DE10118748A1 - Verfahren und Vorrichtung zur prozessgesteuerten Modellierung einer verfahrenstechnischen Anlage - Google Patents
Verfahren und Vorrichtung zur prozessgesteuerten Modellierung einer verfahrenstechnischen AnlageInfo
- Publication number
- DE10118748A1 DE10118748A1 DE2001118748 DE10118748A DE10118748A1 DE 10118748 A1 DE10118748 A1 DE 10118748A1 DE 2001118748 DE2001118748 DE 2001118748 DE 10118748 A DE10118748 A DE 10118748A DE 10118748 A1 DE10118748 A1 DE 10118748A1
- Authority
- DE
- Germany
- Prior art keywords
- model
- empirical
- process model
- learnable
- physical
- 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.)
- Ceased
Links
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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- 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
- B21B37/28—Control of flatness or profile during rolling of strip, sheets or plates
-
- 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
- G05B13/027—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 using neural networks only
Abstract
Die Erfindung betrifft ein Verfahren bzw. eine Vorrichtung zur prozessgesteuerten Modellierung einer verfahrenstechnischen Anlage, wobei zur Modellierung der Anlage mathematische Prozessmodelle verwendet werden, welche aus mindestens einem physikalischen Prozessmodell und mindestens einem lernfähigen, empirischen Prozessmodell bestehen.
Description
Die Erfindung betrifft ein Verfahren bzw. eine Vorrichtung
zur prozessgesteuerten Modellierung einer verfahrenstechni
schen Anlage, wobei zur Modellierung der Anlage mathematische
Prozessmodelle verwendet werden, welche aus mindestens einem
physikalischen Prozessmodell und mindestens einem lernfähi
gen, empirischen Prozessmodell bestehen.
Bei der Regelung bzw. Steuerung von verfahrenstechnischen An
lagen, wie z. B. bei Walzwerken, ist es notwendig, Prozess
größen oder Zustände vorausschauend zu ermitteln. Weiterhin
ist es notwendig, diese Prozessgrößen oder Zustände on-line,
d. h. während des Produktionsablaufes, zu optimieren. Eine mo
derne Automatisierung arbeitet modellgestützt, d. h. unter
Einsatz von mathematischen Modellen. Die zu automatisierende
Anlage ist ein determinierter Prozess, der unter ganz be
stimmten Bedingungen ein ganz bestimmtes Ergebnis liefert.
Das mathematische Prozessmodell versucht das Verhalten des
realen Prozesses mathematisch zu beschreiben. Somit sind die
Prozessmodelle der automatischen Steuerung On-line-Modelle,
die schritthaltend mit dem Anlagengeschehen arbeiten.
Als mathematische Prozessmodelle sind im Wesentlichen zwei
unterschiedliche Ausprägungen bekannt:
- a) Sind die natur- bzw. ingenieurwissenschaftlichen (physi kalischen) Gesetze, nach denen der technische Prozess ab läuft, hinreichend genau und vollständig bekannt, so wird ein physikalisches (analytisches) Prozessmodell formu liert. Bei physikalischen Prozessmodellen werden übli cherweise die für den Prozess zutreffenden Erhaltungssät ze aufgestellt und die entsprechenden Differenzialgleichungen unter Einbeziehung gegebener Randbedingungen ge löst.
- b) Fehlen die Kenntnisse der natur- bzw. ingenieurwissen schaftlichen Gesetze des entsprechenden Prozesses, dann beschränkt sich die Prozessabbildung auf eine mathemati sche Beschreibung der bloßen Eingangs-/Ausgangsbeziehung. Üblicherweise kommen Verfahren der mathematischen Statis tik oder der Theorie der Neuronalen Netze zur Anwendung. Im Weiteren wird hier von lernfähigen, empirischen Pro zessmodellen gesprochen.
Prozessmodelle der automatischen Steuerung sind On-line-Mo
delle, die schritthaltend mit dem Anlagengeschehen arbeiten
müssen. Eine On-line-Modellierung sucht folglich immer nach
einem Optimum zwischen Genauigkeit und Einfachheit. On-line-
Modelle beschreiben damit den realen Prozess im Allgemeinen
nur eingeschränkt genau und genügen erst im Zusammenspiel mit
einer effektiven On-line-Adaption den Anforderungen einer mo
dernen Prozessmodellierung. Als On-line-Adaption werden lern
fähige empirische Prozessmodelle (z. B. Neuronale Netze) ein
gesetzt.
In der deutschen Offenlegungsschrift DE 43 38 607 A1 ist ein
Verfahren zur Führung eines Prozesses in einem geregelten
System bekannt. Dabei erfolgt zu Beginn eines jeden Prozess
ablaufes eine Voreinstellung des Systems in Abhängigkeit von
zumindest einem Prozessparameter, der mittels eines Modells
des Prozesses und diesem Modell zugeführten Eingangsgrößen
vorausberechnet wird. Während des Prozessablaufes werden die
Eingangsgrößen und der Prozessparameter gemessen und nach dem
Prozessablauf zur adaptiven Verbesserung der Vorausberechnung
des Prozessparameters herangezogen. Zur Vereinfachung und
Verbesserung der Vorausberechnung des Prozessparameters wird
zumindest ein Teil der Eingangsgrößen einem Neuronalen Netz
werk zugeführt, dessen Netzwerkantwort einen Korrekturwert
für den von dem Modell gelieferten Näherungswert für den vor
auszuberechnenden Prozessparameter bildet. Zur Adaption der
Vorausberechnung an das reale Prozessgeschehen werden die
Netzwerkparameter des Neuronalen Netzwerkes nach jedem Pro
zessablauf geändert. Hierbei wird von einer so genannten Pa
rallelschaltung von einem Modell und einem Neuronalen Netz
werk gesprochen. Dabei ist zu beachten, dass das Neuronale
Netz nur ein Teilmodell zur Korrektur und On-line-Adaption
des Modells ist.
Ein wesentlicher Nachteil der zuvor genannten Prozessmodel
lierung, d. h. eine sogenannte Parallelschaltung von einem
physikalischen Modell und einem lernenden, empirischen Pro
zessmodell, liegt in der Modellierung von Handeingaben. Als
Handeingaben werden manuell durchgeführte Handeingriffe gese
hen, welche bedingt durch den realen Prozess vorgenommen wer
den.
Aufgabe der Erfindung ist es, ein Verfahren bzw. eine Vor
richtung anzugeben, das bzw. die den realen Prozess einer
verfahrenstechnischen Anlage optimal modelliert.
Die Aufgabe wird erfindungsgemäß durch ein Verfahren gemäß
Anspruch 1 gelöst. Die Aufgabe wird weiterhin durch eine Vor
richtung nach Anspruch 9 gelöst. Vorteilhafte Weiterbildungen
des Verfahrens sind in den weiteren Ansprüchen angegeben.
Gemäß der Erfindung wird die Aufgabe dadurch gelöst, dass bei
dem Verfahren zur prozessgesteuerten Modellierung einer ver
fahrenstechnischen Anlage, insbesondere in der Hüttenindust
rie, mathematische Prozessmodelle verwendet werden. Die ma
thematischen Prozessmodelle bestehen mindestens aus einem
physikalischen und mindestens einem lernfähigen, empirischen
Prozessmodell, wobei das physikalische Prozessmodell in Form
einer Reihenschaltung dem lernfähigen, empirischen Prozessmo
dell vorgeschaltet ist. Die Verknüpfung der beiden Prozessmo
delle erfolgt damit nicht außerhalb der beiden Prozessmodelle
und wird auch nicht fest vorgegeben. Die Verknüpfung von Aus
gangsdaten des physikalischen (analytischen) Prozessmodells
mit Eingangswerten und/oder internen Zwischenwerten des lern
fähigen, empirischen Prozessmodells (z. B. Neuronales Netz)
erfolgt im lernfähigen, empirischen Prozessmodell selbst und
ist Aufgabe des Netztrainings. Aufgabe des Netztrainings be
steht darin, die zweckmäßigste Art der Verknüpfung der Pro
zessmodelle zu finden und herzustellen. Das Netztraining kann
in Sonderfällen dazu führen, dass das mathematische Prozess
modell als reines physikalisches Prozessmodell, ein reines
lernfähiges empirisches Prozessmodell oder als Parallelschal
tung der beiden Prozessmodelle zu betreiben ist. Die Betrach
tung dieser Sonderfälle verdeutlicht die außerordentliche
Flexibilität der sogenannten Reihenschaltung der beiden Pro
zessmodelle. Der Vorteil besteht darin, dass erst durch das
On-line-Training des lernfähigen, empirischen Prozessmodells
die Gewichtung des physikalischen Prozessmodells in Abhängig
keit von einer Modellgenauigkeit erfolgt. Indirekt lässt sich
somit durch eine Analyse des trainierten, lernfähigen, empi
rischen Prozessmodells auch eine Aussage über die Güte des
verwendeten physikalischen Prozessmodells treffen.
Gemäß einer vorteilhaften Ausgestaltung der Erfindung ist das
lernfähige, empirische Prozessmodell ein als Neuronales Netz
aufgebautes Prozessmodell.
Eine weitere vorteilhafte Ausgestaltung der Erfindung liegt
darin, dass ein physikalisches Prozessmodell mindestens zwei
voneinander unabhängigen, lernfähigen, empirischen Prozessmo
dellen in Reihe vorgeschaltet ist.
Bei einer weiteren vorteilhaften Ausgestaltung der Erfindung
wird eine Adaption des lernfähigen, empirischen Prozessmo
dells on-line durchgeführt.
In einer besonders vorteilhaften Ausgestaltung der Erfindung
werden Ausgangsdaten des lernfähigen, empirischen Prozessmo
dells zuvor von dem physikalischen Prozessmodell berechnet
und anschließend als Eingangsdaten des lernfähigen, empiri
schen Prozessmodells verwendet.
Die so genannte Reihenschaltung des physikalischen Prozessmo
dells und des lernfähigen, empirischen Prozessmodells hat
sich besonders vorteilhaft in der Führung von walztechnischen
Prozessen, wie z. B. die Vorausberechnung, Voreinstellung und
Nachberechnung von Profil und/oder Planheit in Walzgerüsten
einer Walzstraße, gezeigt.
Gemäß einer weiteren vorteilhaften Ausgestaltung der Erfin
dung wird das lernfähige, empirische Prozessmodell mit Daten
des physikalischen Prozessmodells vortrainiert.
Die erfindungsgemäße Vorrichtung nach Anspruch 9 umfasst ein
Rechensystem zur Modellierung einer verfahrenstechnischen An
lage, insbesondere der Hüttenindustrie, mittels mathemati
scher Prozessmodelle, wobei die mathematischen Prozessmodelle
aus mindestens einem physikalischen und mindestens einem
lernfähigen, empirischen Prozessmodell bestehen. Dabei ist in
dem Rechensystem das physikalische Prozessmodell in Form ei
ner Reihenschaltung dem lernfähigen, empirischen Prozessmo
dell vorgeschaltet.
Die Erfindung sowie weitere Vorteile und Details werden im
Folgenden anhand von schematisch dargestellten Ausführungs
beispielen in der Zeichnung näher erläutert. Es zeigen:
Fig. 1 einen Prozessablauf einer verfahrenstechnischen Anla
ge,
Fig. 2 ein Prozessmodell einer verfahrenstechnischen Anlage,
Fig. 3 ein physikalisches Prozessmodell,
Fig. 4 ein lernfähiges, empirisches Prozessmodell,
Fig. 5 eine Kombination eines physikalischen und eines lern
fähigen, empirischen Prozessmodells nach dem Stand
der Technik,
Fig. 6 eine erfindungsgemäße Kombination eines physikali
schen und lernfähigen, empirischen Prozessmodells,
Fig. 7 einen Aufbau einer Prozesssteuerung eines Walzwerkes,
Fig. 8 eine Übersicht eines Prozessmodells für die Profil-
und/oder Planheitssteuerung eines Walzwerkes und
Fig. 9 einen Datenfluss in einem Prozessmodell gemäß der Er
findung.
Eine moderne Prozessautomatisierung von verfahrenstechnischen
Anlagen, wie z. B. in der Hüttenindustrie, arbeitet modellge
stützt, d. h. unter Einsatz von mathematischen Prozessmodel
len. Die zu automatisierende Anlage ist ein determinierter
Prozess, der unter bestimmten Bedingungen ein bestimmtes Er
gebnis liefert. In der Fig. 1 ist ein derartiger realer Pro
zess 2 dargestellt, der auf einen definierten Eingangsvektor
IProzess 1 reproduzierbar mit einem Ausgangsvektor OProzess 3 re
agiert. Das mathematische Prozessmodell versucht das Verhal
ten des realen Prozesses mathematisch zu beschreiben. In Fig.
2 ist ein derartiges Prozessmodell 5 dargestellt. Das Pro
zessmodell 5 soll einen Eingangsvektor IModell 4 auf einem Aus
gangsvektor OModell 6 derart abbilden, dass sich der Ausgangs
vektor OModell 6 möglichst wenig von dem Ausgangsvektor Oprozess
3 unterscheidet. Das setzt allerdings nicht nur ein hinrei
chend gutes Prozessmodell, sondern auch einen hinreichend
vollständigen und quantifizierbaren Eingangsvektor IModell 4
voraus.
Das Prozessmodell kann von unterschiedlicher Ausprägung sein.
Sind die Kenntnisse der natur- bzw. ingenieurwissenschaftli
chen Gesetze, nach denen der reale Prozess abläuft, hinrei
chend genau und vollständig bekannt, so wird ein physikali
sches Prozessmodell (auch analytisches Prozessmodell genannt)
formuliert. In Fig. 3 ist ein physikalisches Prozessmodell 51
dargestellt. Mittels dem Eingangsvektor IModell 4 ermittelt das
physikalische Prozessmodell 51 den Ausgangsvektor Oana 61. Da
bei entspricht der Ausgangsvektor Oana 61 dem Ausgangsvektor
OModell 6. Üblicherweise stellt man die für den realen Prozess
zutreffenden Erhaltungssätze auf und löst die entsprechenden
Differenzialgleichungen unter Einbeziehung gegebener Randbe
dingungen.
Fehlen entsprechende Prozesskenntnisse, dann wird der Prozess
als unbekannt betrachtet und es erfolgt eine mathematische
Beschreibung der bloßen Beziehung zwischen Eingangsgröße und
Ausgangsgröße. Es kommen Verfahren der mathematischen Statis
tik oder der Theorie der Neuronalen Netze zur Anwendung. Die
se Verfahren sind als lernfähige, empirische Prozessmodelle
bekannt. Fig. 4 zeigt den Einsatz eines derartigen lernfähi
gen, empirischen Prozessmodells 52. Aus dem Eingangsvektor
IModell 4 ermittelt das lernfähige, empirische Prozessmodell 52
den Ausgangsvektor Onn 62. Dabei entspricht der Ausgangsvek
tor Onn 62 dem Ausgangsvektor OModell 6.
Prozessmodelle der automatischen Steuerung sind On-line-Mo
delle, die schritthaltend mit dem Anlagengeschehen arbeiten
müssen. On-line-Modellierung sucht folglich immer nach einem
Kompromiss zwischen Genauigkeit und Einfachheit. On-line-Mo
delle beschreiben den realen Prozess somit nur eingeschränkt
genau und genügen erst im Zusammenspiel mit einer effektiven
On-line-Adaption den Anforderungen einer modernen Automati
sierung. Für die On-line-Adaption werden die so genannten
lernfähigen, empirischen Prozessmodelle, wie z. B. Neuronale
Netze, eingesetzt. In Fig. 5 ist eine Kombination von einem
physikalischen Prozessmodell 51 und einem lernfähigen, empi
rischen Prozessmodell 52 dargestellt. Der Einsatz derartiger
Kombinationen ist aus der Offenlegungsschrift DE 43 38 607 A1
bekannt. Dabei wird von einer so genannten Parallelschaltung
von den beiden Prozessmodellen gesprochen. Die Art der Ver
knüpfung der beiden Prozessmodelle ist fest vorgegeben. Das
Zeichen "&" steht wahlweise für Addition oder Multiplikation.
Dabei ist zu beachten, dass das lernfähige, empirische Pro
zessmodell 52 nur ein Teilmodell zur Korrektur und On-line-
Adaption des physikalischen Prozessmodells 51 ist.
Fig. 6 zeigt eine Kombination eines physikalischen Prozessmo
dells und eines lernfähigen, empirischen Prozessmodells gemäß
der vorliegenden Erfindung. Dabei wird eine so genannte Rei
henschaltung verwendet, bei der dass das physikalische Pro
zessmodell 51 dem lernfähigen, empirischen Prozessmodell 52
vorgeschaltet ist. Die Verknüpfung der beiden Prozessmodelle
erfolgt dabei nicht wie in Fig. 5 dargestellt außerhalb der
beiden Prozessmodelle und wird auch nicht fest vorgegeben.
Die Verknüpfung von Ausgangsvektor oana 61 mit Eingangsvekto
ren IModell 4 und/oder mit internen Zwischenwerten, welche in
der Fig. 6 nicht dargestellt sind, des lernfähigen, empiri
schen Prozessmodells erfolgt im lernfähigen, empirischen Pro
zessmodell selbst und es ist Aufgabe des Netztrainings die
zweckmäßigste Art der Verknüpfung zu finden und herzustellen.
Das Netztraining kann im Sonderfall auch zur Parallelschal
tung nach Fig. 5 führen. Das Netztraining kann weiterhin im
Grenzfall zu einem der beiden elementaren Lösungen gemäß Fig.
3 und 4 führen. Ein derartiger Grenzfall ergibt sich, wenn
das physikalische Prozessmodell 51 entweder völlig stimmige
oder völlig unbrauchbare Ergebnisse liefert. Eine Betrachtung
dieser Grenzfälle zeigt die außerordentliche Flexibilität der
sogenannten Reihenschaltung. Der Vorteil der Reihenschaltung
besteht darin, dass erst durch das On-line-Training des lern
fähigen, empirischen Prozessmodells 52 die Gewichtung des
physikalischen Prozessmodells 51 in Abhängigkeit von der Mo
dellgenauigkeit erfolgt. Indirekt lässt sich damit durch Ana
lyse des trainierten, lernfähigen, empirischen Prozessmodells
52 auch eine Aussage über die Güte des verwendeten physikali
schen Prozessmodells 51 treffen.
Die erfindungsgemäße Reihenschaltung lässt sich in allen mo
dellgestützten Automatisierungen anwenden. In Fig. 7 ist ein
Anwendungsbeispiel einer Prozesssteuerung eines Walzwerkes
erläutert. Der reale Prozess wird durch eine mehrgerüstige
Fertigstraße einer Walzstraße 14 dargestellt. Über die Walz
strategie 11 werden Primärdaten für den Walzvorgang, wie z. B.
Sollplanheit/-profil, an die Vorausberechnung 12 vorgegeben.
Die Vorausberechnung 12 stellt eine zentrale Aufgabe der
Prozesssteuerung dar. Die Vorausberechnung 12 führt eine mög
lichst genaue Ermittlung der Einstellung der Walzstraße für
das jeweils nächste Walzband vor dessen Einlauf in die Walz
straße durch. Dabei stützt sich die Vorausberechnung 12 auf
hinterlegte relevante Prozessmodelle. Es werden die für die
Walzstraße 14 notwendigen Sollwerte 13 berechnet. Prozessmo
delle beschreiben den technischen Prozess mehr oder weniger
gut, jedoch niemals vollständig und exakt. Aus diesem Grunde
sorgt eine zyklische Nachberechnung 17 für eine ständige Mo
delladaption 19 an den realen technischen Prozess. Die Mo
delladaption 19 ist als On-line-Adaption zu verstehen. Somit
bildet sich ein übergeordneter Regelkreis aus, der folgende
Vorgänge beinhaltet:
- a) Vorausberechnung 12 für das nächste Walzband, d. h. Be rechnung der Sollwerte 13, wie z. B. Walzenanstellung, Walzenbiegung, Walzenverschiebung, Walzgeschwindigkeit,
- b) Prozessdurchführung (Walzung) mittels der Walzstraße 14 mit gleichzeitiger Erfassung prozessrelevanter Daten, wie z. B. Gerüstdaten 15 und Banddaten 16,
- c) Nachberechnung 17 für das aktuell gewalzte Walzband auf der Basis der erfassten Istdaten (Gerüstdaten 15 und Banddaten 16),
- d) Modelladaption 19 auf der Basis der aufbereiteten Daten 18 und
- e) Bereitstellung der adaptierten Modellparameter 20 für die Vorausberechnung 12 des nachfolgenden Walzbandes.
Zwei wesentliche Qualitätsmerkmale beim Warmwalzen sind die
Einhaltung der Bandplanheit und des technologisch vorgegebe
nen Banddickenprofils nach der Fertigstraße einer Walzstraße.
Die diesbezügliche zyklische Vorausberechnung der Voreinstel
lung der Walzgerüste für das jeweils nächste Band erfolgt
durch eine Profil- und Planheitssteuerung. Das Ergebnis sind
Sollwerte für die Voreinstellung der beiden Stellglieder,
Walzenbiegung und Walzenverschiebung bzw. Walzenschränkung
(Pair Crossing). Aufgrund des höchst komplexen Walzprozesses
sind bezüglich Profil- und Planheitssteuerung keine optimalen
Stellgrößen bekannt. Allerdings geben die während des Band
durchlaufes anhand der erzielten Bandqualitäten gegenüber der
Voreinstellung vorgenommenen Korrekturen eine Orientierung
für eine verbesserte Sollwerteinstellung. Folglich können
diese für ein Netztraining als Zielwert für die verbesserten
Stellgrößen dienen. Der Zielwert ist hierbei definiert als
Summe aus dem Rechenwert aus der Vorausberechnung und dem
Korrekturwert. Korrekturwerte sind z. B. Reglereingriffe ei
ner automatischen Planheitsregelung und/oder manuell durchge
führte Sollwertkorrekturen (Handeingriffe).
Eine praktische Realisierung einer derartigen Profil- und
Planheitssteuerung wird in einer Gesamtübersicht in Fig. 8
dargestellt. Die Anzahl der in der Walzstraße 14 dargestell
ten Gerüste kann beliebig sein. In der Profil- und Plan
heitssteuerung 21 wird mittels physikalischem Prozessmodell
22 eine analytische Sollwertberechnung für das nächste Walz
band bezüglich Profil, Kontur und Planheit mit gerüstspezifi
schen Ergebnissen für Biegekraft und Walzenverschiebung bzw.
Walzenschränkung (Pair Crossing) durchgeführt. Anschließend
erfolgt eine Filterung dieser Sollwerte in den nachgeschalte
ten, gerüstspezifischen, lernfähigen, empirischen Prozessmo
dellen 23. Entsprechend der nachgeschalteten, gerüstspezifi
schen, lernfähigen, empirischen Prozessmodelle werden Soll
werte 24 an die Walzstraße 14 vorgegeben. Während der Walzung
des aktuellen Walzbandes werden Prozessdaten erfasst. Darun
ter sind auch die durch Handeingriffe korrigierten Stellgrö
ßen zu verstehen. Anschließend erfolgt ein On-line-Training
25 der lernfähigen, empirischen Prozessmodelle 23.
Fig. 9 zeigt einen beispielhaften Datenfluss eines einzelnen
Walzgerüstes einer Profil- und Planheitssteuerung gemäß Fig.
8.
21 Profil- und Planheitssteuerung
22 Sollwertberechnung mit physikalischem (analytischem) Prozessmodell
23 Sollwertberechnung mit lernfähigem, empirischem Prozess modell (z. B. Neuronales Netz)
26 Stichplanberechnung
27 chemische Zusammensetzung (Analytik)
28 Ersatzgröße für Umformwiderstand (z. B. Warmfestigkeit oder Materialklasse)
29 Bandbreite
30 Banddicke
31 Summenwalzkraft
32 Zielprofil für das Fertigband
33 berechneter Steilwert für Rückbiegekraft (Ausgangsvektor des analytischen Prozessmodells)
34 berechneter Steilwert für Walzenverschiebung (Ausgangs vektor des analytischen Prozessmodells)
35 Walzencrown bzgl. Biegelinie und Walzenabplattung
36 aktueller thermischer Crown und Verschleißcrown der Ar beitswalzen
37 Profil des Vorbandes
38 ermittelter Steilwert für Rückbiegekraft (Ausgangsvektor des lernfähigen, empirischen Prozessmodells)
39 ermittelter Steilwert für Walzenverschiebung (Ausgangs vektor des lernfähigen, empirischen Prozessmodells)
22 Sollwertberechnung mit physikalischem (analytischem) Prozessmodell
23 Sollwertberechnung mit lernfähigem, empirischem Prozess modell (z. B. Neuronales Netz)
26 Stichplanberechnung
27 chemische Zusammensetzung (Analytik)
28 Ersatzgröße für Umformwiderstand (z. B. Warmfestigkeit oder Materialklasse)
29 Bandbreite
30 Banddicke
31 Summenwalzkraft
32 Zielprofil für das Fertigband
33 berechneter Steilwert für Rückbiegekraft (Ausgangsvektor des analytischen Prozessmodells)
34 berechneter Steilwert für Walzenverschiebung (Ausgangs vektor des analytischen Prozessmodells)
35 Walzencrown bzgl. Biegelinie und Walzenabplattung
36 aktueller thermischer Crown und Verschleißcrown der Ar beitswalzen
37 Profil des Vorbandes
38 ermittelter Steilwert für Rückbiegekraft (Ausgangsvektor des lernfähigen, empirischen Prozessmodells)
39 ermittelter Steilwert für Walzenverschiebung (Ausgangs vektor des lernfähigen, empirischen Prozessmodells)
Claims (9)
1. Verfahren zur prozessgesteuerten Modellierung einer ver
fahrenstechnischen Anlage, insbesondere in der Hüttenindust
rie, wobei zur Modellierung der Anlage mathematische Prozess
modelle verwendet werden, welche aus mindestens einem physi
kalischen Prozessmodell und mindestens einem lernfähigen, em
pirischen Prozessmodell bestehen,
dadurch gekennzeichnet,
dass das physikalische Prozessmodell in Form einer Reihen
schaltung dem lernfähigen, empirischen Prozessmodell vorge
schaltet ist.
2. Verfahren nach Anspruch 2,
dadurch gekennzeichnet,
dass das lernfähige, empirische Prozessmodell ein als Neuro
nales Netz aufgebautes Prozessmodell ist.
3. Verfahren nach Anspruch 1,
dadurch gekennzeichnet,
dass ein physikalisches Prozessmodell mindestens zweien von
einander unabhängigen, lernfähigen, empirischen Prozessmodel
len in Reihe vorgeschaltet ist.
4. Verfahren nach Anspruch 1 oder 2,
dadurch gekennzeichnet,
dass eine Adaption des lernfähigen, empirischen Prozessmo
dells on-line erfolgt.
5. Verfahren nach Anspruch 1,
dadurch gekennzeichnet,
dass Ausgangsdaten des lernfähigen, empirischen Prozessmo
dells zuvor von dem physikalischen Prozessmodell berechnet
werden und anschließend als Eingangsdaten des lernfähigen,
empirischen Prozessmodells verwendet werden.
6. Verfahren nach Anspruch 1,
dadurch gekennzeichnet,
dass das lernfähige, empirische Prozessmodell mit Daten des
physikalischen Prozessmodells vortrainiert wird.
7. Verfahren nach Anspruch 1,
gekennzeichnet,
durch die Führung von walztechnischen Prozessen.
8. Verfahren nach Anspruch 7,
gekennzeichnet,
durch eine Vorausberechnung, Voreinstellung und Nachberech
nung von Profil und/oder Planheit in Walzgerüsten einer Walz
straße.
9. Vorrichtung zur prozessgesteuerten Modellierung einer ver
fahrenstechnischen Anlage, insbesondere in der Hüttenindust
rie, wobei mit einem Rechensystem eine Modellierung der Anla
ge mittels mathematischer Prozessmodelle, welche aus mindes
tens einem physikalischen und mindestens einem lernfähigen,
empirischen Prozessmodell bestehen, durchführbar ist,
dadurch gekennzeichnet,
dass in dem Rechensystem das physikalische Prozessmodell in
Form einer Reihenschaltung dem lernfähigen, empirischen Pro
zessmodell vorgeschaltet ist.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE2001118748 DE10118748A1 (de) | 2001-04-17 | 2001-04-17 | Verfahren und Vorrichtung zur prozessgesteuerten Modellierung einer verfahrenstechnischen Anlage |
PCT/DE2002/001228 WO2002084420A1 (de) | 2001-04-17 | 2002-04-04 | Verfahren und vorrichtung zur prozessgesteuerten modellierung einer verfahrenstechnischen anlage |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE2001118748 DE10118748A1 (de) | 2001-04-17 | 2001-04-17 | Verfahren und Vorrichtung zur prozessgesteuerten Modellierung einer verfahrenstechnischen Anlage |
Publications (1)
Publication Number | Publication Date |
---|---|
DE10118748A1 true DE10118748A1 (de) | 2002-10-31 |
Family
ID=7681695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE2001118748 Ceased DE10118748A1 (de) | 2001-04-17 | 2001-04-17 | Verfahren und Vorrichtung zur prozessgesteuerten Modellierung einer verfahrenstechnischen Anlage |
Country Status (2)
Country | Link |
---|---|
DE (1) | DE10118748A1 (de) |
WO (1) | WO2002084420A1 (de) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102007035283A1 (de) | 2007-07-27 | 2009-01-29 | Siemens Ag | Verfahren zur Einstellung eines Zustands eines Walzguts, insbesondere eines Vorbands |
WO2016193085A1 (de) * | 2015-06-01 | 2016-12-08 | Siemens Aktiengesellschaft | Verfahren zur erzeugung eines prozessmodells für eine kraftwerksanlage |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101714177B (zh) * | 2009-11-17 | 2013-08-21 | 燕山大学 | 基于降低交叉角和弯辊力的pc轧机工作辊辊型设计方法 |
DE102018106393B4 (de) | 2018-03-19 | 2023-09-28 | Thyssenkrupp Ag | Verfahren zur Steuerung einer Produktionsanlage eines Walzwerkes |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4105321A1 (de) * | 1991-02-20 | 1992-08-27 | Siemens Ag | Regelung eines warm- und/oder kaltwalzprozesses |
DE4131765A1 (de) * | 1991-09-24 | 1993-03-25 | Siemens Ag | Regelparameter-verbesserungsverfahren fuer industrielle anlagen |
DE4338615A1 (de) * | 1993-11-11 | 1995-05-18 | Siemens Ag | Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System |
US5778151A (en) * | 1993-05-17 | 1998-07-07 | Siemens Aktiengesellschaft | Method and control device for controlling a material-processing process |
US6000827A (en) * | 1993-09-10 | 1999-12-14 | Fujitsu Limited | System identifying device and adaptive learning control device |
-
2001
- 2001-04-17 DE DE2001118748 patent/DE10118748A1/de not_active Ceased
-
2002
- 2002-04-04 WO PCT/DE2002/001228 patent/WO2002084420A1/de not_active Application Discontinuation
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4105321A1 (de) * | 1991-02-20 | 1992-08-27 | Siemens Ag | Regelung eines warm- und/oder kaltwalzprozesses |
DE4131765A1 (de) * | 1991-09-24 | 1993-03-25 | Siemens Ag | Regelparameter-verbesserungsverfahren fuer industrielle anlagen |
US5778151A (en) * | 1993-05-17 | 1998-07-07 | Siemens Aktiengesellschaft | Method and control device for controlling a material-processing process |
US6000827A (en) * | 1993-09-10 | 1999-12-14 | Fujitsu Limited | System identifying device and adaptive learning control device |
DE4338615A1 (de) * | 1993-11-11 | 1995-05-18 | Siemens Ag | Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102007035283A1 (de) | 2007-07-27 | 2009-01-29 | Siemens Ag | Verfahren zur Einstellung eines Zustands eines Walzguts, insbesondere eines Vorbands |
WO2016193085A1 (de) * | 2015-06-01 | 2016-12-08 | Siemens Aktiengesellschaft | Verfahren zur erzeugung eines prozessmodells für eine kraftwerksanlage |
Also Published As
Publication number | Publication date |
---|---|
WO2002084420A1 (de) | 2002-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102018004330B4 (de) | Steuerung und maschinelle Lernvorrichtung | |
DE4301130C2 (de) | Verfahren und Vorrichtung zum Regeln eines Objektes unter Verwendung einer Lernfunktion | |
DE4008510C2 (de) | Regeleinrichtung mit Optimal-Entscheidungseinheit | |
DE4338615B4 (de) | Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System | |
EP2603333B1 (de) | Echtzeit-ermittlungsverfahren für temperatur und geometrie eines metall-warmbandes in einer fertigstrasse | |
DE102012112019A1 (de) | Simulationsvorrichtung zur Schätzung der Lebensdauer eines Roboter-Untersetzungsgetriebes | |
DE19508476A1 (de) | Leitsystem für eine Anlage der Grundstoff- oder der verarbeitenden Industrie o. ä. | |
WO2012159866A1 (de) | Steuerverfahren für eine walzstrasse | |
DE19806267A1 (de) | Verfahren und Einrichtung zur Steuerung einer hüttentechnischen Anlage | |
DE10241746B4 (de) | Verfahren zur zyklischen Qualitätsbewertung und Prozessüberwachung bei periodischen Produktionsprozessen | |
DE19637917C2 (de) | Verfahren und Einrichtung zum Entwurf oder zur Steuerung des Prozeßablaufs einer Anlage der Grundstoffindustrie | |
WO2012159868A1 (de) | Steuerverfahren für eine walzstrasse | |
DE4416317A1 (de) | Verfahren und Regeleinrichtung zur Regelung eines materialverarbeitenden Prozesses | |
WO1998015882A1 (de) | Verfahren und einrichtung zur identifikation bzw. vorausberechnung von prozessparametern eines industriellen zeitvarianten prozesses | |
DE19881041B4 (de) | Verfahren zur Steuerung und Voreinstellung eines Stahlwerkes oder von Teilen eines Stahlwerkes | |
DE10118748A1 (de) | Verfahren und Vorrichtung zur prozessgesteuerten Modellierung einer verfahrenstechnischen Anlage | |
EP3194087B1 (de) | Breiteneinstellung bei einer fertigstrasse | |
DE102020207792A1 (de) | Training eines künstlichen neuronalen Netzwerkes, künstliches neuronales Netzwerk, Verwendung, Computerprogramm, Speichermedium und Vorrichtung | |
EP1014239B1 (de) | Verfahren zur Berechnung eines Stichplanes | |
EP3642372A1 (de) | Verfahren zum betreiben eines glühofens | |
WO2018091592A1 (de) | Einrichtung und verfahren zur bestimmung der parameter einer regeleinrichtung | |
DE19641432C2 (de) | Verfahren und Einrichtung zur Vorausberechnung von vorab unbekannten Parametern eines industriellen Prozesses | |
WO2018192798A1 (de) | Optimierung der modellierung von prozessmodellen | |
DE102012002774A1 (de) | Verfahren und System zum automatischen optimalen Betrieb einer Strangpresse für Metalle | |
DE19740691A1 (de) | Verfahren und Einrichtung zur Kühlung von Metallen in einem Hüttenwerk |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
8131 | Rejection |