与否判定误差数据库中读出与在控制规则执行部中使用的神经网络编号对应的良好与否判定误差数据S28，参照神经网络n的良好与否判定标准误差εn和验证结果标志fn。验证结果标志fn表示验证是否以足够的数据数实施，在验证未达到充分的数据数的情况下，良好与否判定的值的可靠性低，因此不使用较好，将阈值上限LCU和阈值加减LCL设定为充分大的值并在全部的情况下判定为良好与否判定推定值S9(S11)＝-1(良好与否判定的对象以外)。在验证达到了足够的数据数的情况下，以良好与否判定标准误差为基准来设定阈值上限LCU和阈值加减LCL，由此能够进行处于判定精度的阈值设定。
IF flagn＝0,THEN LCU＝-LCL＝thbig
IF flagn＝1,THEN LCU＝-LCL＝εn
在该阈值设定中，thbig设定充分大的值。虽然将阈值上限LCU和阈值加减LCL的绝对值设为标准误差，但能够根据情况变更为标准误差的2倍或0.5倍等，由此调节控制输出的可靠性。
这样，根据关于控制的优先级的规格A1、A2，板宽方向的权重系数wC(i)变化，因此与良好与否判定评价函数Jc不同。因此，可认为良好与否判定推定值S9(S11)的判定结果也不同。因此，良好与否判定规则学习单元22针对关于控制的优先级的规格A1、A2这2种，执行良好与否判定推定值S9(S11)的判定。
图14表示新搜索操作量运算部33中的操作量运算方法。
新搜索操作量运算部33使用由控制输出良好与否判定执行部17输出的控制输出良好与否判定推定值S9，按照以下的方针运算新搜索控制操作量S12。
即，在控制输出良好与否判定推定值S9＝1时，良好地推定控制操作的良好与否判定，因此新搜索操作量运算部33进行作为新搜索操作量的微调整。
在控制输出良好与否判定推定值S9＝0时，控制操作的良好与否判定被较差地推定，因此新搜索操作量运算部33通过大幅变更控制操作来进行新的适当的操作方法的搜索。
在控制输出良好与否判定推定值S9＝-1时，由于是良好与否判定的对象以外，所以不实施变更控制操作。
根据以上方针，如以下那样设定求出新搜索操作量Crand的式子。
IF(S9＝1)THEN Crand＝Cref*(1+β*th1)
IF(S9＝0)THEN Crand＝Cref+γ*th2*G
IF(S9＝-1)THEN Crand＝Cref
在此，β和γ表示在-1～1之间产生的随机值。th1表示进行微调整的程度，例如，在将原本的指令的±10％的范围设为微调整的情况下，将th1设定为0.1。
th2是将操作方法大幅变更的程度的设定，例如在将th2设为0.1的情况下，在原本的指令中加上10％的偏移，产生操作极性改变的可能性、输出原本没有操作的设备的指令的情况。
β及γ的值在各操作设备中使用不同的值，各设备的操作量分别独立地进行变更。G表示各控制操作设备的最大操作位置控制指令，通过与上述的指令％相乘，将％的值变换为操作位置控制指令。
控制输出操作方法选择部18选择控制操作量S3或新搜索控制操作量S12，并作为选择控制操作量S8输出。作为概率性地决定选择控制操作量S3和新搜索控制操作量S12中的哪一个的情况，能够由用户以0～1设定使用新搜索控制操作量S12的概率Prand。使用随机地取得从0至1的值而得的值δ，由下式决定。
IF(δ>Prand)THEN C″ref＝Cref、α＝1
ELSE C″ref＝Crand、α＝0
在此，C″ref表示控制输出操作方法选择部18输出到以后的运算部的选择控制操作量S8。δ在所有设备操作量的运算中使用共同的值，在所有设备中都使用相同侧的操作量。α是控制方法选择标志S14，在选择了控制操作量S3的情况下取1，在选择新搜索控制操作量S12的情况下取0。该控制方法选择标志S14与选择控制操作量S8一起向以后的运算部输出。作为Prad的设定方法，在实机中的控制中通过随机的操作在不想给工厂设备带来风险的情况下设定为0，为了改善控制规则，在想要输出新搜索用操作量的情况下设定0以外的比例。
图15表示控制输出判定部5的结构。
控制输出判定部5由轧制现象模型501和形状修正良好与否判定部502构成。然后，控制输出判定部5得到来自控制对象工厂设备1的实绩数据Si、来自控制输出运算部3的控制操作量S3以及输出判定数据库DB3的信息，向控制操作端提供控制操作量输出可否数据S4。
这样的结构的控制输出判定部5将由控制输出操作方法选择部18运算出的选择控制操作量S8输入到已知的控制对象工厂设备1的模型，由此预测向作为控制对象工厂设备1的轧机输出的情况下的形状的变化。已知的控制对象工厂设备1的模型在此是轧制现象模型501。在该预测中，在预测为形状恶化的情况下，控制输出判定部5抑制控制操作量输出SO，防止形状大幅恶化。
更详细而言，控制输出判定部5将选择控制操作量S8输入到轧制现象模型501，预测由选择控制操作量S8引起的形状变化，运算形状偏差修正量预测数据503。
另一方面，控制输出判定部5通过对来自控制对象工厂设备1的形状检测器数据Si加上形状偏差修正量预测数据503来得到形状偏差预测数据505，并评价形状偏差预测数据505。由此，控制输出判定部5在将控制操作量S3输出到控制对象工厂设备1时，能够预测形状如何变化。这里的形状检测器数据Si是当前时间点的形状偏差实绩数据504。
控制输出判定部5中，根据现状的形状偏差实绩数据504和形状偏差预测数据505，形状修正良好与否判定部502判定是向形状变好的方向变化还是向变差的方向变化，得到控制操作量输出可否数据S4。
具体而言，形状修正良好与否判定部502如以下那样进行形状修正的良好与否判定。首先，如关于形状控制的优先级的规格A、B所示，为了考虑板宽方向上的控制优先级，在输出判定数据库DB3中，针对规格A1、规格A2的各规格预先设定板宽方向的权重系数w(i)。使用该权重系数，例如使用下述的[数式4]那样的评价函数J来判定形状变化的良好与否。此外，在[数式4]中，w(i)是权重系数，εfb(i)是形状偏差实绩数据504，εest(i)是形状偏差预测数据505，i是形状检测器区域，rand是随机数项。
[数式5]
Figure BDA0003547643530000271
在使用了[数式5]的评价函数J的情况下，形状变好时评价函数J为正，变差时评价函数J为负。另外，rand是随机数项，使评价函数J的评价结果随机地变化。由此，即使在形状恶化的情况下，也会发生作为评价函数J而成为正的情况，因此即使在轧制现象模型501不正确的情况下，也能够学习形状模式与控制方法的关系。
在此，如试运转最初那样控制对象工厂设备1的模型不可靠的情况下，随机项rand使最大值增大，在以某种程度学习控制方法而想要执行稳定的控制的情况下，以变为0的方式适当地变更随机项rand。
形状修正良好与否判定部502运算评价函数J，在J≥0时，控制操作量输出可否数据S4＝1(可)，在J＜0时，控制操作量输出可否数据S4＝0(否)，输出控制操作量输出可否数据S4。
如已经说明的那样，在控制输出良好与否判定执行部17中，从控制对象工厂设备1的控制实绩数据Si输入控制设备位置等轧制实绩数据以及选择控制操作量S8，输出控制结果良好与否判定推定值S11。控制结果良好与否判定推定值S11在推定为控制的结果变好的情况下取1，在推定为变差的情况下取0，在良好与否判定对象以外的情况下取-1的值。
控制输出抑制部4根据作为控制输出判定部5的判定结果的控制操作量输出可否数据S4以及控制结果良好与否判定推定值S11，决定有无向控制对象工厂设备1输出控制操作量输出SO。控制操作量输出可否数据S4是#1～#nAS-U位置变更量输出、上第一中间移位位置变更量输出、下第一中间移位位置变更量输出，在以下的条件下决定。
IF(控制方法选择标志＝1)THEN
IF(控制操作量输出可否数据S4＝0OR控制结果良好与否判定推定值S11＝0)THEN
#1～#nAS-U位置变更量输出＝0
上第一中间移位位置变更量输出＝0
下第一中间移位位置变更量输出＝0
ELSE
#1～#nAS-U位置变更量输出＝#1～#nAS-U位置变更量
上第一中间移位位置变更量输出＝上第一中间移位位置变更量
下第一中间移位位置变更量输出＝下第一中间移位位置变更量
ENDIF
ELSE
IF((控制操作量输出可否数据S4＝0OR控制结果良好与否判定推定值S11＝0)AND(PTRIAL＜η))THEN
#1～#nAS-U位置变更量输出＝0
上第一中间移位位置变更量输出＝0
下第一中间移位位置变更量输出＝0
ELSE
#1～#nAS-U位置变更量输出＝#1～#nAS-U位置变更量
上第一中间移位位置变更量输出＝上第一中间移位位置变更量
下第一中间移位位置变更量输出＝下第一中间移位位置变更量
ENDIF
ENDIF
另外，η是以0～1取随机值的变量，PTRIAL表示将输出抑制无效化而使新搜索操作向工厂设备输出的概率。在控制方法选择标志S14为0时，包含验证未知的区域中的控制方法的效果的情况，因此，以一定的概率忽略对工厂设备的输出抑制而向工厂设备进行输出。
在上述的例子中，示出了使用作为控制输出判定部5的判定结果的控制操作量输出可否数据S4以及控制结果良好与否判定推定值S11这两者的形式，但也考虑根据控制对象无法充分得到设备的信息而无法构建使用了控制对象的模拟的控制输出判定部5的控制操作量输出可否数据S4的情况。在该情况下，仅使用控制结果良好与否判定推定值S11来实施以下的处理。
IF(控制方法选择标志＝1)THEN
IF(控制结果良好与否判定推定值S11＝0)THEN
#1～#nAS-U位置变更量输出＝0
上第一中间移位位置变更量输出＝0
下第一中间移位位置变更量输出＝0
ELSE
#1～#nAS-U位置变更量输出＝#1～#nAS-U位置变更量
上第一中间移位位置变更量输出＝上第一中间移位位置变更量
下第一中间移位位置变更量输出＝下第一中间移位位置变更量
ENDIF
ELSE
IF((控制结果良好与否判定推定值S11＝0)AND(PTRIAL＜η))THEN
#1～#nAS-U位置变更量输出＝0
上第一中间移位位置变更量输出＝0
下第一中间移位位置变更量输出＝0
ELSE
#1～#nAS-U位置变更量输出＝#1～#nAS-U位置变更量
上第一中间移位位置变更量输出＝上第一中间移位位置变更量
下第一中间移位位置变更量输出＝下第一中间移位位置变更量
ENDIF
ENDIF
在控制执行单元20中，根据来自控制对象工厂设备1(轧机)的实绩数据Si执行上述的运算，将控制操作量输出SO输出到控制对象工厂设备1(轧机)，由此执行形状控制。另外，控制方法学习单元21使用在控制执行单元20中使用了的数据。
接着，对学习数据生成部801所进行的动作进行说明。
如图1所示，学习数据生成部801基于来自控制输出良好与否判定规则执行部17的控制结果良好与否判定推定值S11，从控制操作端操作指令S2、选择控制操作量S8、控制方法选择标志S14、控制输出抑制部的判定结果(控制操作量输出可否数据S4)，生成针对在控制规则学习部802中使用的神经网络111的监督数据S7a。
该情况下的监督数据S7a成为图8所示的来自神经网络111的输出层的输出即AS-U操作程度301、一中间操作程度302。学习数据生成部7使用作为神经网络101的输出的控制操作端操作指令S2(AS-U操作程度301、一中间操作程度301)、作为选择控制操作量S8的#1～#nAS-U位置变更量输出、上第一中间移位位置变更量输出、下第一中间移位位置变更量输出，生成针对在控制规则学习部802中使用的神经网络111的监督数据S7a。
在说明学习数据生成部801的动作时，图16表示图11所示的控制输出运算部3中的各部数据、符号的关系。在此，针对作为神经网络101的输出的控制操作端操作指令S2，代表性地示出AS-U操作程度301，将操作程度正侧的数据设为OPref，将操作程度负侧的数据设为OMref，将变换增益设为G，将控制操作量输出S3设为Cref。
操作程度正数据OPref、操作程度负数据OMref由减法器701取得差，由乘法器702乘以变换增益G，得到控制操作量输出Cref。该控制操作量输出Cref被提供给控制输出操作方法选择部18，得到所选择的操作指令值C″ref。
在此，为了方便，将来自控制规则执行部10的神经网络101的输出层的输出设为操作程度正侧以及操作程度负侧。
图17表示学习数据生成部7中的处理阶段和处理内容。
在最初的处理阶段71中，操作指令值C″ref参照作为控制输出操作方法选择部18的输出值的选择控制操作量S8。
在接下来的处理阶段72中，根据控制结果良好与否判定推定值S11、控制操作量输出可否数据S4以及控制方法选择标志14，修正操作指令值C″ref并设为C′ref。具体而言，在(控制结果良好与否判定推定值S11＝0或控制操作量输出可否数据＝0)且控制方法选择标志S14＝1时，通过以下的[数式6]，在控制结果良好与否推定值S10＝1且控制操作量输出可否数据＝1时以下，通过以下的[数式7]，设为操作指令值C″ref的修正值C′ref。此外，在(控制结果良好与否判定推定值S11＝0或控制操作量输出可否数据＝0)且控制方法选择标志S14＝0时，选择新搜索方法，在判定为控制效果低的情况下，不实施新的监督数据的生成。
[数式6]
IF C″ref>0THEN C’ref＝C″ref-Δcref
IF C″ref<0THEN C’ref＝C″ref+Δcref
[数式7]
IF C″ref>0THEN C’ref＝C″ref+Δcref
IF C″ref<0THEN C’ref＝C″ref-Δcref
在处理阶段73中，根据修正后的操作指令值C′ref，通过[数式8]求出操作程度修正量ΔOref。
[数式8]
Figure BDA0003547643530000311
在处理阶段74中，通过[数式9]求出向神经网络111的监督数据OP′ref、OM′ref。
[数式9]
Figure BDA0003547643530000312
这样，在学习数据生成部7中，如图16所示，根据控制输出良好与否判定规则执行部17的控制结果良好与否判定推定值S11、控制输出抑制部4的控制操作量输出可否数据S4、控制方法选择标志S14，针对实际对控制对象工厂设备1输出的操作指令值C″ref运算操作指令值修正值C′ref。
具体而言，在控制结果良好与否推定值S11＝1且控制操作量输出可否数据S4＝1的情况下，在判断为是良好的操作的情况下，使操作指令值向相同的方向增加ΔCref。
相反，在控制结果良好与否推定值S11＝0或控制操作量输出可否数据S4＝0的情况下，在判断为是不好的操作的情况下，在控制方法选择标志为0且选择了基于控制规则执行部10的输出的操作量的情况下，以使操作指令值向反方向减少ΔCref的方式生成新的监督数据。由于变换增益G是预先设定的值因而已知，所以如果知道操作程度正侧以及操作程度负侧的值，则能够求出修正量ΔOref。在此，ΔCref预先通过模拟等求出适当的值，并进行设定。通过以上的步骤，在控制规则学习部802中使用的监督数据OP′ref、OM′ref能够通过[数式9]求出。
此外，在图16中以简单的例子进行了说明，但实际上对于针对#1～#nAS-U的AS-U操作程度301以及针对上第一中间辊移位、下第一中间辊移位的第一中间操作程度302的全部来执行，作为在控制规则学习部802中使用的神经网络111的监督数据(AS-U操作程度监督数据、一中间操作程度监督数据)。
图18表示在学习数据数据库DB2中保存的数据的例子。
为了学习神经网络111，需要多个输入数据S8a和监督数据S7a的组合。将由学习数据生成部7生成的监督数据S7a和由控制执行单元20输入到控制规则执行部10的输入数据S1(S8a)组合而成的一组学习数据积累于学习数据数据库DB2。此处的监督数据S7a是AS-U操作程度监督数据、第一中间操作程度。另外，输入数据S1(S8a)是标准化形状偏差201以及形状偏差阶段。
此外，图1的工厂设备控制系统使用各种数据库DB1、DB2、DB3、DB4，但各数据库DB1、DB2、DB3、DB4通过神经网络管理表TB而关联地管理运用。
图19表示神经网络管理表TB的结构。
神经网络管理表TB根据(B1)板宽、(B2)钢种类以及关于控制的优先级的规格A1、A2来划分规格。作为(B1)板宽，例如使用3英尺宽、米宽、4英尺宽、5英尺宽的4个划分，作为钢种类，使用钢种类(1)～钢种类(10)的10个划分左右。另外，针对关于控制的优先级的规格A，设为A1以及A2这2种。在该情况下，成为80个划分，根据轧制条件分开使用80个神经网络来使用。
神经网络学习控制部112按照图19所示的神经网络管理表TB，将图18所示的、作为输入数据和监督数据的组合的学习数据与相应的神经网络No.相关联地存储在图20所示的学习数据数据库DB2中。
每当对控制对象工厂设备1执行形状控制时，控制执行单元20生成2组学习数据。这是因为，对于相同的输入数据、控制输出，使用关于控制的优先级的规格A1以及规格A2这2个评价基准来进行控制结果良好与否判定，因此生成2种监督数据。如果监督数据累积到一定程度(例如200组)，或者新累积在学习数据数据库DB2中，则神经网络学习控制部112指示神经网络111学习。
在控制规则数据库DB1中，按照图19所示的管理表TB存储有多个神经网络。神经网络学习控制部112指定需要学习的神经网络No.，神经网络选择部113从控制规则数据库DB1中取出该神经网络，并设定为神经网络111。
神经网络学习控制部112从学习数据数据库DB2向输入数据生成部114以及监督数据生成部115指示与相应的神经网络对应的输入数据以及监督数据的取出，使用这些数据来执行神经网络111的学习。此外，神经网络的学习方法提出了各种方法，也可以使用任意的方法。
若神经网络111的学习完成，则神经网络学习控制部112通过将作为学习结果的神经网络111写回到控制规则数据库DB1的相应的神经网络No.的位置，从而完成学习。
学习既可以针对如图19所示那样定义的全部神经网络而以恒定时间间隔(例如每1天)一齐执行，也可以仅针对累积有一定程度(例如100组)的新的学习数据的神经网络No.的神经网络而在该时间点学习。
接着，对状态变化规则学习单元22的动作进行说明。
状态变化规则学习单元22使用控制对象工厂设备1的轧制实绩数据Si的时间延迟数据。这里的时间延迟Z-1是指e-TS，表示延迟预先设定的时间T。
由于控制对象工厂设备1具有时间响应，因此从控制设备位置的变化到实绩数据发生变化为止存在时间延迟。因此，学习中使用从控制设备位置变化后经过了延迟时间T的时间点的实绩数据减去控制设备位置变化前的实绩数据而计算出的形状变化量。
在形状控制中，在输出对AS-U或第一中间辊的操作指令后，直到形状计检测到形状变化为止需要几秒，因此优选设定为T＝2秒～3秒左右。此外，延迟时间也会根据形状检测器的种类、轧制速度而变化，因此优选将控制操作端的变更成为形状变化为止的最佳时间设定为T。
在控制操作后，将从经过了延迟时间T的时间点的实绩数据提取出的形状偏差减去从控制设备位置变化前的实绩数据提取出的形状偏差而由此计算出的形状变化量，用作针对神经网络311的监督数据S13a。
图21表示在学习数据数据库DB6中保存的数据例。
为了学习神经网络311，需要多个输入数据S12a和监督数据S13a的组合。因此，将监督数据S13a(形状变化量数据)和从时间延迟后的轧制实绩数据Si中提取了轧制状态变量和控制操作量而得的输入数据S12a组合而成的一组学习数据累积到学习数据数据库DB6中。
在此，轧制状态变量选择对因控制操作而发生形状变化的倾向影响大的轧制状态变量，从轧制实绩数据Si中提取。例如，轧制速度、控制设备位置、轧机前后的张力等对由控制操作引起的形状变化的倾向造成的影响大，因此优选选择。但是，若过度增加轧制状态变量则学习的关系变得复杂，所需的学习数据数增加，结果，神经网络的学习所需的时间增加，或者神经网络的结构变得复杂，使得计算负荷变大，在控制运算中产生延迟，因此可以根据使用条件而从影响很大的变量中优先选择。
此时，学习数据不是以一定的比率保存在学习数据数据库DB6中，而是保存在验证数据数据库DB7中，能够用于良好与否判定规则精度验证部34中的良好与否判定规则验证。图22表示在验证数据数据库DB8中保存的数据例。除了与学习数据同样的输入数据和监督数据的组合以外，还保存作为追加数据而从时间延迟后的轧制实绩数据Si中提取出的变化前形状偏差和神经网络No.。
此外，图1的工厂设备控制系统使用各种数据库DB5、DB6，但在图23中示出用于将各数据库DB5、DB6关联地管理运用的神经网络管理表TB2的结构。
具体而言，如图23所示，管理表TB2根据(B1)板宽、(B2)钢种类来划分规格。作为(B1)板宽，例如使用3英尺宽、米宽、4英尺宽、5英尺宽的4个划分，作为钢种类，使用钢种类(1)～钢种类(10)的10个划分左右。在该情况下，成为10个划分，根据轧制条件分开使用40个神经网络来使用。
神经网络学习控制部312按照图23的神经网络管理表TB2，将图21所示的、作为输入数据和监督数据的组合的学习数据与相应的神经网络No.相关联地存储在图24所示的学习数据数据库DB6中。
在控制对象工厂设备1中，每当形状控制设备一定以上地动作时，生成学习数据。如果监督数据累积到某种程度(例如200组)，或者新累积在学习数据数据库DB6中，则神经网络学习控制部312指示神经网络311的学习。
状态变化规则数据库DB5按照图21所示的管理表TB2来存储多个神经网络。然后，神经网络学习控制部312指定需要学习的神经网络No.，神经网络选择部313从状态变化规则数据库DB5取出相应的神经网络，并设定为神经网络311。神经网络学习控制部312从学习数据数据库DB6取出与相应的神经网络对应的输入数据以及监督数据，指示输入数据生成部314以及监督数据生成部315，使用这些数据执行神经网络311的学习。此外，神经网络的学习方法提出了各种方法，也可以使用任意的方法。
若神经网络311的学习完成，则神经网络学习控制部312将作为学习结果的神经网络311写回到控制规则数据库DB6的该神经网络No.的位置，由此完成学习。
学习针对由图23所示的管理表TB2中定义的全部神经网络而以恒定时间间隔(例如每1天)一齐执行。或者，也可以仅针对累积有某种程度(例如100组)的新的学习数据的神经网络No.的神经网络，在该时间点进行学习。
另外，通过在状态变化规则的输入数据中包含钢种类、板宽这样的轧制材料的信息，也能够包含规格B引起的形状变化倾向的差异而在1个神经网络中学习。在该情况下，在执行状态变化规则时不需要根据轧制条件来切换状态变化规则。
良好与否判定误差验证部34与控制输出良好与否判定执行部17同样地，具备仅进行一个方向的运算的神经网络341。验证用数据生成部343从验证数据数据库DB8读出从时间延迟后的轧制实绩数据Si中提取出的轧制状态变量和控制操作量作为验证用输入数据S24，并输出到神经网络341。然后，神经网络341输出预测形状变化S25。同时，验证用数据生成部343从验证数据数据库DB8读出形状变化和变化前形状偏差作为良好与否变换用验证数据S23，并输出到状态变化良好与否变换部344。
状态变化良好与否变换部344从验证用数据生成部343接收形状变化和变化前形状偏差作为良好与否变换用验证数据S23，从上述神经网络341接受基于验证数据的输入数据的预测形状变化S25。状态变化良好与否变换部344通过以下的式子，如以下的[数式10]所示那样，求出基于监督数据的控制设备位置变化后的形状偏差spda(i)和基于神经网络的输出的控制设备位置变化后的预测形状偏差
Figure BDA0003547643530000361
在此，spd是在良好与否变换用验证数据S23中包含的变化前形状偏差，Δsp是在良好与否变换用验证数据S23中包含的形状变化，
Figure BDA0003547643530000362
表示预测形状变化S25，i表示板宽方向的形状检测器编号。
[数式10]
spda(i)＝spd(i)+Δsp(i)
Figure BDA0003547643530000363
并且，状态变化良好与否变换部344通过以下的[数式11]，运算良好与否评价值eva和基于神经网络的输出的良好与否评价值evp。在此，wc表示保存在良好与否判定数据库DB4中的板宽方向的权重。在此，针对规格A的每一个，运算基于监督数据的良好与否评价值eva和基于神经网络的输出的良好与否评价值evp，与规格A的信息一起保管于图25所示那样的良好与否评价值数据库DB9。
[数式11]
Figure BDA0003547643530000364
Figure BDA0003547643530000365
良好与否判定误差运算部345基于按照保管于良好与否评价值DB9中的每一个验证数据而运算出的基于监督数据的良好与否评价值eva和基于神经网络的输出的良好与否评价值evp，通过以下的式子，针对每个神经网络No.、规格A的每一个，实施良好与否判定标准误差ε以及验证结果标志flag的运算。在此，n表示验证数据数。th是验证数据数是否充分的判定阈值，在验证数据数小于阈值的情况下，设为flag＝0(验证不充分)，控制执行单元20的控制输出判定执行部17在利用良好与否判定误差数据库DB7时可知晓状态变化规则的验证还未完成。将这样求出的每个神经网络No.、每个规格A的良好与否判定标准误差ε以及验证结果标志flag保存到图26所示那样的良好与否判定误差数据库DB7中。
[数式12]
Figure BDA0003547643530000371
IF n≥th THEN flag＝1
IF n＜th THEN flag＝0
如以上说明的那样，为了改善控制对象工厂设备1的控制规则，在无法学习控制结果良好的控制操作的情况下，大幅变更控制操作。另外，在控制结果良好的情况下，取入为新的控制操作方法。并且，在能够学习控制结果良好的控制操作的情况下，不变更控制操作而停留在较小的变更中。而且，在针对这些控制操作的控制结果良好的情况下，取入为新的控制操作方法是有效的。
并且，通过基于实机数据来学习控制设备的位置变化和形状变化的组合，与使用了机械模型的模拟器相比，能够与工厂设备状态相匹配地高精度地推定控制结果的良好与否，能够通过定期的自动学习而始终构建适合于最新的工厂设备状态的模型。
另外，通过推定控制结果的良好与否判定，能够提高现有技术中仅在简易的机械模型中进行的对工厂设备的控制输出抑制功能的可靠性。
另外，以往在一次的控制结果的良好与否判定中进行的控制规则学习数据的生成在本例的情况下，通过推定控制结果的良好与否判定，能够抑制工厂设备数据所包含的噪声的影响，效果小的微调整也能够作为学习数据的对象。并且，根据本例，通过防止控制效果的误判定，能够抑制学习数据的变动，实现控制性能的稳定。
此外，在控制规则数据库DB1中存储有在控制执行单元20中使用的神经网络。在此，在所存储的神经网络仅通过随机数执行初始处理的情况下，进行神经网络的学习，花费时间直到能够进行相应的控制。因此，在对控制对象工厂设备1构建了控制部时，基于在该时间点判明的控制对象工厂设备1的控制模型，预先通过模拟来执行控制规则的学习。并且，通过将模拟器中的学习完成后的神经网络存储于数据库，能够从控制对象工厂设备的启动开始执行某种程度的性能的控制。
或者，基于实机中的操作数据的实绩数据，通过状态变化规则学习单元22学习状态变化规则，由此即使不进行对实机的控制，也能够进行基于控制规则的输出的良好与否判定的推定，能够进行基于该推定的控制规则的学习，能够在向控制对象工厂设备应用前执行某种程度的性能的控制。
图27表示作为本例的工厂设备控制系统具备进行控制规则的评价处理的控制规则评价单元23的情况下的结构。
控制规则评价单元23具备控制规则良好与否判定数据收集部35、控制规则评价数据运算部36、控制规则数据库更新部37、控制规则评价数据数据库DB10、以及控制规则评价值数据库DB11。
控制规则评价单元23在控制执行单元20的控制规则执行部中设定了想要评价性能的控制规则的状态下，进行针对控制输入数据S2的控制输出的运算，在控制输出良好与否判定执行部17中，使用推定出的控制输出良好与否判定推定值S9，实施控制规则的评价。
控制规则评价单元23中，作为进行了控制规则的评价的结果，与应用于当前控制的控制规则的评价进行比较，在进行了本次评价的新的控制规则为较高的评价的情况下，为了将新的控制规则应用于控制，更新数据库管理表TB中的神经网络编号。以下，示出控制规则评价单元23中的处理内容。
控制规则良好与否判定数据收集部35从控制输出良好与否判定规则执行部17接收控制输出良好与否判定推定值S9。然后，在控制输出良好与否判定推定值S9不是-1(判定对象以外)的情况下，控制规则良好与否判定数据收集部35将控制执行单元20中使用的评价对象神经网络No.、控制规则编号选择条件(规格A、B)、判定次数、控制输出良好与否判定推定值S9作为控制规则良好与否判定数据S16，保存在控制规则评价数据数据库DB10中。作为评价对象神经网络No.，在作为本次评价对象的控制规则是在未登记于现状控制中应用的数据库管理表TB的控制规则的情况下，从数据库管理表TB中登记的神经网络No.的最后的编号起依次取得连号。图28表示在控制规则评价数据数据库DB10中保存的数据例。在该例子中，将数据库管理表TB中登记的神经网络No.的最后的编号设为100，将新的控制规则设为101～而取得编号。
控制规则良好与否判定数据S16在控制执行单元20中每当进行使用了控制规则的控制输出的运算时得到新的数据，得到的控制规则良好与否判定数据S16保存在控制规则评价数据数据库DB10中。在该情况下，由于按每个控制规则保管大量的数据，所以控制规则评价数据数据库DB10决定在各控制规则中保管的数据的上限，在成为一定以上的情况下删除旧的数据，保管新的数据。
控制规则评价数据运算部36从控制规则评价数据数据库DB10中，一并取出按照每个控制规则、每个规格条件(A、B)累积了的控制规则良好与否判定数据S17，运算控制输出良好与否判定推定值S9的平均值。所求出的平均值成为控制规则输出的整体的次数中输出了良好的操作的次数的比例，将该值用作评价控制规则的性能的指标。
控制规则评价数据运算部36将通过上述方法计算出的控制规则评价数据S18保存在控制规则评价值数据库DB11中。图29表示在控制规则评价值数据库DB11中保存的数据例。保存以B1、B2、A的规格应用了控制规则的情况下的控制规则评价数据S18。即使在相同的控制规则中也在不同的期间再次进行评价，由此能够计算与最新的工厂设备的作业状态相应的评价值。在该情况下，通过再评价，计算出的评价值以覆盖以前的评价值的形式更新数据库。
在数据库管理表TB中，一个一个地登记有根据条件使用的神经网络No.(控制规则)。与此相对，在控制规则评价值数据库DB9中，针对同一条件管理多个控制规则的评价值。控制规则数据库更新部37参照控制规则评价值数据库DB11，将数据库管理表TB中登记的神经网络No.(控制规则)的控制规则评价值与应用于该条件的情况下的其他控制规则的控制规则评价值进行比较，将其中评价值最高的控制规则决定为对今后控制应用的控制规则，更新为数据库管理表TB的神经网络No.(控制规则)。
图27所示的工厂设备控制系统的其他部位与图1所示的工厂设备控制系统同样地构成。但是，在图27所示的工厂设备控制系统的情况下，图1所示的工厂设备控制系统在实施工厂设备的控制的背面侧，能够作为离线系统而使用轧制实绩数据Si进行评价，或者能够将控制对象工厂设备1设为过去实绩数据，控制规则评价单元23基于该过去实绩进行评价。在该情况下，控制执行单元20不需要实际执行控制对象工厂设备1。具体而言，不需要从控制输出抑制部4向控制对象工厂设备1供给控制输出量S0。
根据该图27所示的工厂设备控制系统，在控制规则执行部10中设定想要执行评价的控制规则，并将过去的实绩数据作为Si来提供，由此，即使实际上不对控制对象工厂设备1进行控制输出，也能够更新控制规则评价值数据库DB11以及数据库管理表TB。
<变形例>
此外，本发明并不限定于上述的各实施方式例，包括各种变形例。例如，上述的实施方式例是为了容易理解地说明本发明而详细地进行了说明的例子，并不限定于必须具备所说明的全部结构。
例如，图1、图27所示的工厂设备控制系统构成为具备进行数据的生成、学习、控制等处理的处理部。该图1、图27所示的控制执行单元20、控制方法学习单元21、良好与否判定规则学习单元22、控制规则评价单元23也可以由处理器实现各自的功能的程序(软件)来构成，使计算机执行程序。图30表示该情况下的计算机的结构例。
即，如图30所示，构成各单元20～23的计算机具备分别与总线连接的CPU(CentralProcessing Unit：中央处理单元)a、ROM(Read Only Memory：只读存储器)b、RAM(RandomAccess Memory：随机存取存储器)c。并且，计算机包括非易失性存储装置d和网络接口e。
CPUa是从ROMb读出执行各单元20～23中的处理的软件的程序代码并执行的运算处理部。RAMc中暂时写入在运算处理的中途产生的变量、参数等。在非易失性存储装置d中，例如使用HDD(Hard Disk Drive)、SSD(Solid State Drive)等大容量的信息存储部，存储各单元20～23执行的程序、各数据库的数据等。
此外，各单元20～23也可以分别由不同的计算机构成，也可以在1个等少数量的计算机上安装各程序，并同时执行。
网络接口e例如使用NIC(Network Interface Card：网络接口卡)等，进行与其他单元、控制对象工厂设备1的数据的发送接收。
实现该情况下的各处理功能的程序等的信息除了HDD、SSD等非易失性存储装置d之外，还能够放置在存储器、IC卡、SD卡、光盘等记录介质中。
另外，各单元20～23进行的功能的一部分或全部也可以通过FPGA(FieldProgrammable Gate Array：现场可编程门阵列)或ASIC(Application SpecificIntegrated Circuit：专用集成电路)等硬件来实现。
另外，在图1、图27等所示的框图中，控制线、信息线只是表示说明上需要的，在产品上不一定表示全部的控制线、信息线。实际上也可以认为几乎全部的结构相互连接。
另外，在上述的实施方式例中，作为控制对象工厂设备1，采用了应用于森吉米尔轧机的例子，但本发明能够应用于其他各种工厂设备的控制。应用于森吉米尔轧机的情况下的控制规则也表示一例，本发明并不限定于上述的实施方式例。

Claims (8)

1.一种工厂设备控制系统，其针对控制对象工厂设备识别所述控制对象工厂设备的实绩数据的组合的模式，并执行控制，其特征在于，
所述工厂设备控制系统具备：
控制方法学习单元，其学习所述控制对象工厂设备的实绩数据和控制操作的组合；控制执行单元，其根据所述控制方法学习单元学习到的实绩数据和控制操作的组合，执行控制对象工厂设备的控制；以及状态变化规则学习单元，其学习所述控制对象工厂设备的实绩数据、控制操作和控制对象的状态变化的组合，
所述控制执行单元具备：
控制规则执行部，其根据所述控制对象工厂设备的实绩数据和控制操作的确定的组合来提供控制输出；
控制输出良好与否判定执行部，其按照所述控制对象工厂设备的实绩数据、控制操作和控制对象的状态变化的确定的组合，预测控制对象的状态变化，推定所述控制输出的良好与否判定；
新搜索操作量运算部，其根据所述控制输出良好与否判定执行部中的良好与否判定来运算新操作搜索用操作量；以及
控制输出抑制部，其使用所述控制输出良好与否判定执行部中的良好与否判定，在判断为将控制输出向所述控制对象工厂设备输出时所述控制对象工厂设备的实绩数据恶化的情况下，阻止将控制输出向所述控制对象工厂设备输出，
所述状态变化规则学习单元具备：
状态变化规则学习部，其从所述控制对象工厂设备的实绩数据中提取实绩数据和控制操作、以及到所述控制操作的控制效果显现在实绩数据中为止的时间延迟期间的控制对象的状态变化量的组合，生成学习数据，使用所述学习数据进行学习，
所述控制方法学习单元具备：
学习数据生成部，其利用所述控制输出良好与否判定执行部中的所述控制输出的良好与否判定和所述控制输出，得到监督数据；以及
控制规则学习部，其将所述实绩数据和所述监督数据作为学习数据进行学习。
2.根据权利要求1所述的工厂设备控制系统，其特征在于，
所述控制方法学习单元进行学习，由此根据所述控制对象工厂设备的状态对多个控制目标获得分开的实绩数据和控制操作的组合，
将得到的实绩数据和控制操作的组合用作所述控制规则执行部中的所述控制对象工厂设备的实绩数据和控制操作的确定的组合。
3.根据权利要求1所述的工厂设备控制系统，其特征在于，
所述控制输出良好与否判定执行部将所述控制对象工厂设备的实绩数据、控制操作、控制对象的状态变化的确定的组合保持为第一神经网络，
所述状态变化规则学习部将实绩数据、控制操作和控制对象的状态变化的组合保持为第二神经网络，
将由所述状态变化规则学习部中的学习的结果得到的所述第二神经网络用作所述控制输出良好与否判定执行部中的所述第一神经网络。
4.根据权利要求1所述的工厂设备控制系统，其特征在于，
所述状态变化规则学习单元具备：
良好与否判定误差验证部，其根据过去的实绩数据的控制输出的良好与否判定、所述控制对象工厂设备的实绩数据、控制操作和控制对象的状态变化的确定的组合，预测控制对象的状态变化，通过比较控制输出的良好与否判定来运算良好与否判定的误差，
使用由所述良好与否判定误差验证部生成的良好与否判定误差，变更所述控制输出良好与否判定执行部中的控制结果良好与否判定的基准。
5.根据权利要求1所述的工厂设备控制系统，其特征在于，
所述工厂设备控制系统还具备：
控制输出判定部，其基于使用了物理模型的模拟来判定可否进行所述控制输出，
所述控制输出抑制部在使用所述控制输出良好与否判定执行部中的良好与否判定和所述控制输出判定部的控制输出可否判定这两者、或者所述控制输出良好与否判定执行部中的良好与否判定，判断为将控制输出向所述控制对象工厂设备输出时所述控制对象工厂设备的实绩数据恶化的情况下，将控制输出向所述控制对象工厂设备输出。
6.根据权利要求1至5中任一项所述的工厂设备控制系统，其特征在于，
所述工厂设备控制系统还具备控制规则评价单元，
所述控制规则评价单元具有：
控制规则良好与否判定数据收集部，其将所述控制执行单元的所述良好与否判定执行部的良好与否判定数据累积于数据库；以及
控制规则评价数据运算部，其根据累积在所述数据库中的良好与否判定数据来运算控制规则评价数据，
能够不将所述控制执行单元中使用的控制规则输出到所述控制对象工厂设备而进行评价。
7.一种工厂设备控制方法，针对控制对象工厂设备识别所述控制对象工厂设备的实绩数据的组合的模式，由计算机执行所述控制对象工厂设备的控制，其特征在于，
作为所述计算机执行的处理，包括：
控制方法学习处理，学习所述控制对象工厂设备的实绩数据和控制操作的组合；控制执行处理，根据通过所述控制方法学习处理学习到的实绩数据和控制操作的组合，执行控制对象工厂设备的控制；以及状态变化规则学习处理，学习所述控制对象工厂设备的实绩数据、控制操作、控制对象的状态变化的组合和控制结果良好与否的组合，
所述控制执行处理包括：
控制规则执行处理，根据所述控制对象工厂设备的实绩数据和控制操作的确定的组合来提供控制输出；
控制输出良好与否判定执行处理，根据所述控制对象工厂设备的实绩数据、控制操作和控制对象的状态变化的确定的组合，预测控制对象的状态变化，推定所述控制输出的良好与否判定；
新搜索操作量运算处理，根据所述控制输出良好与否判定执行处理中的良好与否判定来运算新操作搜索用操作量；以及
控制输出抑制处理，使用所述控制输出良好与否判定执行处理中的良好与否判定，在判断为将控制输出向所述控制对象工厂设备输出时所述控制对象工厂设备的实绩数据恶化的情况下，阻止将控制输出向所述控制对象工厂设备输出，
所述状态变化规则学习处理包括：
状态变化规则学习处理，从所述控制对象工厂设备的实绩数据中提取实绩数据和控制操作、以及到所述控制操作的控制效果显现在实绩数据中为止的时间延迟期间的控制对象的状态变化量的组合，生成学习数据，使用所述学习数据进行学习，
所述控制方法学习处理包括：
学习数据生成处理，使用所述控制输出良好与否判定执行处理中的所述控制输出的良好与否判定和所述控制输出，得到监督数据；以及
学习规则学习处理，将所述实绩数据和所述监督数据作为学习数据进行学习。
8.一种存储有程序的计算机可读记录介质，所述程序针对控制对象工厂设备识别所述控制对象工厂设备的实绩数据的组合的模式，使所述计算机执行工厂设备控制，其特征在于，
该程序使所述计算机执行：
控制方法学习步骤，学习所述控制对象工厂设备的实绩数据和控制操作的组合；控制执行步骤，根据通过所述控制方法学习步骤学习到的实绩数据和控制操作的组合，执行控制对象工厂设备的控制；以及状态变化规则学习步骤，学习所述控制对象工厂设备的实绩数据、控制操作、控制对象的状态变化的组合和控制结果良好与否的组合，
所述控制执行步骤包括：
控制规则执行步骤，根据所述控制对象工厂设备的实绩数据和控制操作的确定的组合来提供控制输出；
控制输出良好与否判定执行步骤，根据所述控制对象工厂设备的实绩数据、控制操作和控制对象的状态变化的确定的组合，预测控制对象的状态变化，推定所述控制输出的良好与否判定；
新搜索操作量运算步骤，根据所述控制输出良好与否判定执行步骤中的良好与否判定来运算新操作搜索用操作量；以及
控制输出抑制步骤，使用所述控制输出良好与否判定执行步骤中的良好与否判定，在判断为将控制输出向所述控制对象工厂设备输出时所述控制对象工厂设备的实绩数据恶化的情况下，阻止将控制输出向所述控制对象工厂设备输出，
所述状态变化规则学习步骤包括：
状态变化规则学习步骤，从所述控制对象工厂设备的实绩数据中提取实绩数据和控制操作、以及到所述控制操作的控制效果显现在实绩数据中为止的时间延迟期间的控制对象的状态变化量的组合，生成学习数据，使用所述学习数据进行学习，
所述控制方法学习步骤包括：
学习数据生成步骤，使用所述控制输出良好与否判定执行步骤中的所述控制输出的良好与否判定和所述控制输出，得到监督数据；以及
学习规则学习步骤，将所述实绩数据和所述监督数据作为学习数据进行学习。
CN202210253569.3A 2021-05-28 2022-03-15 工厂设备控制系统及其控制方法、计算机可读记录介质 Pending CN115407726A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021-090146 2021-05-28
JP2021090146A JP2022182538A (ja) 2021-05-28 2021-05-28 プラント制御システム、プラント制御方法及びプログラム

Publications (1)

Publication Number Publication Date
CN115407726A true CN115407726A (zh) 2022-11-29

Family

ID=83997165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210253569.3A Pending CN115407726A (zh) 2021-05-28 2022-03-15 工厂设备控制系统及其控制方法、计算机可读记录介质

Country Status (3)

Country Link
JP (1) JP2022182538A (zh)
CN (1) CN115407726A (zh)
DE (1) DE102022204937A1 (zh)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3005802B1 (fr) 2013-05-17 2016-09-23 Hager Security Coffret comprenant un socle, un boitier et un organe rotatif d'assemblage
JP6897759B2 (ja) 2017-03-28 2021-07-07 東亞合成株式会社 架橋重合体又はその塩の製造方法

Also Published As

Publication number Publication date
JP2022182538A (ja) 2022-12-08
DE102022204937A1 (de) 2022-12-01

Similar Documents

Publication Publication Date Title
CN109317522B (zh) 设备控制装置、轧钢机控制装置及其控制方法、记录介质
CN112527788B (zh) 变压器监测数据异常值检测与清洗的方法及装置
Gitman et al. Understanding the role of momentum in stochastic gradient methods
US10466308B2 (en) Fault level estimation method for power converters
US9043254B2 (en) Method for computer-aided closed-loop and/or open-loop control of a technical system
CN108687137B (zh) 整套设备控制装置、轧机控制装置、控制方法及存储介质
CN116683588B (zh) 锂离子电池充放电控制方法及系统
JP2021061019A (ja) プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム
CN112580254B (zh) 一种基于多级决策融合的换流变多维度分析和预警方法
CN117639602A (zh) 电机运行状态自适应调节方法及系统
CN115407726A (zh) 工厂设备控制系统及其控制方法、计算机可读记录介质
JP7495874B2 (ja) プラント制御システム、プラント制御方法及びプログラム
CN114637194A (zh) 工厂设备控制系统、控制方法以及计算机可读记录介质
CN112966785B (zh) 一种智能化星座状态识别方法和系统
Witczak et al. A fuzzy logic approach to remaining useful life estimation of ball bearings
CN114943281A (zh) 一种热管冷却反应堆智能决策方法及系统
Cuznar et al. Optimization of cold rolling process recipes based on historical data
CN114021465A (zh) 基于深度学习的电力系统鲁棒状态估计方法及系统
CN113050550B (zh) 工厂设备控制装置及其方法、轧制机控制装置及其方法
CN110976523B (zh) 控制装置以及控制方法
JP2022183827A (ja) プラント制御システム、圧延機制御装置、プラント制御方法、及びプラント制御プログラム
CN117864892A (zh) 一种电梯故障预测系统及方法
Papadopoulos Regulation of Disturbance Magnitude for Locational Frequency Stability Using Machine Learning
CN117638938A (zh) 电力系统的控制方法、装置及电子设备
CN118094192A (zh) 一种水轮机组水导轴瓦温差预测方法、装置及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination