CN1244032C - 原料工业设备或原料加工工业设备的控制系统 - Google Patents

Abstract

一种用于原料工业设备或原料加工工业设备的控制系统，例如用于制造钢带或有色金属带的冶炼设备，这种控制系统根据输入的基本过程数据，通过计算，自动确认设备的状态和在该设备中正在进行的制造过程的细节情况，例如钢带的连续的浇铸过程状态，并且生成调优的适当的指令，以获得可靠的生产结果。

Description

原料工业设备或原料加工 工业设备的控制系统

技术领域

本发明涉及一种原料工业设备或原料加工工业设备等的控制系统，例如用于制造钢带或有色金属带的冶炼设备的控制系统，这种控制系统根据输入的基本过程数据，通过计算，自动确认设备的状态和在该设备中正在进行的制造过程的细节情况，例如钢带的连续的浇铸过程状态，并且产生适合情况的指令，获得可靠的生产结果。

背景技术

一般生产或加工产品或能量的工业设备都需有一个控制系统，其作用是对设备中执行的过程进行优化和实行经济合理的控制。至今，这种控制功能是采用常规的控制技术的设备尽可能实现的，其效果只能实现次优化。尤其是在生产过程中出现大量的控制技术问题时，投入必要的控制技术所需的费用越来越多，但却得不到令人满人的效果。

金属带式浇铸设备的运行带来大量的控制技术问题，已知可采用相互间连接的单个控制器或控制电路实现控制，上述装置例如已公开在EP-0138059-A1和EP-0228038以及日本钢铁公司三菱重工业有限公司1994年金属协会会议集中的署名为K.Yanagi等的题为“双筒不锈钢带钢浇铸机的发展”的文章中，这种用于生产钢带的公知调节方法以次优化方式工作，尽管它采用了部分数学模型式调节装置，但是其控制标准和质量仍然存在相当大的不稳定性。采用已有的调节器和调节回路进行控制的设备的不足之处在于其必须采用昂贵的快速流体执行机构。

在已有技术中，采用了一种至少部分地解决了上述问题的专家系统，这个专家系统是一个用于原料工业设备的智能系统，它对产品的质量即使涉及控制技术难以掌握的技术特征也能进行控制优化。这个现有技术的专家系统可参阅由《国际冶金制造和工艺》5/1994中所公开的题为“连续浇铸过程的优化的最佳方式”的文章。在这个专家系统中，尽管改善了生产指标，但是仍然没有消除常规调节方法的基本缺陷，尤其在由于缺少合适的传感器(类似于原料加工工业)，不能直接对内部的高温过程进行控制的过程中更为明显。

EP 0 411 962公开了一种对带钢浇铸实现间接调节的方法，它以可靠的输入参数曲线族作为控制基础开始控制，这个曲线族提供了已知的输入参数—位置的变化趋势，通过预定额定值将专家知识转换为设备控制，当质量变化或要求变化时需进行昂贵的设备行为测试，以获得所需的新的控制曲线。此外，这种工作方式离过程优化还相距很远。

发明内容

本发明的目的在于提供一种用于常规方法难以控制的生产过程的控制系统，例如金属带的带式浇铸的生产过程的控制系统，它能够在低成本的设备中达到更好的生产效果。

本发明的目的是通过一个真正智能化的控制系统实现的，它根据预先给定的已有知识，自动产生一个可靠的和尽可能优化的与过程控制相符合的指令。这是一个完整的技术的智能系统，它采用当今使用的计算技术方法，能够特别有效地实现即使是大型设备的过程调优控制。

根据本发明的方案，本发明的控制系统通过计算技术逐步优化地形成符合过程实际的指令。由此可提高实现过程控制的质量优化的智能性能，这种功能是操作人员不能，或至少在计算技术所达到的短时间内不能实现的。

根据本发明的又一方案，预先给定的已有知识，即由人预先给定的过程知识最好自动地在生产期间随过程的发展不断被进行内部计算，例如在不同的工作点上计算出新的值，并且这些自动产生的过程知识作为调优的新的已有知识存储在一个不断更新的数据存储器中。于是提供了一个非常有效的持续优化的基础，以便实现过程的进一步适配或优化。这些新获得的知识不仅与参数的准确性有关，而且与所用的算法原理有关。

一个具有可靠的生产能力的可以为用户所信任的控制系统具有一个与该设备组件对应的基本函数系统，它将从一个过程模型(最好是过程总模型)获得的计算技术产生的指令可靠地转换为过程控制指令。通过将可靠的基本函数系统，该系统最好是一个综合设备各组件的能够可靠工作的基础自动化系统，和一个与实际过程适配的稳定的过程模型相连结，形成该控制系统的一个实施例，这种控制系统至少具有与传统的控制系统相同的过程控制可靠性，而且在降低成本和提高利用率及生产能力可靠性上优于传统的控制系统。

这种控制系统的主要优点在于能够为设备组件提供适于过程实际的以调节值为形式的指令，例如直接提供位置控制值，或间接提供关于转速的控制器额定值。这些指令最好直接根据过程模型的参数确定。其中涉及时间限制的额定值最好是连机地处理，其他的采用脱机方式。因此可以在尽可能少的额定值计算的条件下根据不断变换的过程情况，得到相当有利的设备的调节反应。

为了提高设备的运行可靠性，所述基础自动化系统是一个独立地保证该设备或各设备组件处于可靠状态和过程状态的可靠的子系统，例如一个故障状态返回系统，在必要时取代计算所产生的指令，调用数据存储器所存储的可靠的状态数据。这样，当智能计算部件出现错误和中断时，所述自动化系统仍可提供可靠的尽管是次优化的工作。

这种基础自动化系统最好具有人工或自动的起动和加速例程，以及次优化的正常运行例程，其中以固定不变的可靠的预定值取代了通常采用计算方法获得的各个指令。这种基础自动化系统的结构尤其适合于运行调试阶段及一种具有交替的跳跃式请求的工作状态。此时，各模型部分不必以特定的适配形式供智能计算部件的次优化函数使用。这种系统还适用于运行部分的和/或部分适配的过程总模型。

过程模型本身采用过程总模型形式以模块结构组成，其包含和描述了过程输入参数、调节参数和过程输出参数(例如所制造的产品的质量特征值)之间的特性关系。这种模块特性允许构成有利的过程总模型和对其进行处理，因为它所依据的单个的子模型是一目了然的。这种过程模型应尽可能基于数学描述方式产生，如果不可能采用数学方式的话，可采用语言学方式表达模型部分来实现，例如通过模糊系统、神经模糊系统及专家系统等等实现。对于全新的设备部件，没有可构成模型的数学—物理、化学或冶金学的基础，或不存在采用语言学方式表达的过程知识，在这种情况下，使用自动学习系统，例如神经元网络。于是对于所有生产设备，无论其规模大小或结构如何都可建立一个过程总模型。

显然，生产过程可以用常规方法运行按常规的低成本方法工作的部分，根据所使用的常规部分的作用，适当地取代通常必要的模型模块。例如在轧机的卷轴部分就是这种情况。

这个过程模型最好可根据存储在过程数据库中的过程数据，不断与过程适配和渐进地优化，所用的方法包括适配方法、自动学习方法，例如一种后向传播学习法或对于不同的子模型的选择方法，如神经元网络或其部分。于是所提供的模型是一种其主要部分能够自动学习的模型，可实现联机或脱机的适配调节或优化。

在优选的实施例中，可以调节的过程变量通过优化器在过程模型上是这样被渐进优化的，模型输出参数(尤其是产品的质量特征值)应尽可能地与预定的，例如力求达到的值一致。通过对于优化过程的脱机处理，能够合理地控制此过程的计算量。这种脱机优化可以与模型适配并行在分立的计算机完成，也可在休息期间，例如周末或维修停机期间，在一个提供基础函数系统的运行控制参数的计算机上完成。

这种优化采用常规的优化方法实现，特别是通过遗传学算法。具体的优化方法的选择视实际情况和实际问题而定。例如可以根据预定值、根据对于过程进程的分析，或从优化方法集合中进行计算技术的选择。这里可以采用一种简单的“试误差逐次逼近法”。为减少计算工作量，建议在消除误差过程中通过收敛标准和图形识别方法来支持“试误差逐次逼近法”。

每次优化的初始值最好从存储在过程数据存储器中的次优化的运行数据中获得。这样可以减少优化的工作量，因为优化计算从预先优化的值开始，这些值被看作可靠识别出的中间值而作为起始值使用。

总系统的优化过程至少分为三级，最低一级是对于存储在数据存储器中的已有过程知识的不断优化，例如这种过程知识的形式为次优化的可靠的工作点，其自动地逐渐接近一个良好适配的过程知识水平，并且由此继续进行优化。

第二级主要由过程适配构成，它使模型特性尽可能与过程特性相符合。

第三级由过程优化装置渐进地产生符合实际的调优的指令，例如采用进化策略和遗传学算法等。这种策略要求大量的计算时间，最好脱机实现。

所述的系统优化过程也可以通过外部的模拟计算、模型试制实现，可能的情况下，还可以借助辅助手段在生产设备上进行实验，从而实现优化。

附图说明

下面将以一个钢带浇注设备为例更详细地说明本发明的控制系统。本发明的细节和优点进一步体现在附图和附图说明及从属权利要求书的内容中。其中：

图1表示具有测量数据采集和调节参数输出的钢带浇铸的原理图；

图2表示具有额定值预给定的控制系统的“智能”部分的结构；

图3表示过程优化器的详细结构；

图4表示适配过程的详细构成；

图5表示过程模型重要的组成部分及其粗略联结结构；

图6表示数据存储器的重要发明部分；

图7表示基本自动化单元的组件图。

具体实施方式

图1中标号1表示一个双轧滚浇铸设备中的浇铸轧滚，其中在浇铸轧滚1之间通过浇铸盘5和一个插入管6从铸锅4注入例如液体钢，并冷凝为钢带3，钢带3能够在一个通过带有运动箭头的滚子2表示的轧制设备中继续成形。当轧制不是在浇铸后直接进行时，后接的轧制设备中也可以简单地通过输送滚，卷轴等代替。整个设备的改进根据需要进行。也可将浇铸设备后接的设备作为冷热轧机构成，这在非常高的浇铸速度下是值得推荐的，因为此时设备的冷轧部分可以充分满载。

在浇铸轧滚和后接的设备之间，该浇铸轧制设备优选具有一个同样仅用符号表示的电动系统8，9和一个感应加热系统10。其中电动系统8有利地用于减轻浇铸后尚非常软，因而有收缩危险的钢带3的重量，电动系统9引导钢带3，而感应加热系统10的任务是当例如在轧制设备后直接进行钢带成形时保持钢带宽度上的一个预定的温度曲线。这特别对于裂缝敏感的钢极为有利。通过一个摄像机73控制浇铸的钢带3的裂缝，这里可以充分利用氧化皮中的裂缝分布受基本材料中的裂缝影响这一事实。优选通过一个模糊神经系统构成一测量参数。

为避免温度变化造成的影响，浇铸轧滚的表面温度应该基本保持恒定，所以通过一个IR加热系统7，一个感应加热系统或类似系统，将该表面温度(即使在不与液体钢接触的区域)也保持在工作温度。仅示意性示出的浇铸轧制设备的这些和其它单个组件通过例如温度调节器，流量调节器，转速调节器等在基本自动化单元的范围内通过一个调整参数输出组件12直接或者受控预调。调整装置和控制器等的实际值在测量数据采集装置1中被采集和处理，以提供给数据存储器和模型输入以及以未示出的方式提供给基本自动化组件。通过由箭头符号表示的数据传输路径I，II和VI，该浇铸轧制设备与控制系统的智能部分连接，其中在该浇铸轧制设备的两个浇铸轧滚1上形成的钢凝固铸型不仅成为一体，而且已经具有预先精确的尺寸。

图2表示控制系统智能部分的结构。它基本上由过程优化器15，模型20，模型适配16和数据存储器17组成。控制系统的这些组件协同作用，使通过额定值输出组件13经由数据线V为过程控制提供尽可能好的，适合的指令。该指令然后转换用于基本自动化系统的额定值。下面说明各部分的任务及其功能。

模型组件20建立静态过程行为的模型

y_i＝f_i(u₁，...，u_i，...，v₁，...，v_i，...)

即n个模型输出参数y_i与可以影响过程的调节参数u_i的依赖关系和与不可影响的过程参数y_i例如冷却水温度的依赖关系。如上所述，这里模型输出参数是典型的产品的质量参数。模型

${\tilde{y}}_i={\tilde{y}}_i(u_I,...,u_i,...,v_I,...,v_i,...)$

一般不准确包含过程行为，因y_i和

彼此多少有些偏差。调节参数u_i和不可影响的调节参数v_i通过数据线I和II进行传输。

模型适配16的任务是改进模型，以便使模型的行为尽可能与过程行为一致。通过根据连续采集的过程数据适配或跟踪这些模型至少可以对模型连机实现上述要求。

对于其它的模型也可以在规定时刻脱机进行适配。这一点可以根据m个表示过程的过程状态(u^k _i，v^k _i，y^k _i)实现，这些过程状态存储在数据存储器17中。指数k为各过程状态编号。通过这种适配方式，可以根据模型参数或模型结构减小模型误差：

$\begin{array}{c}\mathrm{\ϵ}=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i^k-{\tilde{y}}_i^k)}^2\\ =\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left(f_i(u_I^k,...,u_i^k,...,v_I^k,...,v_i^k,...){\tilde{f}}_i(u_I^k,...,u_i^k,...,v_I^k,...,v_i^k,...)\right)}^2\end{array}$

也就是说，这样改变模型参数或者模型结构，使得ε尽可能小。

过程优化器的任务是通过一种优化方法和过程模型找出能实现尽可能良好的过程行为的调节参数u_i。过程优化器在规定的，例如手工给定的时刻脱机操作，并如下实现：

首先，使不可影响的待优化的调节参数v_i(例如当前的)保持恒定并通过数据线II将其提供给模型。然后通过开关18将过程优化器与模型连接。它给出模型的调节值u_i，通过模型组件确定输出值y_i。其与额定输出值y_soll，i比较，并确定误差

$E=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_{\mathrm{Soll},i}-{\tilde{y}}_i)}^2$

应该使误差E最小。为此，过程优化器在每次包含计算y_i和E以及重新选出u_i的一个迭代循环中改变调节参数u_i，直到该误差不能再减小，或者这一优化被人工中断。作为优化方法，可以使用例如遗传学算法，Hill-Climbing(登山)方法等。

如此得到的作为上述最小化结果的最优调节参数u_opt，i通过额定值预给定组件和数据线V作为额定值传送给基本功能系统。

数据存储器的主要任务是存储重要的过程状态(u_i，v_i，y_i)。为此，它不断用新算出的过程数据替换旧的过程数据，以便根据这些数据描述当前(即使是逐点的)过程。然后，如上所述，数据存储器一方面用于适配模型。另一方面它还为过程优化器提供起始值u_i。这里起始值例如这样选择，使得该起始值的输出值y_i尽可能好地与额定值y_soll，i一致。

模型组件20和过程优化器15(它们例如用遗传学算法进行模型进化)优选以脱机方式运行，这是因为由于一个具有多种可能安排的设备控制模型的复杂性会导致进化的优化过程的计算时间较长。即使对于例如根据一个可能的模型行为选择的良好的优化策略，也要将许多优化过程计算到达到一个明显的优化改进为止。

按照本发明的应用模型结构的建立和一个重要的部分模型的建立例如在Elsevier科学公司出版的“控制工程实践”，1994年，第二卷，第六期，961-967页S.Bernhard，M.Enning和H.Rabe等人的文章“薄钢带直接浇铸实验室工厂的自动化”中进行了说明。从这一公开中可以获悉适合的基本自动化系统的基本结构和启动子例程的基本结构，专业人员可以在其上建立基本自动化系统和启动子例程。

工作站(例如Sun公司的工作站)适合用于过程优化和参数适配。对于大的控制系统，最好使用并行计算机。这在模型可以分为模型模块时特别合适，可以根据各部分组件的依赖关系进行优化。

额定值(在所选择的实施例中为流过钢带厚度、断面形状、钢带表面质量的额定值)汇集到比较点19，并在此连续进行模型计算的结果与预给定的额定值的比较，通过优化而使其差别最小化。因为一般技术过程的这一误差不可能为零，所以必须把优化过程限定在有意义的范围内，亦即预定使其中断。用于中断优化和每次启动新额定值的给定的程序结构的精确步骤示于图3。

图3中的58表示各次要选择的一个误差函数，确定的误差(额定值偏离)被输入到该函数。在61判定该误差函数是否满足优化过程的中断条件。如果满足，则继续输出优化的控制和调节参数。在达到中断条件之前，起始值连续地从数据存储器到达起始值预给定组件59，在查找步骤60从中借助于例如一个模糊插值不是从优化器，而是从数据存储器为一个子优化过程控制获得一个控制和调节参数。在达到一个适配当前控制系统知识状态的一个预先规定的性能因子后进行切换。如前所述，最小化过程(该过程永远不是绝对的)在达到这一预先规定的性能因子后被中断。

此外，当该模型与该过程连接时，也就是说开关1闭合时，该模型还有利地产生一个指示达到关键性的操作状态的一个告警信号。这样的过程已经公知，并以同样的方式存在于常规的控制系统中。

图4表示借助于一种优化算法实现模型适配的机理，图中数据从起始值预给定组件61到达查找步骤单元62，并从这里作为模型参数继续传送给模型63。模型63与数据存储器64一起构成一个参数改进循环，它在65以已知的方式比较已建立和存储的值。该比较值被输入给误差函数67，它把其值进一步导向中断条件单元66。如果满足中断条件，则该模型不再继续改进，而以现有值进行处理。否则将使用另外的查找步骤继续进行优化并将中间值继续输送给数据存储器。

图5表示本实施例的过程总模型的重要的分模型，图中46表示输入模型，其中集合了外部影响，例如所使用的材料的质量的影响。由使用的钢质量产生例如液相曲线值，固态曲线值，以及其它表示浇铸行为的参数。47表示浇铸盘模型，在其中输入例如该浇铸盘的钢体积，插入管位置以及填塞位置和钢流出温度。输入模型46和47汇集在分模型56中，它再现导入的材料的状态。这种分模型可以极为有利地与其它分模型例如浇铸区域模型，轧制区域模型等并行优化。

输入模型48包括影响凝固的影响参数，例如浇铸轧滚冷却，红外加热等。输入模型49包括热平衡需要的数值，如钢浇铸轧滚温度差，作为润滑剂数量函数的润滑剂的影响，各种钢号晶体形成速度以及例如轧滚表面状态。输入模型50包括例如浇铸平面特征的影响参数，如浇铸平面高度，炉渣层厚度和幅射系数。输入模型48，49和50汇集在一个重现输出浇铸区域状态的分模型54中。这种模型区域汇集一般对于生产区域是有利的，因为它简化和改进了总模型优化。分模型相互之间部分地还彼此依赖，输入模型49(热平衡输入模型)和输入模型50(浇铸平面特征模型)在很大程度上就是如此。为简单起见，未表示从属依赖关系。

分模型51包括所有对凝固工作面的影响参数，该凝固工作面是在两个冷却轧滚上凝固的金属层同时出现的区域。这些影响主要是由浇铸轧滚执行的变形功，浇铸轧滚或者轧出的钢带的振动宽度，侧缝密封影响以及总系统的紧张程度，这例如是一个模糊模型。分模型52再现轧出值，例如，钢带的质量，轧出钢的温度和分配，也包括形成的氧化皮的粘接性及其状态。输入模型53和输入模型74也汇入分模型52中，它们涉及带钢横向温度曲线和该带钢表面状态。在极为有利的场合，在涉及一个带钢浇铸轧机时，一个轧机陡度模型54也汇入这一特别的过程模型，因为在从轧机机架脱出后产品的形成是决定性的准则。

分模型汇集在产品形成模型57，它汇集了形成的带钢的厚度曲线、带钢厚度、可能的误差曲线、带钢的核心结构、表面结构等。带钢的表面结构，特别是核心结构只能以很大的延时计算出。因此，这里优选采用基于神经元网络的分模型来定性和定量计算影响参数。

从前面的叙述可以看出以模块形式建立的模型的优点，特别因为一个复杂的整体系统模型的各部分可并行操作。这对于一个设备在投入运行期间特别有利，在这一期间，输入模型和分模型必须要适配实际的情况彼此连接等等。

图6最后表示本发明数据存储器结构的重要部分。68表示过程数据库，69表示模型参数存储器部分，70表示用于优化器的起始值的部分，71表示用于可靠操作点的存储器部分。在68中还存储有各个模型的形成。

基本自动化单元必须执行大量的功能，它的调节、控制、闭锁构成控制系统的一个不可缺少的部分，因为它在本发明控制系统的模型部分出现功能故障时也能保证该设备可靠运行。

在图7中用“黑盒子”表示各功能(未端接)。其中21表示在实施例中通过单一转速调节器的流量调节，22表示浇铸盘加热控制，23表示浇铸平面调节，24表示浇铸盘轧出控制，25表示维持浇铸轧滚的操作温度的红外灯7或类似灯的加热功率。26表示润滑剂添加量的控制，例如以散装的浇铸粉或者向浇铸轧滚上涂敷浇铸粉膏的形式。27表示冷却水量控制，28表示可能的轧制振荡调节，29表示电气驱动控制，30表示轧缝调节，31表示轧滚转速调节，32表示可能的轧滚转矩的调节，33表示由例如一个刷子和一个刮刀组成的浇铸轧滚清洁系统的预调，34表示用于钢带重量平衡的电动系统的调节以及35表示浇铸后的钢带的振动宽度的调节。36表示用于侧缝密封的一个电动系统的单个部分的调节，37表示浇铸轧滚之间的小室侧壁的加热调节。38表示感应加热系统10的温度曲线调节。39以及其它调节单元表示后接的成形单元例如轧机机架，轧机机架之间的牵引等的调节。时间控制45作用于上述调整装置，控制器等，它在时间上协调控制参数输出等。在方框40中例如汇集了辅助控制和闭锁装置，例如41表示起动自动机构，42表示断开自动机构，43和44表示闭锁装置，它们例如防止液体钢在浇铸轧滚对和成形轧滚能够工作之前流动等。此外，还有在原理图上未示出的用于可能需要的钢带分离(例如通过激光)，用于影响形成氧化皮(例如通过硅酸盐化)，用于轧滚润滑等的其它系统。测量数据I和额定值预给定V汇集在基本自动化单元中，并形成调节参数IV，借助该参数对设备进行控制。

下面以浇铸轧制过程为例详细叙述自身优化并根据知识继续发展的控制系统的特征。

浇铸轧制过程包括多个分过程，它们的形成和影响对于最终产品起决定性作用，根据本发明可通过一系列可调节的过程参数例如浇铸轧制裂缝，浇铸轧制曲线，浇铸平面高度等影响和优化最终产品的特征，例如其厚度，厚度曲线以及其表面形成，它们反过来影响在浇铸轧滚上附着、凝固的金属层汇合区的位置。为实现控制和优化，本发明有利地建立了一个描述过程行为的整体过程模型。根据这一过程模型可以根据过程条件逐步适配和优化用于影响过程的影响参数。通过该优化确定的适合当前状况的指令能导致过程的改进。虽然在制造时软件费用相对昂贵(但是只要再用很小的花费，也可以用于其它设备)，但是总体费用极大地节省，因为与常规的设备相比，该设备可以用非常简单的机械组件，更少的控制器等工作。此外传感机构也十分简单，因为只需要采集现行的过程输出参数。

控制系统的自动改进的智能部分由三个重要的元件组成：这三个元件是过程模型，模型适配和过程优化器。过程模型由分系统(模块)组成，这些分系统依据的过程知识具有不同类型。在物理关系的知识下，可以建立经典的物理数学模型。如果只拥有经验和估计，则使用模糊或神经模糊系统。如果人们很少或者全然不知过程行为，就像在裂缝形成或表面形成的场合，则使用(至少在开始时)神经元网络来建立过程。该模型总体上描述过程参数之间的关系，例如在选择的例子中浇铸平面高度，浇铸材料的状态值和质量，浇铸轧滚的预调值等以及钢带的质量参数，例如厚度，曲线和表面成形。

因为该模型在一定的程度上也许以一个极大的百分率建立在不确定的知识上，所以它不准确。也就是说必须根据获得的过程数据对该模型进行适配，修改等等。这一点有利地通过已知的建立在过去的过程状态数据上的模型适配实现。根据这些数据，如此调节模型参数，使得模型行为尽可能好地适配过程行为。此外，该模型还自改变优化。例如通过遗传学算法，组合进化等。相应的优化策略已经公知，例如从Ulrich Hofmann，HannsHofmann所著“优化入门”一书，化学出版社有限公司，1971Weinheim/Bergstrasse；H.P.Schwefel所著“通过进化策略对计算机模型进行数值优化”一书，Basel，Sttutgatt，Birkhaeuser 1977；Eberhard Schoeneburg所著“遗传学算法和进化策略”一书，Bonn，Paris，Reading，Mass，Addison-Wesley，1994；Jochen Heistermann所著“遗传学算法：进化优化的理论和实践”一书，Stuttgart，Leipzig，Teubner，1994(Teubner-Texte ZurInformatik；Bd 9)。

具有上述优点的本发明的控制系统可取代一个控制系统迄今为止的建立结构。通过一个主要涉及过程级(I级)的基本自动化单元，可获得一个只有一级的智能控制系统，其中为其预先规定生产额定值并由其自动产生所有预定参数(调节指令)(II级)。该系统在智能自优化中根据已经达到的过程结果总是得到更好的过程结果。因此可以省略单一反馈控制单路，仅需要用于控制质量的传感器，以便控制过程结果。本发明的控制系统还仅具有两个重要的级，其智能级除编程外不需任何可视性。但是为了控制的目的可以以已知的方式显示基本自动化单元的元件。

Claims (21)

1.一种用于原料工业设备或原料加工工业设备的控制系统，具有：

模型组件(20)，用于建立静态过程行为模型；

模型适配组件(16)，用于改进模型，使其尽可能与由模型组件建立的过程行为一致；

过程优化器(15)，用于利用优化算法和过程模型找出能获得尽可能好的过程行为的过程调节参数，其中，该控制系统根据输入的基础过程实际知识，通过模型适配和过程优化，自动识别设备的状态和在该设备中正在运行的制造过程的细节情况，并且输出适当的额定值预给定参数(V)，以获得可靠的、尽可能优良的制造过程及效果，其特征在于，所述过程模型由具有子模型的模块构成，并描述过程输入参数及调节参数和过程输出参数之间的特征，该控制系统借助所述过程模型对所述设备和各单独的设备部分的状态连续地进行模拟，以进行优化。

2.根据权利要求1所述的控制系统，其特征在于，适合实际的额定值预给定参数(V)自动地按照预定的优化程序获得。

3.根据权利要求1或2所述的控制系统，其特征在于，其还具有数据存储器(17)，其中，输入的基础过程知识在生产期间在过程模型(20)的不同的工作点上通过内部计算获得的知识不断地自动调优，并且这些自动产生的过程知识作为新的基础过程知识存入该不断更新的数据存储器(17)中。

4.根据权利要求3所述的控制系统，其特征在于，该系统将所述适合实际的形式为调节值的额定值预给定参数(V)以位置控制值的形式直接提供给设备组件或以转速的形式通过控制器额定值间接提供给设备组件。

5.根据权利要求4所述的控制系统，其特征在于，该系统具有设备部件的基本函数系统，它由过程模型(20)经过计算获得的知识，将额定值预给定参数(V)可靠地转换为设备控制。

6.根据权利要求5所述的控制系统，其特征在于，基本函数系统是一种由各设备部件或其组合形成的能可靠工作的基础自动化系统。

7.根据权利要求5或6所述的控制系统，其特征在于，所述基本函数系统直接由控制系统的智能部分获得其预定值，该部分根据对过程模型(20)的适配过程和/或优化过程的结果计算出上述预定值。

8.根据权利要求7所述的控制系统，其特征在于，基础控制系统是一个独立地、保证设备和设备生产过程的可靠工作的子系统(故障状态返回系统)，它取代计算所得的额定值预给定参数(V)，调用存入数据存储器中的可靠识别出的工作参数值。

9.根据权利要求7所述的控制系统，其特征在于，这种基本函数系统具有起动和加快程序，它可以手动或自动输入，还包括次优化正常运行程序，它采用常数预定值取代单个的通常计算获得的额定值预给定参数(V)。

10.根据权利要求1所述的控制系统，其特征在于，所述过程输出参数是产品的质量特征值。

11.根据权利要求1所述的控制系统，其特征在于，只要所述过程模型能够根据数学物理的、化学的、冶金学的、生物学的以及其它规律模型化，则它们至少部分地具有数学表述形式。

12.根据权利要求11所述的控制系统，其特征在于，对于存在有用语言学表述的过程知识的设备组件，所述系统具有语言学形式的模型部分，其可以通过模糊系统、神经模糊系统、专家系统或者表格实现。

13.根据权利要求12所述的控制系统，其特征在于，对于不能根据数学物理的、生物的或者冶金学的基础构成模型或者不能根据语言学表述的过程知识构成模型的设备组件，所述过程模型具有自学或者自学式自形成结构的系统。

14.根据权利要求13所述的控制系统，其特征在于，所述过程模型根据在过程数据库收集的过程数据不断适配或者跟踪该过程，它通过适配方法或者学习方法、通过一个用于不同分系统的后向传播学习方法或者一个选择方法来实现。

15.根据权利要求14所述的控制系统，其特征在于，以脱机方式，通过所述优化器如此优化所述过程模型，使得模型输出参数、该过程结果的质量特征值，尽可能与预先规定的期望达到的值一致。

16.根据权利要求15所述的控制系统，其特征在于，所述过程优化器渐进地用优化算法，例如使用遗传学算法，Hooke-Jeeves算法，模拟Annealings算法以及其它算法进行优化，其中每次使用的优化方法根据情况或者问题预先给定，或者根据要优化的参数数目和/或所期待的最小值的形成通过计算技术从一个文件中选出。

17.根据权利要求16所述的控制系统，其特征在于，这种采用神经元网络的优化方法的中断标准是在优化过程中通过传统的收敛标准法或图形识别法获得的。

18.根据权利要求17所述的控制系统，其特征在于，根据存储在过程数据存储器中的优化的运行数据，求出优化的起始值。

19.根据权利要求18所述的控制系统，其特征在于，这种优化是根据过程模型脱机实现的，可调整的过程变量是这样获得的，由模型调整后产生的产品的特征值逐渐与预先给定的期望值相一致，这种过程变量作为新的预定值提供给过程的基本函数系统，在那里进行与过程相符合的控制。

20.根据权利要求19所述控制系统，其特征在于，提供给基本函数系统的预定值在模型或优化器出现错误时能够直接由过程数据库中的数据产生，其中为了优化这个预定值，可以在存储的工作数据中进行插值。

21.根据权利要求19所述的控制系统，其特征在于，轧制过程的模型在浇铸轧制范围内或之前考虑受到调节参数、执行机构—时间特性和可能的过程动力学的限制。

Images