CN115407727A - 设备控制装置、设备控制方法以及程序 - Google Patents

设备控制装置、设备控制方法以及程序 Download PDF

Info

Publication number
CN115407727A
CN115407727A CN202210254420.7A CN202210254420A CN115407727A CN 115407727 A CN115407727 A CN 115407727A CN 202210254420 A CN202210254420 A CN 202210254420A CN 115407727 A CN115407727 A CN 115407727A
Authority
CN
China
Prior art keywords
control
operation end
unit
learning
safe
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
CN202210254420.7A
Other languages
English (en)
Inventor
服部哲
高田敬规
田内佑树
黑川大辉
阿部隆
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 CN115407727A publication Critical patent/CN115407727A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • B21B37/16—Control of thickness, width, diameter or other transverse dimensions
    • B21B37/24—Automatic variation of thickness according to a predetermined programme
    • 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
    • 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
    • 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
    • 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
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • 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
    • G05B2219/33038—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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Manufacturing & Machinery (AREA)
  • Medical Informatics (AREA)
  • Mechanical Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Fuzzy Systems (AREA)
  • Computational Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Quality & Reliability (AREA)
  • Control Of Metal Rolling (AREA)
  • Feedback Control In General (AREA)

Abstract

一种设备控制装置、设备控制方法以及程序，预测控制对象设备中的作业异常的发生，适当操作控制操作端以便不产生作业异常，提高控制效果和作业效率。对控制对象设备进行对操作的响应速度为预定响应速度的第一操作处理和对操作的响应速度比第一操作处理慢的第二操作处理。第一操作处理由第一操作端执行，第二操作处理由第二操作端执行。设置基于第一操作端的实绩决定第一操作端的第一操作处理的安全操作范围的安全操作范围决定部。在该安全操作范围决定部的判断中，当第一操作端的第一操作处理不是安全操作范围时，修正或变更第二操作处理的指示，以生产材料单位使第一操作端的第一操作处理的实绩位置移动到不被推定为发生作业异常的实绩位置。

Description

设备控制装置、设备控制方法以及程序
技术领域
本发明涉及设备控制装置、设备控制方法以及程序。
背景技术
在进行作为设备控制之一的轧机控制时，以往在对板的起伏状态进行控制的形状控制时，应用模糊控制、神经模糊控制。模糊控制适用于利用了冷却剂的形状控制，另外，神经模糊控制适用于森吉米尔轧机的形状控制。
在应用了神经模糊控制的形状控制中，如专利文献1所示，进行求出由形状检测器检测出的实际形状图案和目标形状图案的差、与预先设定的基准形状图案的类似比例的处理。并且，在应用了神经模糊控制的形状控制中，根据所求出的类似比例，通过由针对预先设定的基准形状图案的控制操作端操作量表现出的控制规则，求出针对操作端的控制输出量。
形状控制具有多个控制操作端，通过这些多个控制操作端的特征的差来执行控制。形状是板宽方向的板的起伏状态，控制操作端能够使板宽方向的特定区域的形状变化。例如，AS-U辊能够使所操作的鞍座位置附近的形状变化，中间辊移动能够使板端部的形状变化。在进行形状控制时，根据实际形状，组合各个控制操作端来进行动作，以便抑制形状偏差。
在轧机实施轧制时，为了被轧制材料与轧机的辊间的润滑及轧制而产生的发热的冷却，需要冷却材料(以下称为冷却剂)。该冷却材料成为形状控制的操作端，通过在板宽方向上调整冷却剂的喷射量，能够在板宽方向整个区域使形状变化。在6级轧机中，如专利文献2所示，在板宽方向上具有冷却剂喷射量调整机构，通过使用实绩形状变更喷射量来实施形状控制。但是，在森吉米尔轧机中，在轧制中，轧机的辊成为浸在冷却剂中的状态，与AS-U或中间辊移动相比，直到冷却剂显现对形状的效果为止需要时间。另外，由于不能自动调整冷却剂喷射量，因此也考虑流量调整阀的操作等需要操作员实施的情况。
另外，根据轧机的机械结构，有时也不能在板宽方向上进行冷却剂的流量调整，但即使在该情况下也能够通过更换冷却剂喷射喷嘴来变更实际的板宽方向喷射量。森吉米尔轧机为了使冷却剂循环到工作辊附近，具有将在板宽方向上设定有多个冷却剂喷射喷嘴的机械装置设定于轧机的机构。因此，森吉米尔轧机通过准备多个设定有流量不同的冷却剂喷射喷嘴的机械装置，能够在轧制前进行更换而在板宽方向上使冷却剂流量变化。
在轧机中的轧制的实施中，有时发生被轧制材料断裂的作业异常。被轧制材料的断裂大多因被轧制材料而产生，但也存在因被轧制材料蛇行而断裂的情况。被轧制材料的蛇行是指被轧制材料向轧机的一侧偏移，通常在轧机的中央部执行轧制。
预想这样的蛇行由AS-U辊或中间辊移动的位置产生。在形状控制中，为了将被轧制材料的形状维持为目标形状而操作AS-U或中间辊移动，但其结果是有时机械状态成为容易产生被轧制材料的蛇行的状态。
以往，在4级轧机、6级轧机等通常的轧机中，除了作为机械操作部的弯板机、整平机之外，还具有在板宽方向上变更冷却剂喷射量的操作部，用于形状控制。与森吉米尔轧机不同，在通常的轧机中，轧机的辊不浸渍在冷却剂中，冷却剂对形状带来的效果能够在与机械操作单元同等的时间内得到。因此，通常的轧机中的形状控制对机械操作单元和冷却剂同等地进行处理，将冷却剂用作控制操作端。在该情况下，冷却剂也在板宽方向整个区域具有效果，因此与机械操作部冲突，即使被轧制材的实绩形状相同，机械操作部的实绩位置也大多不同。
另外，在4级轧机、6级轧机中，根据冷却剂装置的机械结构，有时在轧制中也不能进行板宽方向的冷却剂流量的调整。在这样的情况下，操作员也可以通过手动操作在轧制开始前变更板宽方向的冷却剂流量。
图19表示现有的森吉米尔轧机的控制装置的概略结构。
首先，在运算器901中取得目标形状d1与由轧机990得到的被轧制材料的形状实绩d2的差分，将该差分提供给第一形状控制部902。第一形状控制部902控制作为机械操作部的机械操作端904。
轧机990执行机械操作端904的机械的操作处理和冷却剂操作端905的冷却剂喷射量的操作处理，进行被轧制材料的轧制处理，得到被轧制材料的形状实绩d2和轧制实绩d3。在该情况下，在机械操作端904的机械的操作处理中，通过操作量的控制，以较高速的响应变更被轧制材料的形状。
在该图19所示的结构的情况下，存在难以适当地控制机械操作端904的机械操作处理的问题。例如，在接近高速响应的机械操作端904的动作范围的上限的状态时，有时无法稳定地控制形状实绩d2、轧制实绩d3而产生振动，从而无法使作为控制对象设备的轧机990稳定地进行动作。
作为适当地进行这样的森吉米尔轧机的形状控制的现有技术，具有例如如专利文献3所记载的那样，根据实绩数据使用机器学习来学习被轧制材料的实绩形状偏差与控制操作端操作量的关系并进行控制的技术。在该专利文献3所记载的技术中，进行根据形状偏差发出控制输出，操作控制操作端的形状控制。
专利文献3所记载的技术，通过学习针对形状偏差的控制操作方法来执行形状控制，未考虑控制操作端位置。特别是在现有的形状控制中，由于基于形状偏差进行控制，因此存在无法限制与板断裂等作业异常相关联的机械操作端的实绩位置的问题。
此外，在到此为止的说明中，对森吉米尔轧机的形状控制的问题进行了叙述，但各种设备控制装置在同时进行响应性快的控制操作和响应性慢的控制操作的情况下，在同时适当地进行双方的控制操作时，存在同样的问题。
专利文献1：日本专利2804161号公报
专利文献2：日本专利2515028号公报
专利文献3：日本特开2018-005544号公报
发明内容
本发明的目的在于，提供设备控制装置、设备控制方法以及程序，通过预测控制对象设备中的作业异常的发生，以不产生作业异常的方式适当地操作控制操作端，由此能够提高控制效果和作业效率。
为了解决上述课题，例如采用要求专利保护的范围所记载的结构。
本申请包含多个解决上述课题的手段，若列举其中一例，则作为设备控制装置是对控制对象设备进行针对操作的响应速度为预定的响应速度的第一操作处理和针对操作的响应速度比第一操作处理慢的第二操作处理的设备控制装置，其中，
该设备控制装置具备：
操作端控制部，其取得作为控制对象设备的目标的状态量，进行第一操作处理的指示；
第二操作端设定部，其进行第二操作处理的指示；
第一操作端，其通过操作端控制部的指示，执行控制对象设备的第一操作处理；
第二操作端，其通过操作端设定部的指示，执行控制对象设备的第二操作处理；
安全操作范围决定部，其基于第一操作端的实绩决定由第一操作端进行的第一操作处理的安全操作范围；
学习部，其根据控制对象设备的作业实绩，对以生产材料单位的控制对象设备的第一操作处理的第一操作端的位置和作为目标的状态量进行学习；以及
操作端位置预测部，其使用学习部的学习结果来预测下一个生产材料的生产时的第一操作端的位置，
操作端设定部根据操作端位置预测部的下一个生产材料时的第一操作端的位置的动作范围预测值和安全操作范围决定部的判断，决定所述第二操作端的位置，以使在下一个生产材料的作业时第一操作端的位置不脱离安全操作范围的方式。
根据本发明，能够适当地控制控制对象设备中的作业状态，抑制成为作业异常的操作端的实绩位置。其结果是，能够期待提高控制对象设备的控制精度、作业效率和抑制作业异常的发生。
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是表示本发明的一实施方式例的设备控制装置的结构例的框图。
图2是表示将本发明的一实施方式例的设备控制装置应用于轧机的情况下的结构例的框图。
图3是表示森吉米尔轧机的例子的结构图。
图4是表示单机座轧机的轧制设备的例子的结构图。
图5是表示本发明的一实施方式例的机械操作端的概要的图。
图6是表示本发明的一实施方式例的安全操作范围决定部的结构例的框图。
图7是表示本发明的一实施方式例的机械操作端安全操作范围决定部的神经网络的结构例的图。
图8是表示本发明的一个实施方式例的神经网络管理表的结构例的图。
图9是表示本发明的一个实施方式例的学习数据库的结构例的图。
图10是表示本发明的一实施方式例的机械操作端位置预测部的结构例的框图。
图11是表示本发明的一实施方式例的机械操作端位置预测部的神经网络的结构例的图。
图12是表示本发明的一个实施方式例的神经网络管理表的结构例的图。
图13是表示本发明的一个实施方式例的学习数据库的结构例的图。
图14是表示本发明的一实施方式例的冷却剂操作端设定部的结构例的图。
图15是表示本发明的一实施方式例的机械操作端的预测值的例子的图。
图16是表示本发明的一实施方式例的机械操作端的决定例的图。
图17是表示本发明的一实施方式例的冷却剂操作端控制输出运算部和冷却剂操作端控制输出选择部的结构例的图。
图18是表示由计算机构成本发明的一实施方式例的设备控制装置的情况下的硬件结构例的框图。
图19是表示现有的轧机的控制装置的结构例的框图。
附图标记说明
11…形状检测预处理部，12…图案识别部，13…控制运算部，14…形状检测器，50…控制装置，100…设备控制装置(计算机)，101…运算器，102…第三控制部，103…高速操作端，104…低速操作端，105…安全操作范围决定部，110…控制单元，111…高速操作端控制部，112…低速操作端设定部，190…控制对象设备，201…运算器，202…机械操作端位置抑制控制部，203…机械操作端，204…冷却剂操作端，205…机械操作端安全操作范围决定部，210…机械操作端位置预测部，211…形状控制部，212…冷却剂操作端设定部，220…控制单元，300…被轧制材料，301…轧机，302…输入侧张力卷筒(输入侧TR)，303…输出侧张力卷筒(输出侧TR)，304…轧制速度控制部，305…输入侧TR控制部，306…输出侧张力卷筒控制部，307…辊隙控制部，308…输入侧张力计，309…输出侧张力计，310…轧制速度设定部，311…输入侧张力设定部，312…输出侧张力设定部，313…输入侧张力控制部，314…输出侧张力控制部，315…输入侧张力电流转换部，316…输出侧张力电流转换部，317…输出侧板厚计，318…输出侧板厚控制部，319…辊隙设定部，401…工作辊，402…第一中间辊，403…第二中间辊，404…AS-U辊，405…分割辊，406…鞍座，501…输入数据生成部，502…神经网络，503…神经网络学习控制部，504…神经网络选择部，505…监督数据生成部，506…作业异常判定部，511…学习数据数据库，512…控制规则数据库，610…机械操作端位置异常区域判定部，611…机械操作端位置异常区域搜索部，612…输入数据生成部，613…输出数据判定部，620…机械操作端位置异常抑制控制部，621…冷却剂操作端控制输出运算部，622…冷却剂操作端控制输出选择部，623…冷却剂控制规则数据库，701…输入数据生成部，702…神经网络，703…神经网络学习控制部，704…神经网络选择部，705…监督数据生成部，706…制造单位数据生成部，711…学习数据数据库，712…控制规则数据库，901…运算器，902…第一形状控制部，903…第二形状控制部，904…机械操作端，905…冷却剂操作端，990…轧机，d11…第一状态量目标，d12…第一状态量，d13…第二状态量，d14…安全操作范围，d21…目标形状，d22…机械操作端位置实绩，d23…形状实绩，d24…轧制实绩，d25…机械操作端安全操作范围，d26…机械操作端位置变动量，d27…冷却剂操作端位置实绩，d28…冷却剂操作端位置预测，d30…冷却剂操作输出，d31…推定位置，d32…作业异常判定值，d33…控制用神经网络，d42…异常抑制输出，d51…实绩位置异常区域操作端判定值，d52…作业异常评价值。
具体实施方式
以下，参照图1～图18对本发明的一实施方式例(以下，称为“本例”)的设备控制装置进行说明。
[设备控制装置的整体结构]
图1表示本例的设备控制装置的整体结构的例子。
图1所示的设备控制装置对控制对象设备190进行控制，作为控制对象设备190的控制，执行基于高速操作端(第一操作端)103的操作处理和基于低速操作端(第二操作端)104的操作处理。
本例的设备控制装置取得第一状态量目标d11，通过运算器101取得与第一状态量d12的差分。作为基于高速操作端103及低速操作端104的操作处理的结果，从控制对象设备190得到第一状态量d12。另外，高速操作端103及低速操作端104得到第二状态量d13来作为对控制对象设备190施加的其他操作端的操作处理的结果。
设备控制装置的控制单元110具有高速操作端控制部111和低速操作端设定部112。高速操作端控制部111控制高速操作端103的操作处理。低速操作端设定部112控制低速操作端104的操作处理。
向高速操作端控制部111供给由运算器101得到的第一状态量目标d11与第一状态量d12的差分，进行使第一状态量d12接近差分的控制。
高速操作端控制部111的控制输出被直接供给到高速操作端103，对高速操作端103的操作处理进行控制。
另外，本例的设备控制装置具备安全操作范围决定部105。安全操作范围决定部105取得高速操作端103的操作实绩，判定取得的操作实绩是否在安全操作范围内具有余量，将作为判定结果的安全操作范围d14的数据提供给低速操作端设定部112。
而且，安全操作范围决定部105取得控制对象设备190的第一状态量d12和第二状态量d13。然后，安全操作范围决定部105参照第一状态量d12和第二状态量d13，判定高速操作端103的当前的操作实绩是否在安全操作范围内具有余量。
在此，安全操作范围决定部105检测作业异常的发生，学习该时刻的第一状态量d12及第二状态量d13、和高速操作端103的实绩位置，以使在高速操作端103不产生作业异常的方式决定可操作的范围即安全操作范围d14。作业异常不是频繁发生的现象，因此安全操作范围决定部105优选持续采集实绩数据，使用机器学习等执行学习，得到安全操作范围d14。
然后，安全操作范围决定部105将判定出的安全操作范围d14的数据供给至低速操作端设定部112。
操作端位置预测部102根据过去的作业实绩数据，学习以生产材料单位的高速操作端103的动作范围，根据其结果，在下一个生产材料生产时预测高速操作端103的动作量。
低速操作端设定部112基于由操作端位置预测部102预测出的下一个生产材料生产时的高速操作端103的动作量，以使高速操作端103处于安全操作范围d14内的方式决定低速操作端104的设定值，并设定低速操作端104。低速操作端104的设定根据低速操作端设定部112的指令，如果能够进行自动设定则机械地进行，在不能自动设定的情况下，通过在画面上显示低速操作端104的设定值等方法对操作员进行通知，由操作员手动进行设定。
根据图1所示的结构的设备控制装置，能够使高速操作端103在不产生作业异常的范围内高效地进行动作，除了作业效率的提高以外，还能够期待控制精度的提高。
[应用于森吉米尔轧机的控制装置时的整体结构]
接着，对将本例的设备控制装置应用于森吉米尔轧机的情况下的整体结构进行说明。
图2表示应用于森吉米尔轧机的情况下的本例的设备控制装置的结构。
图2所示的设备控制装置取得被轧制材料的目标形状d21，通过运算器201取得与轧制后的形状实绩d23的差分。
本例的设备控制装置作为轧机301的控制，执行基于机械操作端203的操作处理和基于冷却剂操作端204的设定操作处理。基于机械操作端203的操作处理使进行轧制处理的辊隙等机械地变化，在被轧制材料的形状实绩d23中显现的响应为高速。另一方面，基于冷却剂操作端204的设定操作处理使冷却剂喷射量变化，在被轧制材料的轧制实绩d24中显现的响应比基于机械操作端203的操作更低速。
设备控制装置的控制单元220具有控制机械操作端203的操作处理的第一形状控制部211和进行冷却剂操作端204的设定的冷却剂操作端设定部212。
第一形状控制部211进行反馈控制，以使被轧制材料成为目标形状d21。目标形状d21根据被轧制材料的特性等而被预先设定。
冷却剂操作端设定部212实施冷却剂操作端204的设定。在此，实施设定是指在实施作为轧机所制造的产品的被轧制材料(生产材料)的制造单位即每个生产材料单位的制造作业之前，预先决定冷却剂操作端204的板宽方向的流量分布。在被轧制材料的制造作业中，不进行板宽方向的流量分布的变更。被轧制材料的制造单位是指1次轧制作业，也称为生产材料单位。若更详细地进行说明，则在森吉米尔轧机中进行以下作业：一边改变轧制方向一边对相同的被轧制材料实施输出侧板厚不同的(使输出侧板厚依次减少)的多次轧制作业，得到作为目标的产品板厚。该多次轧制作业中的每1次为上述的制造单位或生产材料单位。
第一形状控制部211的控制输出被直接供给到机械操作端203，控制机械操作端203的操作处理。
冷却剂操作端设定部212实施冷却剂操作端204的设定，但在无法进行来自设备控制装置的控制单元220的直接操作的情况下，对操作员显示冷却剂操作端204的设定引导，由操作员进行设定操作。这里的无法进行来自控制单元220的直接操作的情况是指例如通过电子计算机实现控制单元220的情况下，电子计算机不能经由输入输出单元直接操作冷却剂操作端204的情况。
另外，本例的设备控制装置具备机械操作端安全操作范围决定部205。
机械操作端安全操作范围决定部205取得机械操作端203的操作实绩即机械操作端位置实绩d22，判定所取得的机械操作端位置实绩d22是否在安全操作范围内具有余量。并且，机械操作端安全操作范围决定部205将作为判定结果的机械操作端安全操作范围d25的数据供给至冷却剂操作端设定部212。
进而，机械操作端安全操作范围决定部205取得轧机301的形状实绩d23和轧制实绩d24。然后，机械操作端安全操作范围决定部205参照形状实绩d23和轧制实绩d24，判定所取得的机械操作端位置实绩d22是否在安全操作范围内具有余量。
机械操作端安全操作范围决定部205检测作业异常的发生，进行作为学习该时间点的形状实绩d23及轧制实绩d24、和机械操作端位置实绩d22的学习部的处理。通过该学习，机械操作端安全操作范围决定部205以在机械操作端203不产生作业异常的方式决定能够操作的范围即机械操作端安全操作范围d25。在此，机械操作端安全操作范围决定部205持续采集实绩数据，使用机器学习等执行学习，得到机械操作端安全操作范围d25。
然后，机械操作端安全操作范围决定部205将判定出的机械操作端安全操作范围d25的数据供给至冷却剂操作端设定部212。
此外，关于机械操作端安全操作范围决定部205进行作业异常的学习等的详细结构，将在图6中后述。
机械操作端位置预测部210根据轧制实绩d24、机械操作端位置实绩d22以及冷却剂操作端位置实绩d27，按照每个被轧制材料的制造单位，学习机械操作端位置变动量d26。机械操作端位置变动量d26是根据产品规格对制造单位进行分类，按照每个制造单位对机械操作端203的实绩值在哪个范围内发生了变动进行学习而得的量。
在此，根据产品规格进行分类是指根据被轧制材料的钢种、板宽、板厚等，以使机械操作端203的实绩值大致相同的方式来预先设定基准，并按照该基准进行分类。
如果分类为相同的产品规格，则机械操作端203的实绩值的移动范围相同，因此在开始被轧制材料的每个制造单位的制造作业之前，判明开始制造作业的制造单位的产品规格。因此，机械操作端位置预测部210能够得到产品规格相同的分类的机械操作端位置变动量d26的学习结果。同时，机械操作端位置预测部210也能够预测机械操作端位置变动量d25的情况下的冷却剂操作端204的位置，将冷却剂操作端位置预测d28输出到冷却剂操作端设定部212。
冷却剂操作端设定部212从机械操作端位置预测部210取得下一个制造单位的机械操作端位置变动量d26以及此时的冷却剂操作端位置预测d28。而且，冷却剂操作端设定部212将从机械操作端安全操作范围决定部205取得的机械操作端安全操作范围d25与机械操作端位置变动量d26进行比较。由此，冷却剂操作端设定部212在实施了下一个制造单位的制造作业的情况下，判定机械操作端203的位置实绩是否在机械操作端安全操作范围d25内。
在该判定的结果为处于机械操作端安全操作范围d25内的情况下，冷却剂操作端设定部212向冷却剂操作端204输出将冷却剂操作端位置预测d28设为冷却剂流量的冷却剂设定指示。
另外，在判定的结果为从机械操作端安全操作范围d25离开的情况下，冷却剂操作端设定部212向冷却剂操作端204输出通过使机械操作端203的位置实绩成为机械操作端安全操作范围d25的板宽方向的冷却剂流量来修正了冷却剂操作端位置预测d28的冷却剂设定指示。
作为该情况下的对冷却剂操作端204的输出指示，除了从冷却剂操作端设定部212向冷却剂操作端204直接输出之外，还包含对操作员显示冷却剂操作端204的设定值，并由操作员实施作业来进行实际的冷却剂流量变更的情况。
[森吉米尔轧机的结构]
在此，对森吉米尔轧机的结构例进行说明。
图3表示在森吉米尔轧机中进行形状控制时的概略结构。
森吉米尔轧机由形状检测器14检测轧制后的被轧制材料的实际形状。
由形状检测器14检测出的实际形状，在由控制装置10的形状检测预处理部11实施了图案识别的预处理之后，由图案识别部12对最接近预先设定的基准形状图案中的哪一个进行运算。然后，基于运算出的基准形状图案，由控制运算部13判断应该操作的操作端以及操作量，执行以此应该操作的操作端以及操作量来控制森吉米尔轧机的处理。
图4表示单机座轧机的轧制设备的例子。森吉米尔轧机是单机座轧机的一种。
图4所示的轧制设备由轧机301和输入侧张力卷筒(以下，称为“TR”)302和输出侧TR303构成，从输入侧TR302引出的被轧制材料300通过轧机301被输出侧TR303卷绕。
轧机301对被轧制材料300进行轧制。此处的轧制是使被轧制材料300的板厚变薄至预定的板厚的处理。
在轧机301中设置有用于调整轧制速度的轧制速度控制部304和用于调整轧机301的辊隙的辊隙控制部307。另外，在输入侧TR302和输出侧TR303中分别设置有用于调整所产生的张力的输入侧TR控制部305和输出侧TR控制部306。
通过利用辊隙控制部307调整轧机301的上下辊间隔来施加压扁被轧制材料300的压力，通过轧制速度控制部304将被轧制材料300送出到输出侧而实施轧制处理。此时，在轧机301的输入侧以及输出侧也进行使用输入侧TR302以及输出侧TR303对被轧制材料300施加张力的处理。
对于轧制作业而言，重要的是成为产品的被轧制材料300的板厚(轧机的输出侧板厚)，预先设定辊隙以及输入侧张力、输出侧张力，使得被轧制材料300成为预先决定的板厚。
输入侧张力电流转换部315使用由输入侧张力设定部311设定的输入侧张力，求出为了得到所设定的输入侧张力所需要的电流，经由输入侧TR控制部305赋予输入侧TR302，由此得到输入侧张力。
同样地，输出侧张力电流转换部316使用由输出侧张力设定部312设定的输出侧张力，求出为了得到所设定的输出侧张力所需的电流，并经由输出侧TR控制部306赋予输出侧TR303，由此得到输出侧张力。
由辊隙设定部319设定的辊隙被提供给辊隙控制部307，由辊隙控制部307设定辊隙。
轧制速度设定部310根据轧机的操作员的指示来决定轧机301的速度，通过轧制速度控制部304设定轧机301的速度。
在轧机301的输入侧以及输出侧设置有输入侧张力计308以及输出侧张力计309，以使得由它们测定出的实际张力与设定张力一致的方式由输入侧张力控制部313和输出侧张力控制部314执行控制。另外，在轧机301的输出侧设置有输出侧板厚计317，以使得在那里测定出的实际板厚与设定板厚一致的方式使输出侧板厚控制部318执行控制。
在以上的结构的基础上，如已经说明的图3所示，在轧机的输出侧设置有用于检测被轧制材料的形状的形状检测器14，以使检测出的形状与预先设定的目标形状一致的方式执行形状控制。
如上所述，形状是作为被轧制材料的金属板的起伏的程度。因此，根据轧机的下一工序中的加工性、轧机中的轧制作业的效率性，预先设定成为目标的形状即目标形状。一般而言，由于对被轧制材料施加有张力，因此若在板端部存在裂纹等损伤，则容易发生从此处产生裂缝而使被轧制材料在板宽方向上断开(板断裂)的情况。因此，为了使张力不集中而大多使板端部成为起伏的状态。
被轧制材料的起伏实际上对被轧制材料施加张力，因此，虽然并未显现化，外观上无起伏，但在板宽方向上张力分布发生变化。
在此，图3所示的形状检测器14通过测定板宽方向上的张力分布来推定板的起伏并检测为形状实绩。
[形状控制机械操作端的结构和处理]
图5中的(a)表示通过森吉米尔轧机的机械操作端203进行操作处理时的结构。在图5中表示被轧制材料300的板宽方向的截面，仅示出被轧制材料300的上侧的结构，下侧的结构省略。
另外，图5中的(b)、(c)分别表示使被轧制材料300的形状变化时的动作波形。
如图5中的(a)所示，森吉米尔轧机隔着被轧制材料300由工作辊401、第一中间辊402、第二中间辊403、AS-U辊404构成。
第一中间辊402在上下相反侧对辊设置有锥形，通过在板宽方向上移动，能够对被轧制材料300的板端部的形状产生影响。
AS-U辊404成为鞍座406进入多个分割辊405之间的结构，通过改变鞍座406的位置(图5的纵向的位置)，能够使AS-U辊404的挠曲在板宽方向上变化。
例如，如图5中的(b)所示，在降低中心的鞍座406的情况下，能够对被轧制材料300的中央部的形状造成影响。
在此，图5中的(b)、(c)的最下段所示的动作波形表示对鞍座406或第一中间辊402进行了移动操作时的被轧制材料300的板厚分布的变化。形状变化与板厚分布相反。
形状为板宽方向的起伏程度的分布，起伏大意味着被轧制材料300伸长。这是因为“输出侧板厚变薄”、“变薄的部分的被轧制材料的伸长大”和“被轧制材料的形状变大”等同。
关于作业异常，被轧制材料300的板断裂是大问题。若发生板断裂，则断裂后的被轧制材料300会使轧机的工作辊401、第一中间辊402破损。另外，根据情况，在发生板断裂时使第二中间辊403、AS-U辊404也破损。若发生这些破损，则需要更换这些辊，并且残留在轧机内的被轧制材料300的除去处理需要时间，作业效率极端降低。
AS-U辊404将分割辊405以由鞍座406按压的形式按压于第二中间辊403，因此根据鞍座406的位置，有时分割辊405与第二中间辊403不接触。若成为这样的状态，则从该部分的工作辊401施加于被轧制材料300的力急剧减少，被轧制材料300不再伸长，该部分的施加于被轧制材料300的张力增大。
在被轧制材料300的板端部产生了这样的状态的情况下，从板端部发生板断裂。另外，由于施加于被轧制材料300的板宽方向两端部的张力变化，因此产生被轧制材料300的板宽方向中心从轧机的板宽方向中心偏离的现象，有时会与轧机前后的机械设备碰撞而成为板断裂。这样，根据机械操作端203的实绩位置，有时会发生作业异常。
产生作业异常的实绩位置不是根据机械结构通过计算求出的，而是根据被轧制材料300的板宽方向板厚分布、输入输出侧板厚、张力、轧制载荷等轧制状态、与其他形状控制机械操作端的位置关系而变化，因此难以预先预测。
因此，在本例中，机械操作端安全操作范围决定部205将发生了轧制异常时的这些条件作为实绩数据进行保存，与正常时的实绩数据进行比较，由此求出容易发生轧制异常的形状控制机械操作端的实绩位置。
本例的机械操作端安全操作范围决定部205使用机器学习来决定机械操作端安全操作范围。在进行机器学习时的实绩数据中，使用输入输出侧板厚、张力、轧制载荷等轧制状态、机械操作端203的实绩位置，在监督数据中使用轧制异常发生信息。
作为轧制异常发生信息，使用板断裂以及轧机的紧急停止的信息。板断裂能够通过输入输出侧张力减小来判定，紧急停止在轧制状态下发生某些异常，停止作业的情况下使用操作员所操作的操作开关的信息。操作开关的信息能够通过构成控制轧机的控制装置的计算机来检测，能够用作实绩信息之一。机械操作端安全操作范围决定部205使用这些实绩数据以及监督数据，生成判定有无发生作业异常的神经网络(N.N.)。
[机械操作端安全操作范围决定部的结构和神经网络的结构]
图6表示通过机器学习实现了机械操作端安全操作范围决定部205的情况的结构。
另外，图7表示机械操作端安全操作范围决定部205所具备的神经网络502的结构。
如图7所示，神经网络502在输入端502a从输入数据生成部501得到轧制实绩d24和机械操作端位置实绩d22，从输出端502b输出作业异常判定值d32。作业异常判定值d32是作为轧制异常发生信息的板断裂的信息以及紧急停止的信息。神经网络502根据这些输入数据和输出数据的组合执行学习。
若对图6所示的机械操作端安全操作范围决定部205进行说明，则输入数据生成部501采集机械操作端位置实绩d22及形状实绩d23。另外，监督数据生成部505采集由作业异常判定部506判定出的作业异常判定值d32。这些输入数据生成部501和监督数据生成部505中的数据采集通过神经网络学习控制部503的控制以恒定时间周期进行，每1个动作周期得到1组学习数据。所获得的学习数据被依次地存储在学习数据数据库511中。
作业异常判定部506根据轧制实绩d24判定有无作为作业异常的板断裂以及轧机的紧急停止。作为判定结果的作业异常判定值d32是板断裂以及紧急停止的信息。
然而，轧机根据规格对各种被轧制材料300进行轧制，得到产品。因此，轧机通常根据规格变更作为机械结构的工作辊401的规格(板宽方向的直径分布)、第一中间辊402的锥形规格、AS-U辊404的分割辊405的组合来应对被轧制材料300。另外，对于被轧制材料300，板宽、材质也不一样。因此，根据机械结构、被轧制材料300的规格来划分神经网络502能够进行高效的学习。
因此，本例的机械操作端安全操作范围决定部205具备控制规则数据库512以及神经网络选择部504，以便能够具有多个种类的神经网络502并切换使用。
图8表示控制规则数据库512的结构例。
如图8中的(a)所示，在控制规则数据库512中存储有使用由输入数据与监督数据的组合构成的学习数据而进行了学习的多个神经网络。
然后，神经网络学习控制部503指定需要学习的神经网络编号。神经网络选择部504接受神经网络学习控制部503的学习所需的神经网络编号的指定，从控制规则数据库512取出该神经网络并设定为神经网络502。
神经网络选择部504根据当前的轧制实绩d24结合轧制条件和机械结构，从控制规则数据库512中取出相应的神经网络编号的神经网络，作为控制用神经网络d33而设定在机械操作端位置抑制控制部202中。
图8中的(b)表示存储在控制规则数据库512中的神经网络管理表的结构。管理表根据(B1)板宽、(B2)钢种以及机械结构(A)来划分。作为(B1)板宽，例如使用3英尺宽度、米宽度、4英尺宽度、5英尺宽度这4个分类。作为(B2)钢种，使用钢种(1)～钢种(10)的10个分类左右。对于(A)，例如按照作为第一中间辊402的锥形规格的锥形部的长度，区分为(A1)、(A2)。
以上的表格区别仅是一个例子，需要根据轧制设备、所生产的被轧制材料的种类适时设定。
机械操作端安全操作范围决定部205根据轧制条件以及机械结构分开使用这些神经网络。
神经网络学习控制部503按照图8中的(b)所示的神经网络管理表，将图8中的(a)所示的输入数据和监督数据的组合即学习数据与相应的神经网络编号相关联地存储在学习数据数据库511中。
图9表示学习数据数据库511存储的学习数据的例子。
如图9所示，学习数据数据库511存储与每个神经网络编号对应的学习数据。
神经网络学习控制部503从学习数据数据库511向输入数据生成部501以及监督数据生成部505指示从管理表取出与该神经网络对应的输入数据以及监督数据。神经网络502使用它们来执行学习。以往提出了各种神经网络的学习方法，可以使用任意的学习方法。
在机器学习中需要大量的学习数据的组，如果在学习数据数据库511中存储一定程度(例如10000组)，则神经网络502执行学习。
当神经网络502的学习完成时，神经网络学习控制部503将作为学习结果的神经网络502回写到控制规则数据库512的该神经网络编号的位置，由此完成学习。
学习完成的神经网络502通过输入轧制实绩d24和机械操作端位置实绩d22，输出作业异常判定值。因此，神经网络502通过提供预想的将来的形状实绩d23和机械操作端位置实绩d22，能够预测有无发生作业异常，能够搜索机械操作端安全操作范围d25。
[机械操作端位置预测部的结构和神经网络的结构]
图10表示通过机器学习实现了机械操作端位置预测部210的情况下的结构。
另外，图11表示机械操作端位置预测部210所具备的神经网络702的结构。
如图11所示，神经网络702在输入端702a从输入数据生成部701得到轧制实绩d24，从输出端702b输出冷却剂操作端位置预测d28和机械操作端位置变动量d26。神经网络702根据这些输入数据和输出数据的组合执行学习。
若对图10所示的机械操作端位置预测部710进行说明，则输入数据生成部701采集轧制实绩d24。另外，监督数据生成部705采集由制造单位数据生成部706生成的每个制造单位的机械操作端位置变动量d26以及冷却剂操作端位置预测d28。
制造单位数据生成部706根据轧制实绩d24的轧制速度，判断被轧制材料的制造单位。如上所述，被轧制材料的制造单位是指1次轧制作业，因此被轧制材料的1次轧制作业(制造单位的制造)能够判断为从轧制速度＝0成为不是轧制速度＝0的状态，并在之后成为轧制速度＝0为止。
因此，制造单位数据生成部706采集到成为轧制速度0为止的期间的机械操作端位置实绩值d22及冷却剂操作端位置实绩值d27的最大值、最小值，生成机械操作端位置变动量d26及冷却剂操作端位置预测d28。
在被轧制材料的1次的轧制作业(制造单位)结束，机械操作端位置变动量d26及冷却剂操作端位置预测d28的生成完成之后，生成神经网络702的学习所需的1个学习数据，因此制造单位数据生成部706向神经网络学习控制部703进行通知。神经网络学习控制部703接收来自制造单位数据生成部706的通知，实施输入数据生成部701和监督数据生成部705中的数据采集。所获得的学习数据被依次存储在学习数据数据库711中。
然而，轧机根据规格对各种被轧制材料300进行轧制，得到产品。因此，轧机通常根据规格变更作为机械结构的工作辊401的规格(板宽方向的直径分布)、第一中间辊402的锥形规格、AS-U辊404的分割辊405的组合来应对被轧制材料300。另外，对于被轧制材料300，板宽、材质也不一样。因此，根据机械结构、被轧制材料300的规格划分神经网络702能够进行高效的学习。
因此，本例的机械操作端位置预测部201具备控制规则数据库712以及神经网络选择部704，以便可以具有多个种类的神经网络702并切换使用。
图12表示控制规则数据库712的结构例。
如图8中的(a)所示，在控制规则数据库712中存储有使用由输入数据与监督数据的组合构成的学习数据而进行了学习的多个神经网络。
并且，神经网络学习控制部703指定需要学习的神经网络编号。神经网络选择部704接受神经网络学习控制部703的学习所需的神经网络编号的指定，从控制规则数据库712取出该神经网络，并设定为神经网络702。
神经网络选择部704根据当前的轧制实绩d24结合轧制条件和机械结构，从控制规则数据库712中取出相应的神经网络编号的神经网络，并设定为控制用神经网络d33。
向控制用神经网络d33输入来自输入数据生成部701的轧制实绩d24，向冷却剂操作端设定部212输出机械操作端位置变动量d26以及冷却剂操作端位置预测d28。此时，由于轧制实绩d24中包含板厚、钢种、张力、负荷等设定值等被轧制材料的下一个制造单位的制造信息，因此基于这些制造信息来推定机械操作端位置变动量d26以及冷却剂操作端位置预测d28。
然后，由控制用神经网络d33求出的机械操作端位置变动量d26以及冷却剂操作端位置预测d28被输出到冷却剂操作端设定部212。
图12中的(b)表示存储在控制规则数据库712中的神经网络管理表的结构。管理表根据(B1)板宽、(B2)钢种以及机械结构(A)来进行划分。作为(B1)板宽，例如使用3英尺宽度、米宽度、4英尺宽度、5英尺宽度这4个分类。作为(B2)钢种，使用钢种(1)～钢种(10)的10个分类左右。对于(A)，例如根据作为第一中间辊402的锥形规格的锥形部的长度，区分为(A1)、(A2)。
以上的表格区别仅是一个例子，有必要根据轧制设备、所生产的被轧制材料的种类适时设定。
机械操作端位置预测部210根据轧制条件以及机械结构分开使用这些神经网络。
神经网络学习控制部703按照图12中的(b)所示的神经网络管理表，将图12中的(a)所示的输入数据和监督数据的组合即学习数据与相应的神经网络编号相关联地存储在学习数据数据库711中。
图13表示学习数据数据库711存储的学习数据的例子。
如图13所示，学习数据数据库711存储与每个神经网络编号对应的学习数据。
神经网络学习控制部703从学习数据数据库711向输入数据生成部701以及监督数据生成部705指示从管理表取出与该神经网络对应的输入数据以及监督数据。神经网络702使用它们来执行学习。以往提出了各种神经网络的学习方法，可以使用任意的学习方法。
在机器学习中需要大量的学习数据的组，如果在学习数据数据库711中存储一定程度(例如10000组)，则神经网络702执行学习。
当神经网络702的学习完成时，神经网络学习控制部703将作为学习结果的神经网络702回写到控制规则数据库712的该神经网络编号的位置，由此完成学习。
若从输入数据生成部701输入了轧制实绩d24，则学习完成的神经网络702向神经网络选择部704输出机械操作端位置变动量d26以及冷却剂操作端位置预测d28。因此，神经网络702在对与接下来生产的制造单位相同或类似的制造单位进行制造的情况下，能够根据过去的实绩数据来预测机械操作端位置的变动范围和此时的板宽方向的冷却剂喷射量的分布。
[冷却剂操作端设定部的结构]
图14表示冷却剂操作端设定部212的结构。
冷却剂操作端设定部212具备机械操作端位置异常区域判定部610和机械操作端位置异常抑制控制部620。
机械操作端位置异常区域判定部610使用在图7中说明的神经网络502，推定预测作业异常的发生的机械操作端203。这里使用的神经网络502是由机械操作端安全操作范围决定部205(图6)接受的控制用神经网络d33。
机械操作端位置异常抑制控制部620基于机械操作端位置异常区域判定部610中的判定结果，生成冷却剂操作端204的设定指令。
机械操作端位置预测部210(图2)在接下来制造的制造单位即被轧制材料的轧制作业时，预测机械操作端203的实绩位置变动何种程度，并作为机械操作端位置变动量d26传递给冷却剂操作端设定部212。
在此，机械操作端位置变动量d26由于各机械操作端203在制造单位内的最大值与最小值之差，所以成为下面说明的图15所示的内容。
对于该机械操作端的各动作范围内的各种位置的组合是否不会成为作业异常，能够通过将操作范围分为几个并输入到在机械操作端安全范围决定部205中学习到的能够判定作业异常的神经网络d33，并判断作业异常发生的可能性来获知。然而，由于机械操作端203为多个(在本实施例的情况下为7种)，因此需要判定的情况数量为庞大的数量，不实用。
成为作业异常的原因的机械操作端实绩位置被认为是机械操作端203的动作的上限或下限附近，而不是动作范围中央部。因此，机械操作端位置预测部210通过取得各机械操作端203的最大值和最小值的组合，并输入到控制用神经网络d33(参照图10)，能够简单地实施安全操作范围的判定。
图15表示机械操作端位置变动量的例子。图15的横轴表示机械操作端203的种类，纵轴表示位置预测值。
在图15的例子中，在机械操作端203为n种(n为整数)的情况下，机械操作端位置变动量d26的最大值及最小值为：
POSMAX(k),POSMIN(k),k＝1,2,...,n。
例如，图15所示的机械操作端(3)的制造单位的动作范围成为最大值POSMAX(3)和最小值POSMIN(3)所示的范围。
在此，机械操作端203为n种例如相当于AS-U辊404的鞍座406的数量和能够在板宽方向上移动的第一中间辊402的数量的合计值。例如，在图5所示的例子的情况下，鞍座数量为5、第一中间辊为上下2条，因此n＝7。在以下的说明中，在表示为机械操作端203(k)的情况下，表示机械操作端203的n种(1～n)中的每一个。
由此，各机械操作端203的推定位置实绩能够生成2n种。例如，在n＝7的情况下，推定位置实绩能够生成128种。该推定位置实绩被依次输出到输入数据生成部612(参照图7)。
输入数据生成部612从轧制实绩d24和推定位置d31生成向神经网络502的输入数据，并向神经网络502输出。
神经网络502输出图7所示的作业异常判定值d32。作业异常判定值d32是板断裂以及紧急停止的程度。在此，接受从神经网络502输出的作业异常判定值d32，输出数据判定部613将两者的程度加权并相加，作为作业异常评价值d26。通常在发生了作业异常的情况下，操作员实施紧急停止，但操作员也在发生了成为板断裂的征兆的情况下实施。在此，作为成为板断裂的征兆，例如考虑被轧制材料300蛇行的情况等。
在没有紧急停止而发生了板断裂的情况下，由于没有板断裂的征兆而发生，因此在这样的情况下，抑制板断裂的方法的优先级变高。因此，使板断裂的程度的加权增大。
图14所示的机械操作端位置异常区域搜索部611预先存储所输出的推定位置d31和返回的作业异常评价值d26，搜索作业异常评价值d26成为最大的推定值。搜索的结果是在作业异常评价值d26的最大值超过了预先设定的阈值的情况下，机械操作端位置异常区域搜索部611将该情况下的推定位置d31处的机械操作端位置变动量d26的各操作端的最大值POSMAX(i)、最小值POSMIN(i)中的某一个的组合作为POSEST(i)进行存储。然后，为了确认通过修正POSEST(i)来进行的作业异常评价值d26的增减，仅使POSEST(i)增减预先确定的ΔPOS(i)。
即，进行以下所示的运算。
POSEST(i)+＝POSEST(i)+ΔPOS(i)
POSEST(i)-＝POSEST(i)-ΔPOS(i)
POSEST(i)0＝POSEST(i)+0(ΔPOS(i)＝0)
然后，再次将各机械操作端203的上述3种机械操作端位置推定值与各机械操作端203组合来设定推定位置d31，并输出至输入数据生成部612。输入数据生成部612从轧制实绩d24和推定位置d31生成向神经网络502的输入数据，并向神经网络502输出。
在此，机械操作端位置异常区域搜索部611搜索作业异常评价值d26为最小(成为异常的程度最小)的推定位置d31的组合，将结果作为实绩位置异常区域操作端判定值d51(ΔPOS(i)、-ΔPOS(i))进行输出。另外，机械操作端位置异常区域搜索部611也将此时的作业异常评价值d26作为作业异常评价最大值包含在实绩位置异常区域操作端判定值d51中。
图16表示修正了图15所示的机械操作端位置变动量的状态。图16所示的动作范围的标注斜线所示的范围是修正后的部位。
例如，图16所示的机械操作端(3)的制造单位的动作范围被修正为使POSEST(3)增加或减少了预先确定的ΔPOS(3)而得的POSEST(3)+或POSEST(3)-所示的范围。此外，也存在如上述式子的POSEST(i)0＝POSEST(i)+0(ΔPOS(i)＝0)的情况那样不修正范围的情况。
在以上说明的例子中，机械操作端位置异常区域搜索部611使用机械操作端位置变动量d26的各机械操作端的最大值、最小值来生成推定位置d31。与此相对，在计算机的处理能力有富余的情况下，还能够进一步细分化而生成推定位置d31。
另外，机械操作端位置异常区域搜索部611将来自POSEST(i)的变化量设为3种而生成了推定位置d31，但也可以通过其他处理来生成。例如，机械操作端位置异常区域搜索部611也可以精细地控制推定位置d31的变化量。此外，机械操作端位置异常区域搜索部611也可以不实施向明显不发生作业异常的方向的搜索等，根据状况适时变更。在此，明显不发生作业异常的方向考虑例如向机械操作端实绩位置的中央方向移动的情况。
机械操作端位置异常抑制控制部620根据作为机械操作端位置异常区域判定部610的输出的实绩位置异常区域操作端判定值d51、和第二形状控制部212对冷却剂操作端204的控制指令，生成向冷却剂操作端204的设定输出即冷却剂设定d41。
在根据机械操作端位置变动量d26判断为即使机械操作端位置变化也不产生作业异常的情况下，机械操作端位置预测部210也可以直接使用与机械操作端位置变动量d26同时预测出的冷却剂操作端位置预测d28。
冷却剂控制规则数据库623预先确定每个制造单位的机械操作端203与影响的冷却剂操作端204的对应。该对应也可以在轧制作业中实际操作机械操作端203和冷却剂操作端204来求出，另外，也可以通过机器学习根据实绩数据求出。在此，考虑根据实际操作的结果求出对应并登记到冷却剂控制规则数据库623中的情况。
[冷却剂操作端控制输出运算部的结构及动作]
图17表示冷却剂操作端控制输出运算部621的结构和动作。
在冷却剂控制规则数据库623(图14)中登记有能够得到与操作各机械操作端203(k)同等的效果的冷却剂流量变化必要量。图17中的(a)所示的数据库检索部631基于由机械操作端位置异常区域判定部610得到的实绩位置异常区域操作端判定值d27，从冷却剂控制规则数据库623中取出与产生作业异常的机械操作端203(k)的实绩位置变更量相应的冷却剂流量变化必要量。
然后，输出合成部632对取出的每个机械操作端203(k)的冷却剂流量变化必要量进行加法处理，得到图17中的(b)所示的异常抑制输出d42。
冷却剂操作端控制输出选择部622在加法器622a中将异常抑制输出d42与冷却剂操作端位置预测d28相加，进而在上下限处理部622b实施上下限处理后，作为冷却剂设定d41而进行输出。
冷却剂设定d41除了在冷却剂操作端204被直接设定之外，也可以作为针对操作员的引导而输出到人机接口画面，操作员根据引导来操作冷却剂操作端204。
通过以上内容，根据过去的实绩，即使实施接下来的制造单位的轧制作业，也判断为不会发生由机械操作端203的位置引起的作业异常的情况下，将冷却剂操作端位置预测d28直接作为冷却剂设定d41而进行输出。另外，在预测到发生作业异常的情况下，输出向抑制发生作业异常的方向校正后的冷却剂设定d41。
在机械操作端位置预测部210中始终对各制造单位的冷却剂设定和机械操作端的位置变动进行学习，并在下次实施同样的制造单位的轧制作业的情况下使用，由此能够实现如抑制作业异常的发生这样的冷却剂设定。
如以上说明的那样，根据本例的设备控制装置，能够防止由机械操作端203的机械操作端位置实绩值d22引起的作业异常，并且执行良好的形状控制。
[变形例]
此外，本发明并不限定于上述的实施方式例，包含各种变形例。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，在上述的实施方式例中，通过机器学习来实现了机械操作端安全操作范围决定部205，但也可以根据操作员的经验通过数学式来表现，由此实现机械操作端安全操作范围决定部205。或者，也可以预先将发生作业异常时的轧制状态数据库化，判定有无相应的情况，实现机械操作端安全操作范围决定部205。
另外，机械操作端安全操作范围决定部205也可以基于操作员、作业技术人员的知识，生成数值模型、记号逻辑模型，并在机器学习时利用。
另外，在上述的实施方式例中，机械操作端位置异常抑制控制部620在冷却剂控制规则数据库623中存储预先通过实验等求出的结果来利用。与此相对，机械操作端位置异常抑制控制部620也可以使用机器学习，根据实绩数据生成规则库。
另外，在上述的实施方式例中，以轧机的形状控制为对象，但本发明也能够应用于一般的设备控制。
另外，在图1等的框图中，控制线、信息线仅表示说明上所需的控制线、信息线，并不一定表示产品上全部的控制线、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说明的控制部等处理部可以分别由专用的硬件构成，也可以通过在计算机中安装程序(应用程序)来实现在上述的实施方式例中说明的各处理部的功能。
图18表示由计算机构成设备控制装置的情况下的硬件结构例。
图18所示的设备控制装置(计算机)100具备分别与总线连接的CPU(CentralProcessing Unit：中央处理装置)100a、ROM(Read Only Memory：只读存储器)100b以及RAM(Random Access Memory：随机存取存储器)100c。而且，设备控制装置100具备非易失性存储器100d、网络接口100e、输入输出装置100f以及输出装置100g。
CPU100a是从ROM100b读出并执行实现设备控制装置100所进行的功能的软件的程序代码的运算处理部。
向RAM100c中临时写入在运算处理的中途产生的变量、参数等。
在非易失性存储器100d中，例如使用HDD(Hard Disk Drive，硬盘驱动器)、SSD(Solid State Drive，固态驱动器)等大容量信息存储介质。在非易失性存储器100d中记录有执行设备控制装置100所进行的处理功能的程序(设备控制程序)。另外，在非易失性存储器100d中记录有进行机器学习所需的数据。
网络接口100e经由LAN(Local Area Network：局域网)、专用线等与外部进行各种信息的收发。
输入输出装置100f输入来自控制对象设备190(轧机301)的各种信息，并且输出对各操作端103、104(203、204)进行指示的信息。
显示装置100g显示控制对象设备190(轧机301)的控制状态。
此外，实现设备控制装置100进行的各处理功能的程序的信息除了HDD、SSD等非易失性存储器之外，还能够放置在半导体存储器、IC卡、SD卡、光盘等记录介质中。
另外，在由硬件构成设备控制装置的各处理部的一部分或者全部的情况下，也可以利用FPGA(Field Programmable Gate Array：现场可编程门阵列)、ASIC(ApplicationSpecific Integrated Circuit：专用集成电路)。

Claims (7)

1.一种设备控制装置，其对控制对象设备进行针对操作的响应速度为预定的响应速度的第一操作处理和针对操作的响应速度比所述第一操作处理慢的第二操作处理，其特征在于，
所述设备控制装置具备：
操作端控制部，其取得作为所述控制对象设备的目标的状态量，进行所述第一操作处理的指示；
操作端设定部，其进行所述第二操作处理的指示；
第一操作端，其通过所述操作端控制部的指示，执行所述控制对象设备的所述第一操作处理；
第二操作端，其通过所述操作端设定部的指示，执行所述控制对象设备的所述第二操作处理；
安全操作范围决定部，其基于所述第一操作端的实绩，决定由所述第一操作端进行的所述第一操作处理的安全操作范围；
学习部，其根据控制对象设备中的作业实绩，对以生产材料单位的控制对象设备的所述第一操作处理的第一操作端的位置和作为目标的状态量进行学习；以及
操作端位置预测部，其使用所述学习部中的学习结果来预测下一个生产材料的生产时的所述第一操作端的位置，
所述操作端设定部根据所述操作端位置预测部的下一个生产材料时的所述第一操作端的位置的动作范围预测值和所述安全操作范围决定部的判断，决定所述第二操作端的位置，使得在下一个生产材料的作业时所述第一操作端的位置不脱离安全操作范围。
2.根据权利要求1所述的设备控制装置，其特征在于，
由所述第一操作端进行的所述第一操作处理的控制时间响应比所述第二操作处理更高速，并且对所述控制对象设备的控制对象状态量造成的影响是有限的，
由所述第二操作端进行的所述第二操作处理的控制时间响应比所述第一操作处理更低速，并且对所述控制对象设备的控制对象状态量的整个区域造成影响。
3.根据权利要求1所述的设备控制装置，其特征在于，
安全操作范围决定部使用所述控制对象设备的实绩数据来识别作业异常发生，并将作业异常发生时的实绩数据设为监督数据，由此学习实绩数据与作业异常的关系，决定安全操作范围，
所述操作端位置预测部将所述控制对象设备的以生产材料单位的所述第一操作端及所述第二操作端的位置实绩和包含产品信息的产品实绩数据设为监督数据，由此预测以生产材料单位的所述第一操作端和所述第二操作端的位置变动。
4.根据权利要求3所述的设备控制装置，其特征在于，
基于收集到的实绩数据进行机器学习来得到实绩数据与作业异常的关系。
5.根据权利要求1至4中任一项所述的设备控制装置，其特征在于，
所述控制对象设备为轧机，
所述第一操作处理是通过机械构造使形状变化的机械形状操作处理，
所述第二操作处理是通过变更冷却剂的板宽方向的喷射量来使形状变化的冷却剂形状操作处理，
安全操作范围决定部基于所述第一操作端的不发生作业异常的机械位置的实绩值，决定所述第一操作处理的安全操作范围，
所述设备控制装置具有：操作端位置预测部，其根据作为控制对象设备的轧机的作业实绩，对以生产材料单位的轧机的所述第一操作端的位置和所述第二操作端的位置进行学习，使用其学习结果预测下一个生产材料的生产时的所述第一操作端的位置，
所述操作端设定部根据所述操作端位置预测部的下一个生产材料时的所述第一操作端的位置的动作范围预测值和所述安全操作范围决定部的判断，决定所述第二操作端的位置，使得在下一个生产材料的作业时所述第一操作端的位置不脱离安全操作范围。
6.一种设备控制方法，由运算处理部对控制对象设备执行针对由第一操作端进行的操作的响应速度为预定的响应速度的第一操作处理、和针对操作的响应速度比所述第一操作处理慢的通过第二操作端进行的操作进行的第二操作处理，其特征在于，
所述设备控制方法包含：
控制步骤，所述运算处理部取得作为所述控制对象设备的目标的状态量，进行所述第一操作处理的指示；
操作端设定步骤，进行所述第二操作处理的指示；
第一操作执行步骤，通过所述控制步骤的指示，所述运算处理部执行所述控制对象设备的所述第一操作处理；
第二操作执行步骤，通过所述操作端设定步骤所进行的指示，所述运算处理部执行所述控制对象设备的所述第二操作处理；
安全操作范围决定步骤，基于所述第一操作处理的实绩，所述运算处理部决定由所述第一操作执行步骤进行的所述第一操作处理的安全操作范围；
学习步骤，根据控制对象设备中的作业实绩，对以生产材料单位的控制对象设备的所述第一操作处理的第一操作端的位置和作为目标的状态量进行学习；以及
操作端位置预测步骤，使用所述学习步骤中的学习结果来预测下一个生产材料的生产时的所述第一操作端的位置，
所述操作端设定步骤，根据所述操作端位置预测步骤中的下一个生产材料时的所述第一操作端的位置的动作范围预测值和所述安全操作范围决定步骤中的判断，决定所述第二操作端的位置，使得在下一个生产材料的作业时所述第一操作端的位置不脱离安全操作范围。
7.一种程序，使计算机对控制对象设备执行针对由第一操作端进行的操作的响应速度为预定的响应速度的第一操作处理、和针对操作的响应速度比所述第一操作处理慢的通过第二操作端进行的操作进行的第二操作处理，其特征在于，
所述程序使所述计算机执行：
控制步骤，取得作为所述控制对象设备的目标的状态量，进行所述第一操作处理的指示；
操作端设定步骤，进行所述第二操作处理的指示；
第一操作执行步骤，通过所述控制步骤的指示，执行所述控制对象设备的所述第一操作处理；
第二操作执行步骤，通过所述操作端设定步骤的指示，执行所述控制对象设备的所述第二操作处理；
安全操作范围决定步骤，基于所述第一操作处理的实绩，决定由所述第一操作执行步骤进行的所述第一操作处理的安全操作范围；
学习步骤，根据控制对象设备中的作业实绩，对以生产材料单位的控制对象设备的所述第一操作处理的第一操作端的位置和作为目标的状态量进行学习；以及
操作端位置预测步骤，使用所述学习步骤中的学习结果来预测下一个生产材料的生产时的所述第一操作端的位置，
所述操作端设定步骤，根据所述操作端位置预测步骤中的下一个生产材料时的所述第一操作端的位置的动作范围预测值和所述安全操作范围决定步骤中的判断，决定所述第二操作端的位置，使得在下一个生产材料的作业时所述第一操作端的位置不脱离安全操作范围。
CN202210254420.7A 2021-05-28 2022-03-15 设备控制装置、设备控制方法以及程序 Pending CN115407727A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021090147A JP2022182539A (ja) 2021-05-28 2021-05-28 プラント制御装置、プラント制御方法及びプログラム
JP2021-090147 2021-05-28

Publications (1)

Publication Number Publication Date
CN115407727A true CN115407727A (zh) 2022-11-29

Family

ID=83997100

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210254420.7A Pending CN115407727A (zh) 2021-05-28 2022-03-15 设备控制装置、设备控制方法以及程序

Country Status (4)

Country Link
JP (1) JP2022182539A (zh)
KR (1) KR20220161169A (zh)
CN (1) CN115407727A (zh)
DE (1) DE102022204931B4 (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2515028B2 (ja) 1988-12-28 1996-07-10 古河電気工業株式会社 圧延機の形状制御方法及びこの方法を実施する装置
JP2804161B2 (ja) 1990-06-04 1998-09-24 株式会社日立製作所 センジマーミルの形状制御方法および装置
JP6672094B2 (ja) 2016-07-01 2020-03-25 株式会社日立製作所 プラント制御装置、圧延制御装置、プラント制御方法およびプラント制御プログラム
JP2022107463A (ja) 2021-01-08 2022-07-21 株式会社日立製作所 プラント制御装置、プラント制御方法及びプログラム

Also Published As

Publication number Publication date
DE102022204931A1 (de) 2022-12-01
DE102022204931B4 (de) 2023-09-07
KR20220161169A (ko) 2022-12-06
JP2022182539A (ja) 2022-12-08

Similar Documents

Publication Publication Date Title
JP4589850B2 (ja) 圧延制御装置および圧延制御方法
JP7059990B2 (ja) 形状予測モデルの生成方法、圧延形状予測方法、金属板の圧延方法、金属板の製造方法、及び金属板の圧延設備
CN109675935A (zh) 一种变控制限的ipca轧制过程在线故障诊断方法
US5930136A (en) Control device for controlling a controlled apparatus, and a control method therefor
DE102020210967A1 (de) Verfahren und System zur Optimierung eines Produktionsprozesses in einer Produktionsanlage der metallerzeugenden Industrie, der Nicht-Eisen-Industrie oder der Stahlindustrie zur Herstellung von Halbzeugen oder Fertigerzeugnissen, insbesondere zur Überwachung von Produktqualitäten von gewalzten oder geschmiedeten Metallerzeugnissen
TWI749735B (zh) 收縮產生預測系統
JP2021030300A (ja) 熱延工程での反り予測方法、反り制御方法、熱延鋼板の製造方法、反り予測モデルの生成方法、及び熱延設備
JP2021098213A (ja) 熱間圧延の反り予測方法、反り制御方法、熱延鋼板の製造方法、反り予測モデルの生成方法、及び熱延設備
CN114749494A (zh) 工厂设备控制装置、工厂设备控制方法以及程序
CN115407727A (zh) 设备控制装置、设备控制方法以及程序
JP3020771B2 (ja) プラント制御装置
JP5712009B2 (ja) 圧延制御装置、圧延制御方法及び圧延制御プログラム
EP4134181A1 (en) Metal tube manufacturing method and device
JP2011221645A (ja) 品質予測装置、品質予測方法、コンピュータプログラム、およびコンピュータ読み取り可能な記録媒体
JP2021133415A (ja) モデル学習方法、走間板厚変更方法、鋼板の製造方法、モデル学習装置、走間板厚変更装置および鋼板の製造装置
JP2022107463A5 (zh)
KR20030054325A (ko) 냉연 연속소둔라인의 조질압연 센터마크 방지를 위한제어방법
TWI760085B (zh) 軋延材的形狀控制系統
JP2020119194A (ja) ドライブ応答監視装置
JP7277604B2 (ja) 金属ストリップの圧延に際する起伏の防止
JPH07185620A (ja) 圧延装置
US20230330742A1 (en) Training-free data-driven method for input-output modeling of complex process
WO2024018665A1 (ja) 冷間圧延機の圧延条件設定方法、冷間圧延方法、鋼板の製造方法、冷間圧延機の圧延条件設定装置および冷間圧延機
JP2024012077A (ja) 圧延設備の形状制御アクチュエータ設定モデルの生成方法、圧延設備の形状制御アクチュエータの設定方法、鋼板の形状制御方法、鋼板の形状制御装置、及び鋼板の製造方法
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

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