DE102022204937A1

DE102022204937A1 - Anlagensteuersystem, steuerverfahren und programm für anlagen

Info

Publication number: DE102022204937A1
Application number: DE102022204937.3A
Authority: DE
Inventors: Keiki Takata; Daiki Kurokawa; Yuki Tauchi; Satoshi Hattori
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 2021-05-28
Filing date: 2022-05-18
Publication date: 2022-12-01
Also published as: JP2022182538A; CN115407726A

Abstract

[Aufgabe] Im Anlagensteuersystem werden die Steuerregeln effizient und mit geringem Risiko für eine Störung der Anlagensteuerung korrigiert.[Technische Lösung] Ausstattung mit einer Steuerverfahren-Lerneinheit, die die Kombination von Leistungsdaten der Zielanlage und der Steueroperationen lernt, mit einer Steuerausführungseinheit, die entsprechend der Kombinationen der von der Steuerverfahren-Lerneinheit erlernten Leistungsdaten mit Steueroperationen die Steuerung der Zielanlage durchführt, und mit einer Lerneinheit für Zustandsänderungsregeln, die die Kombinationen von Leistungsdaten der Zielanlage mit Steueroperationen und Zustandsänderungen des Steuerziels erlernt. Durchführung der Qualitätsbeurteilung des Steuerausgangs durch Prognose einer Zustandsänderung des Steuerziels gemäß festgelegter Kombination von Leistungsdaten der Zielanlage mit Steueroperationen und Zustandsänderung des Steuerziels und Erlernen der Steuerregeln mit den Qualitätsbeurteilungs-Ergebnissen, Leistungsdaten und Lehrerdaten als Lerndaten.

Description

[Technischer Bereich]
Diese Erfindung betrifft Anlagensteuersysteme sowie Anlagensteuerverfahren und Programme für Anlagen.
[Stand der Technik]
Herkömmlicherweise werden auf Basis verschiedenartiger Steuerungstheorien Anlagensteuerungen eingesetzt, um in den verschiedenen Anlagen mittels dieser Steuerungen angemessene Steuerergebnisse zu bekommen.
Zur Erläuterung eines Anlagenbeispiels sei erwähnt, dass beispielsweise bei der Walzwerksteuerung als Steuerungstheorie, die eine Formsteuerung zum Gegenstand hat, bei der der Welligkeitszustand der Platten gesteuert wird, die Fuzzy-Steuerung und die Neuro-Fuzzy-Steuerung angewendet werden. Die Fuzzy-Steuerung wird bei Formsteuerung unter Nutzung von Kühlmittel und die Neuro-Fuzzy-Steuerung bei der Formsteuerung von Sendzimir-Walzwerken angewandt. Bei der hier genannten Formsteuerung unter Anwendung der Neuro-Fuzzy-Regelung wird, wie in Patentdokument 1 dargestellt, das Ähnlichkeitsverhältnis der Differenz von einem mit dem Formdetektor erkannten Ist-Formmuster und dem Ziel-Formmuster mit einem im Voraus festgelegten Referenz-Formmuster ermittelt. Das erfolgt durch Ermittlung des Steuerungsausgabebetrags an/für das Steueroperationsende mittels einer Steuerregel, die ausgehend vom ermittelten Ähnlichkeitsverhältnis durch den Steueroperationsende-Operationsbetrag für ein im Voraus festgelegtes Referenz-Formmuster ausgedrückt wird.
Nachstehend wird die herkömmliche Technik einer Formsteuerung eines Sendzimir-Walzwerks erläutert, bei dem die Neuro-Fuzzy-Steuerung eingesetzt wird. Bei der Formsteuerung eines Sendzimir-Walzwerks wird die Neuro-Fuzzy-Steuerung genutzt. Wie in 31 gezeigt, wird beim Sendzimir-Walzwerk 50 mit dem Mustererkenner 51 die Mustererkennung einer Form anhand der durch den Formdetektor 52 erkannten tatsächlichen Form durchgeführt und berechnet, welchem der im Voraus eingestellten Referenz-Formmuster die tatsächliche Form am nächsten kommt. Die vom Formdetektor 52 erfassten Daten der tatsächlichen Form werden vom Formerfassungs-Vorverarbeitungsteil 54 zur Mustererkennung vorverarbeitet.
Dann wird in der Steuerrecheneinheit 53 unter Verwendung der mit dem Steueroperationsende-Operationsbetrag für das vordefinierte Formmuster konfigurierten Steuerregel die Steuerung vorgenommen. Hier wird, wie in 32 gezeigt, von der Mustererkennung 51 berechnet, welcher Form der Muster 1 bis 8 die Differenz (Δε) zwischen dem vom Formdetektor 52 erfassten tatsächlichen Formmuster (ε) und der Zielform (ε_ref) am nächsten kommt. Dann nimmt die Steuerrecheneinheit 53 auf Basis des Berechnungsergebnisses die Auswahl eines der Steuerverfahren der Muster 1 bis 8 vor.
[Dokumente zum Stand der Technik]
[Patentliteratur]

[Patentliteratur 1] Patent Nr. 2804161
[Patentliteratur 2] Patentveröffentlichung Nr. 2018-180799

[Kurzdarstellung der Erfindung]
[Technische Aufgabe]
Die in der Patentliteratur 1 beschriebene herkömmliche Technik legt im Voraus eine repräsentative Form als Referenz-Formmuster fest und führt auf Basis der Steuerregel, die die Beziehung des Steueroperationsende-Operationsbetrags bezüglich des Referenz-Wellenformmusters aufzeigen, die Steuerung durch. Auch das Erlernen der Steuerregeln bezieht sich auf den Steueroperationsende-Operationsbetrag bezüglich des Referenz-Wellenformmusters und das im Voraus festgelegte repräsentative Referenz-Wellenformmuster wird unverändert verwendet. Daher tritt das Problem auf, dass es zu einer Formsteuerung kommt, die nur auf bestimmte Formmuster reagiert.
Das Referenz-Formmuster wird vom Wissen über Walzmaschinen, bei denen Menschen das Vorab-Zielobjekt sind, und angesammelten Erfahrungen mit Formergebnissen und manuellen Interventionen bestimmt, aber es ist schwierig, alle Formen zu einzuschließen, die im Ziel-Walzwerk und beim Walzgut auftreten. Wenn daher Formen auftreten, die vom Referenz-Formmuster abweichen, kann es auch dazu kommen, dass eine Steuerung durch die Formsteuerung nicht ausgeführt wird und Formabweichungen ohne Kontrolle verbleiben oder fälschlicherweise als ähnliche Referenz-Formmuster angesehen werden, falsche Steueroperationen ausgeführt werden und umgekehrt die Form verschlechtert wird.
Da deshalb bei der konventionellen Formsteuerung die Steuerregeln unter Verwendung der vordefinierten Referenz-Formmuster und der diesen entsprechenden Steuerregeln erlernt wurden und die Steuerung durchgeführt wurde, trat das Problem auf, dass die Verbesserung der Steuergenauigkeit an Grenzen stieß.
Um dieses Problem zu lösen, wird zum Beispiel die in der Patentliteratur 2 beschriebene Technik vorgeschlagen. In der Patentliteratur 2 wird ein Verfahren beschrieben, bei dem während der Steuerung eine Störung verursacht wird und durch Lernen das Neuronalnetzwerk allmählich intelligenter gemacht wird. Allerdings erzeugt das in der Patentliteratur 2 beschriebene Verfahren zur Erzeugung von Steuerstörungen im tatsächlichen Betrieb der Steuerzielanlage Steuerstörungen während der Betriebszeit und stört so den tatsächlichen Betrieb der Steuerzielanlage, was aus betrieblicher Sicht nicht als sehr vorteilhaft bezeichnet werden kann. Und solange die Steuerzielanlage nicht zu einem gewissen Grad in Betrieb ist, arbeitet das Neuronalnetzwerk nicht zweckmäßig und die Wahrscheinlichkeit ist groß, dass in der anfänglichen Betriebszeit eine angemessene Steuerung nicht möglich ist.
Ziel dieser Erfindung ist es, ein Anlagensteuersystem, ein Anlagensteuerverfahren und ein Programm zur Verfügung zu stellen, die das Risiko für betriebliche Störungen der Anlagensteuerung verringern und Steuerregeln effektiv modifizieren können.
[Technische Lösung der Aufgabe]
Um die oben genannten Probleme zu lösen, wird zum Beispiel der in den Patentansprüchen beschriebene Aufbau übernommen. Diese Anmeldung umfasst zahlreiche Mittel zur Lösung der vorgenannten Aufgaben. Als ein Beispiel dafür wäre zu nennen, dass das Anlagensteuersystem bei der Steuerzielanlage so angewendet wird, dass die Steuerung ausgeführt wird, indem Muster einer Kombination von Leistungsdaten der Steuerzielanlage erkannt werden. Das Anlagensteuersystem ist ausgestattet mit einer Steuerverfahren-Lerneinheit, die Kombinationen von Leistungsdaten der Steuerzielanlage mit Steueroperationen erlernt, mit einer Steuerausführungseinheit, die entsprechend der Kombinationen der von der Steuerverfahren-Lerneinheit erlernten Leistungsdaten mit Steueroperationen die Steuerung der Steuerzielanlage durchführt, und mit einer Lerneinheit für Zustandsänderungsregeln, die die Kombinationen von Leistungsdaten der Steuerzielanlage mit Steuervorgängen und Zustandsänderungen des Steuerziels erlernt. Dabei ist diese Steuerausführungseinheit ausgestattet mit einem Steuerregel-Ausführungsmodul, das entsprechend einer definierten Kombination von Leistungsdaten der Steuerzielanlage und Steueroperationen einen Steuerausgang liefert, mit einem Steuerausgangs-Qualitätsbeurteilungsmodul, das entsprechend der definierten Kombinationen der Leistungsdaten der Steuerzielanlage mit Steueroperationen und der Zustandsänderung des Steuerziels Zustandsänderungen des Steuerziels prognostiziert und die Qualitätsbeurteilung des Steuerausgangs abschätzt. [Qualitätsbeurteilung bedeutet im Folgenden „Entscheidung ob gut oder schlecht“. Der Übers.] mit einem Neusuche-Operationsbetrags-Rechner, der auf Grundlage der Qualitätsbeurteilung durch das Steuerausgangs-Qualitätsbeurteilungsmodul den Operationsbetrag für die neue Operationssuche berechnet, und mit einem Steuerausgangs-Kontrollmodul, das unter Verwendung der Qualitätsbeurteilung durch das Steuerausgangs-Qualitätsbeurteilungsmodul im Falle, dass die Leistungsdaten der Steuerzielanlage als sich verschlechternd beurteilt werden, wenn der Steuerausgang an die Steuerzielanlage ausgegeben wird, die Ausgabe des Steuerausgangs an die Steuerzielanlage verhindert. Ferner umfasst die Lerneinheit für Zustandsänderungsregeln ein Zustandsänderungsregel-Lernmittel, das aus den Leistungsdaten der Steuerzielanlage eine Kombinationen aus Leistungsdaten, Steueroperationen und dem Umfang des Zustandsänderungsbetrags des Steuerziels, während der Zeitverzögerung bis zum Erscheinen der auf den Steueroperationen beruhenden Steuereffekte in den Leistungsdaten, extrahiert und Lerndaten erstellt, und unter Verwendung der Lerndaten erlernt. Überdies ist die Steuerverfahren-Lerneinheit ausgestattet mit einer Qualitätsbeurteilung des Steuerausgangs im Steuerausgangs-Qualitätsbeurteilungsmodul, mit einem Lerndaten-Generator, der unter Verwendung des Steuerausgangs Lehrerdaten erhält, und mit einem Steuerregel-Lernmodul, das Leistungsdaten und Lehrerdaten als Lerndaten erlernt.
[Vorteilhafte Wirkungen der Erfindung]
Diese Erfindung ermöglicht es, die während der Steuerung für die Formsteuerung verwendeten Formmuster und Steuerregeln der Operationsverfahren mit geringerem Risiko für die Anlage effektiv und automatisch zu modifizieren und sie entsprechend den altersbedingten Veränderungen in der Umwelt der Anlage anzupassen und zu optimieren. Daher ermöglicht diese Erfindung eine verbesserte Regelgenauigkeit, eine kürzere Anlaufzeit der Steuervorrichtung und eine Reaktion auf altersbedingte Veränderungen. Da erfindungsgemäß die Leistungsfähigkeit der Steuerregel im Voraus bewertet wird, wird das Risiko für die Anlage durch die Anwendung neuer Kontrollregeln verringert und die Steuerleistungsfähigkeit durch die Auswahl der am besten geeigneten Steuerregel verbessert. Das Ergebnis ist eine Verringerung des Risikos für die Anlage durch die Anwendung neuer Steuerregeln und eine Verbesserung der Steuerleistungsfähigkeit durch die Auswahl der am besten geeigneten Kontrollregeln. Andere als die oben genannten Aufgaben, Konfigurationen und Auswirkungen werden durch die Erläuterung der folgenden Ausführungsformen verdeutlicht.
Figurenliste

1 zeigt beispielhaft den Aufbau des Anlagensteuersystems in einer erfindungsgemäßen Ausführungsform im Umriss.
2 zeigt den konkreten Aufbau des Steuerregel-Ausführungsmoduls in einem erfindungsgemäßen Ausführungsbeispiel.
3 zeigt den Aufbau eines erfindungsgemäßen Ausführungsbeispiels für das Steuerausgangs-Qualitätsbeurteilungsmodul.
4 zeigt den konkreten Aufbau des Steuerregel-Lernmoduls in einem erfindungsgemäßen Ausführungsbeispiel.
5 zeigt den Aufbau eines erfindungsgemäßen Ausführungsbeispiels für das Zustandsänderungsregel-Lernmodul.
6 zeigt ein Beispiel für die Qualitätsbeurteilung des Steuerergebnisses für das Steuerverfahren bei der Formsteuerung von Sendzimir-Walzwerken.
7 zeigt den Aufbau eines erfindungsgemäßen Ausführungsbeispiels für das Qualitätsbeurteilungsfehler-Verifikationsmodul.
8 zeigt die Konfiguration des Neuronalnetzwerks bei Verwendung für die Formsteuerung eines Sendzimir-Walzwerks im Beispiel für eine erfindungsgemäße Ausführungsform.
9 ist eine Ansicht zur Erläuterung der Formabweichung und des Steuerverfahrens im Beispiel für eine erfindungsgemäße Ausführungsform
10 zeigt den Aufbau eines Steuereingabedaten-Generators in einem erfindungsgemäßen Ausführungsbeispiel.
11 zeigt den Aufbau eines Steuerausgangs-Rechenmoduls in einem erfindungsgemäßen Ausführungsbeispiel.
12 zeigt die Konfiguration des Neuronalnetzwerks bei Verwendung für die Zustandsänderung-Vorhersage eines Sendzimir-Walzwerks im Beispiel für eine erfindungsgemäße Ausführungsform.
13 zeigt den Aufbau eines erfindungsgemäßen Ausführungsbeispiels für das Steuerergebnis-Qualitätsbeurteilungsmodul.
14 zeigt beispielhaft den Aufbau des Operationsbetrags-Berechnungsverfahrens im Neusuche-Operationsbetrags-Rechner einer erfindungsgemäßen Ausführungsform.
15 zeigt ein Beispiel für den Aufbau eines Steuerausgang-Beurteilungsmoduls in einer erfindungsgemäßen Ausführungsform.
16 zeigt ein Beispiel für den Aufbau eines Steuerausgangs-Rechenmoduls in einer erfindungsgemäßen Ausführungsform.
17 zeigt beispielhaft die Verarbeitungsschritte und die Verarbeitungsinhalte im Lerndaten-Generator einer erfindungsgemäßen Ausführungsform.
18 zeigt ein Beispiel für die Speicherung von Daten in der Lerndaten-Datenbank einer erfindungsgemäßen Ausführungsform.
19 zeigt ein Beispiel für die Verwaltungstabelle eines Neuronalnetzwerks in einer erfindungsgemäßen Ausführungsform.
20 zeigt ein Beispiel für den Aufbau der Lerndaten-Datenbank in einer erfindungsgemäßen Ausführungsform.
21 zeigt ein Beispiel für die in der Lerndaten-Datenbank gespeicherten Daten einer erfindungsgemäßen Ausführungsform.
22 zeigt ein Beispiel der Verifikationsdaten-Datenbank in einer erfindungsgemäßen Ausführungsform.
23 zeigt ein Beispiel für die Verwaltungstabelle eines Neuronalnetzwerks in einer erfindungsgemäßen Ausführungsform.
24 zeigt ein Beispiel für die Lerndaten-Datenbank in einer erfindungsgemäßen Ausführungsform.
25 zeigt ein Beispiel für die Qualitätsbeurteilungs-Fehlerdatenbank in einer erfindungsgemäßen Ausführungsform.
26 zeigt ein Beispiel für die Qualitäts-Beurteilungswerte-Datenbank in einer erfindungsgemäßen Ausführungsform.
27 zeigt schematisch ein Beispiel für ein Anlagensteuersystem mit einer Steueregel-Bewertungs-Einheit in einer erfindungsgemäßen Ausführungsform.
28 zeigt ein Beispiel für eine Steuerregel-Bewertungsdaten-Datenbank in einer erfindungsgemäßen Ausführungsform.
29 zeigt ein Beispiel für eine Steuerregel-Bewertungswerte-Datenbank in einer erfindungsgemäßen Ausführungsform.
30 zeigt das Blockdiagramm für ein Beispiel des Hardware-Aufbaus im Anlagensteuersystem einer erfindungsgemäßen Ausführungsform.
31 ist die schematische Darstellung eines Beispiels für ein konventionelles Sendzimir-Walzwerk.
32 zeigt ein Beispiel für eine Liste von Steuerregeln bei der Formsteuerung eines Sendzimir-Walzwerks.

[Ausführungsformen zur praktischen Umsetzung der Erfindung]
Im Folgenden wird das Anlagensteuersystem eines erfindungsgemäßen Ausführungsbeispiels (fortan „dieses Beispiel“) unter Bezugnahme auf die beigefügten Figuren beschrieben.
Vor der Erläuterung dieses Beispiels werden zunächst die näheren Umstände, die zu dieser Erfindung führten, und die Grundzüge der Erfindung am Beispiel der Anwendung des Anlagensteuersystems auf die Formsteuervorrichtungen eines Walzwerks dargestellt.
Zunächst sind die folgenden Anforderungen (1), (2), (3) und (4) notwendig, um ein Anlagensteuersystem zu erhalten, das die Steuerregeln bei geringem Risiko für die Anlage effizient modifizieren kann, was eines der Ziele dieser Erfindung ist. Anforderung (1): Zur Verbesserung der Steuerregeln in dem Fall, dass Steueroperationen mit guten Steuerergebnissen nicht erlernt werden konnten und die Steuerergebnisse bei weitgehender Veränderung der Steueroperationen gut ausfallen, diese als neues Steuerprozessverfahren aufnehmen und wenn Steueroperationen mit guten Steuerergebnissen gelernt werden konnten, keine Veränderung der Steueroperationen vornehmen oder sich auf kleine Änderungen beschränken und bei gutem Ausfall der entsprechenden Steuerergebnisse diese als neue Steuerprozessverfahren aufnehmen.
Anforderung (2): Durch Erlernen der Kombination von Leistungsdaten der Walzung mit Steueroperationen und Änderungen der Formmuster auf Basis von realen Maschinendaten ein Modell aufbauen, das die Qualität von Steuerergebnissen genauer einschätzen kann als ein Simulator, der ein Maschinenmodell verwendet, und ein Modell schaffen, das aufgrund von regelmäßigem automatischen Lernen stets an die neuesten Anlagenbedingungen angepasst wird.
Anforderung (3): Durch die Verwendung von Modellen zur Abschätzung von Formänderungen, die durch Steueroperationen verursacht werden, die Zuverlässigkeit der Funktion der Unterdrückung der Steuerausgabe an die Anlage erhöhen, was bei der herkömmlichen Technik nur mit einfachen Maschinenmodellen durchgeführt wurde. Anforderung (4): Bei der Funktion der Generierung von Steuerregel-Lerndaten, die bei der herkömmlichen Technik mit der einmaligen Qualitätsbeurteilung der Steuerergebnisse erfolgte, durch die Verwendung eines Modells, das die Formänderung durch Steueroperationen abschätzt, es ermöglichen, den Einfluss des in den Anlagendaten enthaltenen Rauschens zu unterdrücken und auch Feineinstellungen mit kleinen Effekten zum Gegenstand der Lerndaten zu machen, und gleichzeitig durch Verhütung der Fehleinschätzung der Steuereffizienz die Schwankungen in den Lerndaten verringern und die Steuerleistung stabilisieren.
Um diese Anforderungen (1) bis (4) zu erfüllen, ist es vorteilhaft, in der Steuervorrichtung ein Neuronalnetzwerk aufzubauen, das in der Lage ist, die Kombination aus Leistungsdaten der Walzen, Steueroperationen und Formänderungen aufgrund von Steueroperationen zu erlernen. Dann wird es notwendig, dass mit den durch Eingabe des Ausgangs der Steueroperationen in das neuronale Netzwerk erhaltenen Werte die Qualität der Steuerungsergebnisse eingeschätzt wird, die auf dem Ausgang der Steueroperationen beruhen, die die vom Walzwerk erzeugten Formmuster betreffen. Überdies wählt die Steuervorrichtung unter Verwendung des Schätzwerts für die Qualität des Steuerergebnisses ein Berechnungsverfahren für den Steueroperationsbetrag zur Suche nach neuen Steueroperationen.
Die Verifikation erfolgt anhand eines vereinfachten Modells des Walzwerks o.ä. und bei Ausgängen, die als eindeutig formverschlechternd angesehen werden, verhindert die Steuervorrichtung eine Formverschlechterung, indem sie keinen Ausgang an das Steueroperationsende des Walzwerks gibt. Die Steuervorrichtung kann nun durch Verwendung des Schätzwerts zur Qualität des Steuerergebnisses für die Beurteilung der Ausgangskontrolle die Zuverlässigkeit des Schutzes erhöhen und durch Optimierung des Bereichs der Kontrolle den auf den Steuerfunktionen beruhenden Bereich der Reaktionsmöglichkeiten erweitern. Ferner kann auch im Fall, dass ein einfaches Modell der Walzmaschine etc. nicht zu erlangen ist, durch Verwendung des Schätzwerts zur Qualität des Steuerergebnisses die Durchführung der Beurteilung der Ausgangskontrolle ermöglicht und der Zielbereich für die Anwendung der Steuervorrichtung erweitert werden.
In der ersten Zeit der Anwendung, in der die Genauigkeit bei der Einschätzung der Qualität von Steuerergebnissen unzureichend ist, ist es erforderlich, auch bei den als negativ eingeschätzten Steueroperationen durch Ausgabe an die Anlage den Bereich des Lernens bezüglich der Kombination von Walz-Leistungsdaten, Steueroperationen und auf Steueroperationen beruhenden Formänderungen immer weiter zu vergrößern.
In dem Stadium, in dem die Genauigkeit der Qualitätsbeurteilung und -Einschätzung der Steuerergebnisse ausreichend hoch ist, kann die Steuervorrichtung die Lerndaten der Steuerregeln generieren, weil die Qualität der Steuerergebnisse auch ohne Ausgabe der Operationsbeträge an die Anlage eingeschätzt werden kann.
Dadurch dass die Steuervorrichtung die Qualität der Steuerergebnisse unter Verwendung eines Neuronalnetzwerks einschätzt, das Formänderungen aufgrund von Steueroperationen einschätzen kann, kann sie die Auswirkungen des in den Anlagendaten enthaltenen Rauschens reduzieren und es wird eine Qualitätsbeurteilung bezüglich von Feineinstellungsdaten mit geringen Auswirkungen möglich. Dadurch kann die Steuervorrichtung Lerndaten generieren. Ferner kann die Steuervorrichtung durch Verhinderung einer aufgrund von Rauschen fehlerhaften Qualitätsbeurteilung die Genauigkeit der Lerndaten erhöhen.
Fällt die Schätzgenauigkeit bei der Qualitätsbeurteilung der Steuerergebnisse aufgrund von im Lauf der Zeit eintretenden Änderungen der Anlagenumgebung o.ä. aber ab, lernt die Steuervorrichtung unter Nutzung neuerer Leistungsdaten der Anlage erneut und ermöglicht damit die Einschätzung einer Qualitätsbeurteilung von Steuerergebnissen, die zu den neuesten Anlagenbedingungen passen.
Um die Schätzgenauigkeit bei der Qualitätsbeurteilung von Steuerergebnissen zu überprüfen, werden getrennt von den für das Lernen des Neuronalnetzwerks verwendeten Daten Testdaten für die Verifikation der Genauigkeit vorbereitet. Es wird dann möglich, dass die Steuervorrichtung auf Basis von Abweichungen zwischen den Qualitätsprognosewerten, für die die durch Eingabe der in den Testdaten für diese Genauigkeitsverifikation enthaltenen Walzleistungsdaten und Steueroperationen in das Neuronalnetzwerk ausgegebenen Prognosewerte zur Formänderung verwendet wurden, und der Qualität der in den Testdaten enthaltenen Steuerergebnisse die Prognosefehler bei der Qualitätsbeurteilung überprüft.
1 zeigt den Aufbau dieses Anlagensteuersystem aus diesem Beispiel. Das in 1 dargestellte Anlagensteuersystem ist ausgestattet mit der Steuerausführungseinheit 20, der Steuerverfahren-Lerneinheit 21, der Lerneinheit für Zustandsänderungsregeln 22, mehreren Datenbanken DB (DB1 bis DB8) und den Verwaltungstabellen TB der einzelnen Datenbanken DB.
Die Steuerausführungseinheit 20 gibt die Leistungsdaten Si aus der Steuerzielanlage 1 ein, gibt die entsprechend den Steuerregeln (Neuronalnetzwerk) festgelegte Steueroperationsbetragsausgabe SO an die Steuerzielanlage 1 ab und steuert so die Steuerzielanlage 1. Hier soll die Steuerzielanlage 1 das in 31 gezeigte bereits erläuterte Sendzimir-Walzwerk 50 sein. Wie anhand von 26 erläutert, sind hier die Steuerregeln beispielsweise die Regeln, nach denen berechnet wird, welcher der vorbereiteten mehreren Musterformen die Differenz a (Δε) zwischen dem erkannten tatsächlichen Formmuster A (ε) und der Zielform (ε_ref) am nächsten kommt. Die Steuerausführungseinheit 20 führt auf Basis des auf diesen Steuerregeln beruhenden Berechnungsergebnisses die Auswahl des Steuerverfahrens für eines der Muster aus.
Die Steuerverfahren-Lerneinheit 21 führt das Lernen aus, indem sie die mit der Steuerausführungseinheit 20 erstellten Steuereingabedaten S1 etc. eingibt, und spiegelt die gelernten Steuerregeln in den Steuerregeln in der Steuerausführungseinheit 20 wider. Die Lerneinheit für Zustandsänderungsregeln 22 führt das Lernen aus, indem sie u.a. die Leistungsdaten Si vor und nach der Steueroperation der Steuerzielanlage 1 eingibt, und spiegelt die erlernten Zustandsänderungsregeln in den Zustandsänderungsregeln in der Steuerausführungseinheit 20 wider.
Die Steuerausführungseinheit 20 ist ausgestattet mit Steuereingabe-Datengenerator 2, mit dem Steuerregel-Ausführungsmodul 10, mit dem Steuerausgangs-Rechenmodul 3, mit dem Steuerausgangs-Kontrollmodul 4, mit dem Steuerausgangs-Beurteilungsmodul 5, mit dem Steuerausgangs-Qualitätsbeurteilungsmodul 17, mit dem Neusuche-Operationsbetrags-Rechner 33 und dem Steuerausgangs-Operationsverfahrens-Selektor 18.
Die Steuerausführungseinheit 20 erstellt unter Verwendung des Steuereingabe-Datengenerators 2 aus den Leistungsdaten Si des Walzwerks, das die Steuerzielanlage 1 ist, die Eingabedaten S1 des Steuerregel-Ausführungsmoduls 10. Das Steuerregel-Ausführungsmodul 10 nutzt ein Neuronalnetzwerk (Steuerregel), das die Beziehung zwischen den Leistungsdaten Si des Steuerziels und der Steueroperationsende-Operationsanweisung S2 ausdrückt, und führt damit einen Steuerregel-Ausführprozess durch, der aus den Eingabedaten S1 die Steueroperationsende-Operationsanweisung S2 erstellt. Das Steuerausgangs-Rechenmodul 3 berechnet auf Grundlage der Steueroperationsende-Operationsanweisung S2 den Steueroperationsbetrag S3 an das Steueroperationsende. Dadurch erstellt die Steuerausführungseinheit 20 entsprechend der Leistungsdaten Si der Steuerzielanlage 1 unter Verwendung des Neuronalnetzwerks den Steueroperationsbetrag S3.
Ferner verwendet das Steuerausgangs-Qualitätsbeurteilungsmodul 17 ein Neuronalnetzwerk (Zustandsänderungsregeln), das die Relation zwischen den Leistungsdaten Si des Steuerziels, Steueroperationsbetrag S3 und der auf diesen Steuervorgängen beruhenden Formänderung ausdrückt, und führt damit den Prozess zur Durchführung der Qualitätsbeurteilung der Steuerausgabe durch, der aus den Leistungsdaten Si des Steuerziels und dem Steueroperationsbetrag S3 den Steuerausgangs-Qualitätsbeurteilungs-Schätzwert S9 erstellt. Überdies erstellt das Steuerausgangs-Qualitätsbeurteilungsmodul 17 aus den Leistungsdaten Si des Steuerziels und dem noch zu erläuternden Wahl-Steuer-Operationsbetrag S8 den Steuerergebnis-Qualitätsbeurteilungs-Schätzwert S11.
Der Neusuche-Operationsbetrags-Rechner 33 führt auf Basis des Steueroperationsbetrags S3 und des Steuerausgangs-Qualitätsbeurteilungs-Schätzwerts S9 den Neusuche-Operationsbetrags-Berechnungsprozess zur Berechnung des Neusuche-Steuer-Operationsbetrags S12 durch. Der Steuerausgangs-Operationsverfahrens-Selektor 18 erstellt auf Grundlage von Steueroperationsbetrag S3 und Neusuche-Steuer-Operationsbetrag S12 den Wahl-Steuer-Operationsbetrag S8 und die Steuerverfahrenswahl-Flag S14.
Das Steuerausgangs-Beurteilungsmodul 5 in der Steuerausführungseinheit 20 führt unter Verwendung der Leistungsdaten Si aus der Steuerzielanlage 1 und des Wahl-Steuer-Operationsbetrags S8 aus dem Steuerausgangs-Operationsverfahrens-Selektor 18 den Steuerausgang-Beurteilungsprozess durch, der die Steueroperationsbetrag-Ausgabe-Zulässigkeitsdaten S4 an das Steueroperationsende bestimmt. Das Steuerausgangs-Kontrollmodul 4 bestimmt auf Basis der Steueroperationsbetrag-Ausgabe-Zulässigkeitsdaten S4 und des Steuerergebnis-Qualitätsbeurteilungs-Schätzwerts S11 die Ausgabe-Zulässigkeit für den Wahl-Steuer-Operationsbetrag S8 an das Steueroperationsende und gibt den zugelassenen Wahl-Steuer-Operationsbetrag S8 als Steueroperationsbetragsausgang SO aus, der an die Steuerzielanlage 1 gegeben wird. Dadurch wird ein als abnormal beurteilter Wahl-Steuer-Operationsbetrag S8 nicht mehr von der Steuerausführungseinheit 20 an die Steuerzielanlage 1 ausgegeben.
Um ihre Prozesse durchzuführen, bezieht sich die wie oben konfigurierte Steuerausführungseinheit 20 auf die Steuerregel-Datenbank DB1, die Ausgabebeurteilungs-Datenbank DB3 und die Qualitätsbeurteilungs-Datenbank DB4, die Zustandsänderungsregel-Datenbank DB5 und die Qualitätsbeurteilungs-Fehlerdatenbank DB7. Die Steuerregel-Datenbank DB1 ist sowohl mit dem Steuerregel-Ausführungsmodul 10 in der Steuerausführungseinheit 20 als auch mit dem Steuerregel-Lernmodul 802 in der noch zu erläuternden Steuerverfahren-Lerneinheit 21 mit Zugriff verbunden.
In der Steuerregel-Datenbank DB1 werden die Steuerregeln (Neuronalnetzwerke) in der Form von Lernergebnissen im Steuerregel-Lernmodul 802 gespeichert. Das Steuerregel-Ausführungsmodul 10 bezieht sich auf die in der Steuerregel-Datenbank DB1 gespeicherten Steuerregeln. In der Lerndaten-Datenbank DB2 werden die Lerndaten gespeichert, die mit dem Steuerregel-Lernmodul 802 erlangt werden. Die Ausgabebeurteilungs-Datenbank DB3 hat Zugriffsmöglichkeit zum Steuerausgangs-Beurteilungsmodul 5 in der Steuerausführungseinheit 20.
In der Qualitätsbeurteilungs-Datenbank DB4 sind Daten für die Qualitätsbeurteilung gespeichert. In der Zustandsänderungsregel-Datenbank DB5 sind Zustandsänderungsregeln (Neuronalnetzwerke) in Form von Lernergebnissen aus dem Zustandsänderungsregel-Lernmodul 31 gespeichert. Diese Zustandsänderungsregel-Datenbank DB5 ist mit dem Steuerausgangs-Qualitätsbeurteilungsmodul 17 in der Steuerausführungseinheit 20 sowie mit dem noch zu erläuternden Zustandsänderungsregel-Lernmodul 31 in der Lerneinheit für Zustandsänderungsregeln 22 und dem Zustandsänderungsregel-Qualitätsbeurteilungsfehler-Verifikationsmodul 34 unter Zugriffsmöglichkeit verbunden. Das Steuerausgangs-Qualitätsbeurteilungsmodul 17 und das Zustandsänderungsregel-Qualitätsbeurteilungsfehler-Verifikationsmodul 34 beziehen sich auf die in der Zustandsänderungsregel-Datenbank DB5 gespeicherten Zustandsänderungsregeln. In der Lerndaten-Datenbank DB6 werden die Lerndaten gespeichert, die im Zustandsänderungsregel-Lernmodul 31 gelernt wurden. In der Qualitätsbeurteilungs-Fehlerdatenbank DB7 werden die für die Qualitätsbeurteilung erforderlichen Qualitätsbeurteilungsfehler gespeichert.
2 zeigt ein Beispiel für den konkreten Aufbau des Steuerregel-Ausführungsmoduls 10 aus diesem Beispiel. In das Steuerregel-Ausführungsmodul 10 werden die im Steuereingabe-Datengenerator 2 erstellten Eingabedaten S1 eingegeben. Das Steuerregel-Ausführungsmodul 10 verarbeitet die Eingabedaten S1 und gibt die Steueroperationsende-Operationsanweisung S2 an das Steuerausgangs-Rechenmodul 3. Das Steuerregel-Ausführungsmodul 10 ist mit dem Neuronalnetzwerk 101 ausgestattet und das Neuronalnetzwerk 101 gibt eine den in 26 dargestellten Formsteuerregeln entsprechende Steueroperationsende-Operationsanweisung S2 aus.
Das Steuerregel-Ausführungsmodul 10 ist ferner ausgestattet mit dem Neuronalnetz-Selektor 102; es wählt unter Bezug auf die in der Steuerregel-Datenbank DB1 gespeicherten Steuerregeln als Steuerregel im Neuronalnetzwerk 101 die am besten geeignete Steuerregel und lässt diese vom Neuronalnetzwerk 101 ausführen.
In dieser Weise wählt das Steuerregel-Ausführungsmodul 10 aus mehreren nach Bedienergruppe und Steuerzweck unterteilten Neuronalnetzwerken das notwendige Neuronalnetzwerk aus und verwendet es. Die Steuerregel-Datenbank DB1 sollte als Daten von der Steuerzielanlage 1 auch Leistungsdaten Si (Arbeitsgruppendaten etc.) enthalten, mit denen das Neuronalnetzwerk und die Kriterien der Qualitätsbeurteilung gewählt werden können. Ausgehend davon, dass ein Neuronalnetzwerk bei der Ausführung zur Steuerregel wird, wird in dieser Detailbeschreibung der Begriff Neuronalnetzwerk synonym zu Steuerregel verwendet.
3 zeigt den konkreten Aufbau des Steuerausgangs-Qualitätsbeurteilungsmoduls 17. In das Steuerausgangs-Qualitätsbeurteilungsmodul 17 werden die von der Steuerzielanlage 1 eingegebenen Leistungsdaten Si und der im Steuerausgangs-Rechenmodul 3 erstellte Steueroperationsbetrag S3 eingegeben. Das Steuerausgangs-Qualitätsbeurteilungsmodul 17 erzeugt auf Basis dieser Eingabedaten den Steuerausgangs-Qualitätsbeurteilungs-Schätzwert S9 und gibt ihn an den Neusuche-Operationsbetrags-Rechner 33.
In das Steuerausgangs-Qualitätsbeurteilungsmodul 17 werden ferner die von der Steuerzielanlage 1 eingegebenen Leistungsdaten Si und der im Steuerausgangs-Operationsverfahrens-Selektor 18 erstellte Wahl-Steuer-Operationsbetrag S8 eingegeben. Das Steuerausgangs-Qualitätsbeurteilungsmodul 17 generiert auf Basis dieser Eingabedaten den Steuerergebnis-Qualitätsbeurteilungs-Schätzwert S11 und gibt ihn an das Steuerausgangs-Kontrollmodul 4 und den Lerndaten-Generator 801.
Das Steuerausgangs-Qualitätsbeurteilungsmodul 17 ist mit dem Neuronalnetzwerk 171 und dem Neuronalnetz-Selektor 172 ausgestattet.
Das Neuronalnetzwerk 171 schätzt auf Basis der Steuerleistungen aus der Vergangenheit den Prognosewert S20 der Formänderung im Falle der Ausgabe des Steueroperationsbetrags S3 (Steuermuster) für die Leistungsdaten Si. Der Neuronalnetz-Selektor 172 wählt unter Berücksichtigung der in der Zustandsänderungsregel-Datenbank DB5 gespeicherten Zustandsänderungsregeln als Zustandsänderungsregel im Neuronalnetzwerk 171 die bestgeeignete Zustandsänderungsregel aus.
In dieser Weise wählt das Steuerausgangs-Qualitätsbeurteilungsmodul 17 das notwendige Neuronalnetzwerk aus mehreren neuralen Netzwerken, die nach unterschiedlichen Eigenschaften des das Steuerziel bildenden Materials unterteilt sind. Die Zustandsänderungsregel-Datenbank DB5 sollte als Leistungsdaten aus der Steuerzielanlage 1 solche Leistungsdaten (z.B. Stahlsorten- und Plattenbreitendaten) Si enthalten, die es erlauben, eine Auswahl unter den das Steuerziel bildenden Materialeigenschaften vorzunehmen. Ausgehend davon, dass Neuronalnetzwerke bei der Ausführung Zustandsänderungsregeln werden, werden in dieser Detailbeschreibung die Begriffe Neuronalnetzwerk und Zustandsänderungsregel synonym verwendet.
Das Steuerergebnis-Qualitätsbeurteilungsmodul 6 führt unter Verwendung der Leistungsdaten Si von der Steuerzielanlage 1 und der vom Neuronalnetzwerk geschätzten Formänderung S20, der in der Qualitätsbeurteilungs-Datenbank DB4 Qualitätsbeurteilungsdaten S5 und der in der Qualitätsbeurteilungs-Fehlerdatenbank DB7 gespeicherten Qualitätsbeurteilungs-Fehlerdaten S21 den Prozess der Steuerergebnis-Qualitätsbeurteilung durch, mit dem beurteilt wird, ob sich die Leistungsdaten Si in eine positive Richtung entwickeln oder schlechter werden. Dann gibt das Steuerergebnis-Qualitätsbeurteilungsmodul 6 die das Beurteilungsergebnis anzeigenden Steuerergebnis-Qualitätsdaten S9 oder S11 aus.
6 zeigt ein konkretes Beispiel für die Qualitätsbeurteilung des Steuerergebnisses beim Steuerverfahren bei der Formsteuerung von Sendzimir-Walzwerken. 6 zeigt die Steuerergebnis-Qualitätsbeurteilungs-Ergebnisse für jede in 26 dargestellte Formsteuerregel.
Um auf die Beschreibung in 1 zurückzukommen: Die Steuerverfahren-Lerneinheit 21 führt das Lernen des in der Steuerausführungseinheit 20 verwendeten Neuronalnetzwerks 101 durch. Die Steuerverfahren-Lerneinheit 21 ist ausgestattet mit dem Lerndaten-Generator 801 und dem Steuerregel-Lernmodul 802.
Der Lerndaten-Generator 801 in der Steuerverfahren-Lerneinheit 21 führt unter Verwendung der in der Steuerausführungseinheit 20 erstellten Steueroperationsende-Operationsanweisung S2, des Wahl-Steuer-Operationsbetrags S8, der Steuerverfahrenswahl-Flag S14, des im Steuerausgangs-Qualitätsbeurteilungsmodul 17 erstellten Steuerergebnis-Qualitätsbeurteilungs-Schätzwerts S11 und der im Steuerausgangs-Beurteilungsmodul 5 erstellten Steueroperationsbetrags-Ausgabe-Zulässigkeitsdaten S4 den Lerndaten-Erstellprozess durch, der die beim Lernen des Neuronalnetzwerks verwendeten neuen Lehrerdaten S7a erstellt. Die vom Lerndaten-Generator 801 erstellten Lerndaten S7a werden an das Steuerregel-Lernmodul 802 gegeben.
Die Lehrerdaten S7a entsprechen der vom Steuerregel-Ausführungsmodul 10 ausgegebenen Steueroperationsende-Operationsanweisung S2.
4 zeigt ein konkretes Konfigurationsbeispiel des Steuerregel-Lernmoduls 802. Das Steuerregel-Lernmodul 802 ist ausgestattet mit dem Eingabedatengenerator 114, dem Lehrerdaten-Generator 115, dem Neuronalnetzwerkprozessor 110 und dem Neuronalnetz-Selektor 113. Im Steuerregel-Lernmodul 802 werden als externe Eingabe die Eingabedaten S1 vom Steuereingabe-Datengenerator 2 und die neuen Lehrerdaten S7a vom Lerndaten-Generator 801 eingegeben. Ferner bezieht sich das Steuerregel-Lernmodul 802 auf die in der Steuerregel-Datenbank DB1 und der Lerndaten-Datenbank DB2 akkumulierten Daten.
Im Steuerregel-Lernmodul 802 werden die Eingabedaten S1 über den Eingabedatengenerator 114 in den Neuronalnetzwerkprozessor 110 importiert.
Ferner werden im Steuerregel-Lernmodul 802 die neuen Lehrerdaten S7a vom Lerndaten-Generator 801 als gesamte Lehrerdaten S7c, einschließlich der im Lehrerdaten-Generator 115 in der Lerndaten-Datenbank DB2 gespeicherten Lehrerdaten S7b der Vergangenheit, an den Neuronalnetzwerkprozessor 110 übergeben. Die Lehrerdaten S7a und S7b werden nach Belieben in der Lerndaten-Datenbank DB2 gespeichert und verwendet.
In gleicher Weise werden die Eingabedaten S8a aus dem Steuereingabe-Datengenerator 2 als gesamte Eingabedaten S8c, einschließlich der im Eingabedatengenerator 114 in der Lerndaten-Datenbank DB2 gespeicherten Eingabedaten S8b der Vergangenheit, an den Neuronalnetzwerkprozessor 110 übergeben. Auch diese Eingabedaten S8a und S8b werden nach Belieben in der Lerndaten-Datenbank DB2 gespeichert und verwendet.
Der Neuronalnetzwerkprozessor 110 besteht aus dem Neuronalnetzwerk 111 und der Neuronalnetzwerk-Lernsteuerung 112. Das Neuronalnetzwerk 111 importiert die Eingabedaten S8c aus dem Eingabedatengenerator 114, die Lehrerdaten S7c aus dem Lehrerdaten-Generator 115 und die vom Neuronalnetz-Selektor 113 gewählten Steuerregeln (Neuronalnetzwerk) und speichert das schließlich bestimmte Neuronalnetzwerk in der Steuerregel-Datenbank DB1.
Die Neuronalnetzwerk-Lernsteuerung 112 steuert zu passender Zeit den Eingabedatengenerator 114, den Lehrerdaten-Generator 115 und den Neuronalnetz-Selektor 113, bekommt den Eingang des Neuronalnetzwerks 111 und speichert das Prozessergebnis wieder in der Steuerregel-Datenbank DB1.
Hier sind das Neuronalnetzwerk 101 im Steuerregel-Ausführungsmodul 10 aus 2 und das Neuronalnetzwerk 111 in der Steuerverfahren-Lerneinheit 21 aus 4 beide Neuronalnetzwerke eines gleichen Konzepts, sie unterscheiden sich aber wie folgt. Das heißt, das Neuronalnetzwerk 101 im Steuerregel-Ausführungsmodul 10 ist ein Neuronalnetzwerk mit vorgegebenem Inhalt, ein Neuronalnetzwerk, das die Steueroperationsende-Operationsanweisung S2 bei Übergabe der Eingabedaten S1 als entsprechende Ausgabe anfordert.
Andererseits ist das Neuronalnetzwerk 111 in der Steuerverfahren-Lerneinheit 21 ein Neuronalnetzwerk, das diese Ein-/Ausgabe-Relation durch Lernen ermittelt, wenn die Eingabedaten S1, die Eingabedaten S8c bezüglich der Steueroperationsende-Operationsanweisung S2 und die Lehrerdaten S7c als Lerndaten festgelegt wurden.
Das grundlegende Konzept der Prozesse in der Steuerverfahren-Lerneinheit 21 sieht wie folgt aus. Zunächst gibt die Steuerausführungseinheit 20 den Steueroperationsbetragsausgang SO an die Steuerzielanlage 1 aus, wenn der Inhalt der Steueroperationsbetrag-Ausgabe-Zulässigkeitsdaten S4 „erlaubt“ lautet und der Inhalt des Steuerergebnis-Qualitätsbeurteilungs-Schätzwerts S11 „gut“ (Leistungsdaten Si ändern sich in positive Richtung) lautet. Nun entscheidet der Lerndaten-Generator 801, dass der vom Steuerausgangs-Operationsverfahrens-Selektor 18 ausgegebene Wahl-Steuer-Operationsbetrag S8 korrekt ist, und erstellt Lerndaten in der Weise, dass der Ausgang des Neuronalnetzwerks der Wahl-Steuer-Operationsbetrag S8 wird.
Falls andererseits der Inhalt der Steueroperationsbetrag-Ausgabe-Zulässigkeitsdaten S4 „negativ“ oder der Inhalt des Steuerergebnis-Qualitätsbeurteilungs-Schätzwerts S11, der den Steueroperationsbetragsausgang SO an die Steuerzielanlage 1 ausgegeben hat, „negativ“ ist (Leistungsdaten Si ändern sich in negative Richtung), entscheidet der Lerndaten-Generator 801, dass der vom Steuerausgangs-Operationsverfahrens-Selektor 18 ausgegebene Wahl-Steuer-Operationsbetrag S8 fehlerhaft ist.
In diesem Fall prüft der Lerndaten-Generator 801 anhand der Steuerverfahrenswahl-Flag S14, ob im Steuerausgangs-Operationsverfahrens-Selektor 18 der Steueroperationsbetrag S3 ausgewählt wurde. Wenn bei dieser Prüfung der Steueroperationsbetrag S3 gewählt war, beurteilt der Lerndaten-Generator 801 die vom Steuerregel-Ausführungsmodul 10 ausgegebene Steueroperationsende-Operationsanweisung S2 als fehlerhaft und erstellt die Lerndaten so, dass keine Ausgabe des Neuronalnetzwerks erfolgt. Zu diesem Zeitpunkt sollte als Steuerausgang der Ausgang des Neuronalnetzwerks so konfiguriert werden, dass er zwei Ausgänge für dasselbe Steueroperationsende erzeugt, einen in der +-Richtung und einen in der --Richtung, und die Lerndaten werden so erstellt, dass die ausgangsseitige Steueroperationsende-Operationsanweisung S2 nicht ausgegeben wird.
Ferner führt das in 4 dargestellte Steuerregel-Lernmodul 802 als Ergebnis der Datenverarbeitung durch die Neuronalnetzwerk-Lernsteuerung 112 die Verarbeitung in folgender Weise durch.
Zunächst führt das Steuerregel-Lernmodul 802 unter Verwendung der Lerndaten, die eine Kombination der aus den Eingabedaten S1 an die Steuerausführungseinheit 20 ermittelten Daten S8c mit den im Lehrerdaten-Generator 115 erstellten Lehrerdaten S7c darstellen, das Lernen des Neuronalnetzwerks 101 durch, das im Steuerregel-Ausführungsmodul 10 verwendet wurde.
Tatsächlich ist das Steuerregel-Lernmodul 802 im Inneren mit dem gleichen Neuronalnetzwerk 111 wie das Neuronalnetzwerk 101 des Steuerregel-Ausführungsmoduls 10 ausgestattet, macht unter verschiedenen Bedingungen Betriebstests, lernt so die Reaktionen zu dieser Zeit und bekommt als Ergebnis des Lernens Steuerregeln, für die festgestellt wurde, dass sie bessere Ergebnisse liefern.
Da das Lernen hier unter Verwendung mehrerer Lerndaten durchgeführt werden muss, werden aus der Lerndaten-Datenbank DB2, in der in der Vergangenheit erstellte Lerndaten akkumuliert sind, mehrere Lerndaten aus der Vergangenheit abgerufen und so gelernt und verarbeitet. Und dann werden die aktuellen Lerndaten in der Lerndaten-Datenbank DB2 gespeichert. Damit das gelernte neurale Netzwerk mit dem Steuerregel-Ausführungsmodul 10 genutzt werden kann, wird es in der Steuerregel-Datenbank DB1 gespeichert.
Beim Lernen des Neuronalnetzwerks können jedes Mal, wenn neue Lerndaten erstellt werden, die Lerndaten aus der Vergangenheit zusammen gelernt werden oder auch nach einer gewissen Akkumulation von Lerndaten (beispielsweise 100 Stück) diese unter Verwendung von Lerndaten aus der Vergangenheit zusammen gelernt werden.
Mit dieser Konfiguration wird es möglich, dass der Steuerausgangs-Operationsverfahrens-Selektor 18 durch Auswahl des Neu-Suchoperations-Betrags den Neu-Suchoperations-Betrag an die Zielanlage ausgibt, dem Steuerergebnis davon entsprechend Lerndaten erstellt und neue Steuerverfahren erlernt.
Um auf die Beschreibung in 1 zurückzukommen: Die Lerneinheit für Zustandsänderungsregeln 22 führt das Lernen des in der Steuerausführungseinheit 20 verwendeten Neuronalnetzwerks 171 (3) durch. Wenn sich in der Steuerzielanlage 1 Maschinenpositionen ändern sollten, braucht es in der Praxis Zeit, bis die Steuereffizienz sich in einer Änderung der Leistungsdaten Si zeigt. Daher wird unter Verwendung von Daten gelernt, die um diese Zeit verzögert wurden. In 1 verweist das mit „Z^-1“ beschriftete Verarbeitungsteil DL darauf, dass es bei der Übermittlung der einzelnen Daten eine angemessene Zeitverzögerung gibt.
Die Lerneinheit für Zustandsänderungsregeln 22 ist ausgestattet mit dem Zustandsänderungsregel-Lernmodul 31, dem Qualitätsbeurteilungsfehler-Verifikationsmodul 34 und der Qualitätsbeurteilungs-Datenbank DB4.
5 zeigt die konkrete Konfiguration des Zustandsänderungsregel-Lernmoduls 31. Das Zustandsänderungsregel-Lernmodul 31 ist ausgestattet mit dem Eingabedatengenerator 314, dem Lehrerdaten-Generator 315, dem Neuronalnetzwerkprozessor 310, dem Neuronalnetz-Selektor 313 und dem Lerndaten-Generator 316. Das Zustandsänderungsregel-Lernmodul 31 erhält als Eingang von außen die Walz-Leistungsdaten Si der Steuerzielanlage 1 und die zeitverzögerten Walz-Leistungsdaten Si-1. Überdies ist das Zustandsänderungsregel-Lernmodul 31 mit Zugriffsmöglichkeit verbunden mit der Zustandsänderungsregel-Datenbank DB5, der Lerndaten-Datenbank DB6 und der Verifikationsdaten-Datenbank DB8.
Der Lerndaten-Generator 316 extrahiert aus den zeitverzögerten Walz-Leistungsdaten Si-1 die Walzzustands-Variable und den Steueroperationsbetrag und gibt sie als Eingabedaten S12a an den Eingabedatengenerator 314 aus. Ferner extrahiert der Lerndaten-Generator 316 die Formabweichungen aus den Walz-Leistungsdaten Si und die Formabweichungen aus den zeitverzögerten Walz-Leistungsdaten Si-1, ermittelt aus der Differenz den Formänderungsbetrag und gibt ihn als Lehrerdaten S13a an den Lehrerdaten-Generator 315.
Die Lehrerdaten S13a werden im Lehrerdaten-Generator 315 dem Neuronalnetzwerkprozessor 310 als gesamte, die in der Lerndaten-Datenbank DB6 gespeicherten Lehrerdaten S13b aus der Vergangenheit einschließenden Lehrerdaten S13c übergeben. Diese Lehrerdaten S13a und S13b werden nach Belieben in der Lerndaten-Datenbank DB6 gespeichert und verwendet.
In gleicher Weise werden im Eingabedatengenerator 314 dem Neuronalnetzwerkprozessor 310 die Eingabedaten S12a als gesamte, die in der Lerndaten-Datenbank DB6 gespeicherten Eingabedaten S12b aus der Vergangenheit einschließenden Eingabedaten S12c übergeben. Diese Eingabedaten S12a und S12b werden nach Belieben in der Lerndaten-Datenbank DB6 gespeichert und verwendet.
Jetzt speichert der Lerndaten-Generator 316 die in einem bestimmten Verhältnis erstellten Lehrerdaten S13a und Eingabedaten S12a nicht in der Lerndaten-Datenbank DB6, sondern in der Verifikationsdaten-Datenbank DB8. In der Verifikationsdaten-Datenbank DB8 werden die aus den zeitverzögerten Walz-Leistungsdaten Si-1 extrahierten Formabweichungen vor der Veränderung und auch die im Neuronalnetzwerk 311 festgelegte Neuronalnetzwerk-Nummer gemeinsam gespeichert.
Der Neuronalnetzwerkprozessor 310 besteht aus dem Neuronalnetzwerk 311 und der Neuronalnetzwerk-Lernsteuerung 312. Das Neuronalnetzwerk 311 importiert die Eingabedaten S12c aus dem Eingabedatengenerator 314, die Lehrerdaten S13c aus dem Lehrerdaten-Generator 315 und die vom Neuronalnetz-Selektor 313 ausgewählten Steuerregeln (Neuronalnetzwerk).
Die Neuronalnetzwerk-Lernsteuerung 312 steuert zu passender Zeit den Eingabedatengenerator 314, den Lehrerdaten-Generator 315 sowie den Neuronalnetz-Selektor 313 und erhält den Eingang des Neuronalnetzwerks 311. Ferner speichert die Neuronalnetzwerk-Lernsteuerung 312 über den Neuronalnetz-Selektor 313 das Prozessergebnis in der Zustandsänderungsregel-Datenbank DB5.
Hier sind sowohl das Neuronalnetzwerk 171 der in 3 gezeigten Steuerausführungseinheit 20 und das Neuronalnetzwerk 341 des noch zu erläuternden Qualitätsbeurteilungs-Genauigkeits-Verifikations-Moduls 34 wie auch das Neuronalnetzwerk 311 in der in 5 dargestellten Lerneinheit für Zustandsänderungsregeln 22 allesamt Neuronalnetzwerke des gleichen Konzepts, aber mit den folgenden Unterschieden: Das Neuronalnetzwerk 171 in der Steuerausführungseinheit 20 und das Neuronalnetzwerk 341 im Qualitätsbeurteilungs-Genauigkeits-Verifikations-Modul 34 sind Neuronalnetzwerke mit einem im Voraus bestimmten Inhalt. Mit anderen Worten verlangen das Neuronalnetzwerk 171 und das Neuronalnetzwerk 341 als entsprechende Ausgaben die prognostizierten Formänderungen S20 und S25, wenn die Walzzustands-Variable Si und der Wahl-Steuer-Operationsbetrag S8 oder der Steueroperationsbetrag S3 oder die Eingabedaten für die Verifikation S24 übergeben wurden; sie sind sozusagen Neuronalnetzwerke, die für die Verarbeitung in eine Richtung genutzt werden.
Demgegenüber ist das Neuronalnetzwerk 311 in der Lerneinheit für Zustandsänderungsregeln 22 ein Neuronalnetzwerk, das diese Input-Output-Beziehung durch Lernen erfasst, wenn die Lehrerdaten S13c und die Daten S12c, die nach Zeitverzögerung aus den Walz-Leistungsdaten Si den Steueroperationsbetrag extrahiert haben, als Lerndaten festgelegt wurden.
7 zeigt den konkreten Aufbau des Qualitätsbeurteilungsfehler-Verifikationsmoduls 34. Das Qualitätsbeurteilungsfehler-Verifikationsmodul 34 ist ausgestattet mit dem Verifikations-Datengenerator 343, mit dem Neuronalnetzwerk 341, mit dem Neuronalnetz-Selektor 342, mit dem Zustandsänderungs-Qualitätswandler 344, mit der Qualitätsbeurteilungswerte-Datenbank DB9 und mit dem Qualitätsbeurteilungsfehler-Rechner 345.
Der Verifikations-Datengenerator 343 liest aus der Verifikationsdaten-Datenbank DB8 die Verifikations-Daten S22, die der für die Durchführung der Fehlerverifikation gewünschten Zustandsänderungsregel (Neuronalnetzwerk-Nummer) entsprechen, der Reihe nach aus und gibt die Eingabedaten für die Verifikation S24 an das Neuronalnetzwerk 341 aus und zugleich die Qualitätswandel-Verifikationsdaten S23 an den Zustandsänderungs-Qualitätswandler 344 aus.
Das Neuronalnetzwerk 341 übernimmt vom Verifikations-Datengenerator 343 die Eingabedaten für die Verifikation S24 und gibt auf Grundlage der Steuerleistungen aus der Vergangenheit den prognostizierten [!] Prognose-Formänderungsbetrag S25 an den Zustandsänderungs-Qualitätswandler 344 aus. Der Neuronalnetz-Selektor 342 bezieht sich auf die in der Zustandsänderungsregel-Datenbank DB5 gespeicherten Zustandsänderungsregeln und wählt aus mehreren nach Unterschieden in der Materialeigenschaft als Steuerziel unterteilten Neuronalnetzwerken die Zustandsänderungsregel für die Durchführung der Fehlerverifikation aus.
Der Zustandsänderungs-Qualitäts-Prognosewert-Wandler 344 erhält vom Verifikations-Datengenerator 343 die Qualitätswandel-Verifikationsdaten S23, bekommt vom Neuronalnetzwerk 341 den prognostizierten Formänderungsbetrag S25, berechnet auf dieser Grundlage den Verifikationsdaten-Qualitätsbeurteilungswert und den prognostizierten Qualitätsbeurteilungswert und speichert den Qualitätsbeurteilungswert S26 in der Qualitätsbeurteilungswerte-Datenbank DB9.
Der Qualitätsbeurteilungsfehler-Rechner 345 liest aus der Qualitätsbeurteilungswerte-Datenbank DB9 die Qualitätsbeurteilungswerte-Daten S27 in Einheiten von Neuronalnetzwerk-Nummern aus, berechnet den Verifikationsdaten-Qualitätsbeurteilungswert und Qualitätsbeurteilungsfehler des prognostizierten Qualitätsbeurteilungswerts und schreibt sie zusammen mit der Verifikationsergebnis-Flag als Qualitätsbeurteilungs-Fehlerdaten S28 in die Qualitätsbeurteilungs-Fehlerdatenbank DB7.
Als nächstes wird ein konkretes Beispiel für das Anlagensteuerverfahren zur Formsteuerung in einem Sendzimir-Walzwerk erläutert. Bei der Erläuterung der Formsteuerung wird angenommen, dass die folgenden Spezifikationen A und B eingesetzt werden.
Spezifikation A ist eine Spezifikation der Priorität und enthält Angaben zur Priorität in Breitenrichtung der Platte. Bei der Formsteuerung ist es aufgrund der Maschineneigenschaften beispielsweise oft schwierig, über die gesamte Breitenrichtung der Platte auf Sollwert zu steuern. Die Betreiber setzen daher auf der Grundlage der bisherigen Erfahrungen eine Prioritätsabfolge für die Durchführung der Operationen in Breitenrichtung der Platte. Daher werden die Spezifikationen A1 und A2 für die folgenden beiden Prioritäten in Breitenrichtung der Platte festgelegt. Darunter lautet die Spezifikation A1 bezüglich Priorität: „Priorität hat der Plattenrand“. Ferner lautet die Spezifikation A2 bezüglich Priorität: „Priorität hat das Zentrum“. Welche Spezifikation verwendet wird, wird je nach Erfahrung des Betreiberpersonals von den Geschwindigkeitsbedingungen und der Walzsituation bei den Beschleunigungs- und Verzögerungsvorgängen bestimmt. Die Steuerung erfolgt nach zwei Prioritäten, also diesen Spezifikationen A1 und A2. Mit anderen Worten, wenn das Anlagensteuersystem eine Steuerung durchführt, berücksichtigt es als Priorität entweder die Spezifikation A1 oder A2.
Spezifikation B ist eine Spezifikation für die Reaktion auf im Voraus bekannte Bedingungen. Um ein Beispiel zu nennen: Da die Beziehung zwischen dem Formmuster und dem Steuerverfahren unter verschiedenen Bedingungen variiert, ist es beispielsweise notwendig, die Spezifikation B1 als Plattenbreite und die Spezifikation B2 als Stahlsorte zu kategorisieren. Dadurch dass sich die jeweiligen Spezifikationen ändern, ändert sich der Grad des Einflusses auf die Form des Form-Operationsendes.
Die hier als Beispiel dienende Steuerzielanlage 1 ist ein Sendzimir-Walzwerk und die Leistungsdaten sind Formergebnisse. Sendzimir-Walzwerke sind Walzwerke mit Mehrfachwalzen zum Kaltwalzen von harten Materialien wie Edelstahl. Ein Sendzimir-Walzwerk verwendet Arbeitswalzen mit kleinem Durchmesser, die auf harte Materialien hohen Druck ausüben sollen. Daher ist es bei einem Sendzimir-Walzwerk schwierig, so zu steuern, dass ebene Stahlplatten gewonnen werden. Als Gegenmaßnahme werden bei dem Sendzimir-Walzwerken eine Mehrfachwalzen-Struktur und verschiedene Formsteuereinheiten eingesetzt.
Ein Sendzimir-Walzwerk ist im Allgemeinen mit einer oberen und unteren ersten Zwischenwalze mit einfacher Verjüngung, die verschoben werden können, 6 geteilten Walzen oben und unten und 2 AS-U genannten Walzen ausgestattet. Im nachfolgend erläuterten Beispiel werden für die Leistungsdaten Si der Form die Erkennungsdaten des Formdetektors verwendet und für die Eingabedaten S1 die Formabweichung, die die Differenz zur Zielform ist. Ferner ist der Steueroperationsbetrag S3 der Betrag der Walzenverschiebung der oberen und unteren ersten Zwischenwalzen #1 bis #n AS-U.
8 zeigt den Aufbau des Neuronalnetzwerks bei Verwendung für die Formsteuerung des Sendzimir-Walzwerks. Das Neuronalnetzwerk zeigt hier das Neuronalnetzwerk 101 bei Verwendung für das Steuerregel-Ausführungsmodul 10. Ferner wird für die Verwendung mit dem Steuerregel-Lernmodul 802 das Neuronalnetzwerk 111 gezeigt. Die beiden Neuronalnetzwerke 101 und 111 haben die gleiche Struktur.
Im Falle der Formsteuerung von Sendzimir-Walzwerken sind die Leistungsdaten Si von der Steuerzielanlage 1 Leistungsdaten des Sendzimir-Walzwerks, die die Daten des Formdetektors (hier wird die Formabweichung, also die Differenz von Ist- und Soll-Form ausgegeben) einschließen. Der Steuereingabe-Datengenerator 2 erlangt als Eingabedaten S1 die normalisierte Formabweichung 201 und die Formabweichungsstufe 202. Dadurch wird die Input-Schicht der Neuronalnetzwerke 101 und 111 durch die normalisierte Formabweichung 201 und die Formabweichungsstufe 202 gebildet. In 8 wird die Formabweichungsstufe 202 als Eingabe in die Input-Schicht des Neuronalnetzwerks betrachtet, aber das Neuronalnetzwerk kann der Stufe entsprechend auch umgeschaltet werden.
Die Output-Schicht der Neuronalnetzwerke 101 und 111 wird angepasst an die AS-U und erste Zwischenwalze, die die Formsteuer-Operationsenden des Sendzimir-Walzwerks sind, durch AS-U-Operationsgrad 301 und ersten Zwischen-Operationsgrad 302 gebildet. Bei den einzelnen Operationsgraden gibt es für jedes AS-U eine AS-U-Öffnungsrichtung (Richtung der Öffnung des Walzenspalts (Abstand zwischen der oberen und unteren Arbeitswalze des Walzwerks)) und eine AS-U-Schließrichtung (Schließrichtung des Walzenspalts).
Bei der ersten Zwischenwalze sind die Öffnungsrichtung der ersten Zwischenwalze (Richtung, in der sich die erste Zwischenwalze vom Zentrum des Walzwerks nach außen bewegt) und die Schließrichtung der ersten Zwischenwalze (Bewegungsrichtung der ersten Zwischenwalze zum Zentrum des Walzwerks) für die obere und untere ersten Zwischenwalze gleich. Wenn der Formdetektor beispielsweise 20 Zonen hat und die Formabweichungsstufe 202 drei Stufen (groß, mittel und klein) hat, hat die Input-Schicht 23 Eingaben. Wenn es sieben AS-U-Sättel gibt und die obere und untere erste Zwischenwalze in Richtung der Plattenbreite verschiebbar sind, hat die Output-Schicht 14 AS-U-Operationsgrade 301 und 4 erste Zwischen-Operationsgrade, also insgesamt 18. Die Anzahl der Zwischenschichten und die Anzahl der Neuronen in jeder Schicht müssen rechtzeitig festgelegt werden. Das Formsteuer-Operationsende des Sendzimir-Walzwerks, das die Output-Schicht darstellt, ist für jedes einzelne Steueroperationsende mit einem Neuronalnetzwerkausgang konfiguriert, der zwei Output-Typen hat: einen in der +-Richtung und einen in der --Richtung.
9 stellt die Formabweichung und Steuerverfahren in diesem Beispiel dar. 9(a) zeigt das Steuerverfahren für den Fall einer großen Formabweichung und 9(b) für den Fall einer kleinen Formabweichung. Die Höhenrichtung (vertikale Achse) in den 9(a) und 9(b) zeigt die Größe der Formabweichung und die horizontale Achse die Breitenrichtung der Platte. Die beide Seiten der Plattenbreite zeigen den Plattenrand und die Mitte die Plattenmitte.
Wie in 9(a) dargestellt, wird bei großen Formabweichungen der Korrektur der Gesamtform der Vorzug vor vereinzelten Formabweichungen in Breitenrichtung der Platte gegeben. Andererseits wird, wie in 9(b) dargestellt, bei geringeren Formabweichungen der Reduzierung der lokalen Formabweichung Vorzug gegeben.
Da es in dieser Weise notwendig ist, entsprechend der Größe der Formabweichung das Steuerverfahren zu ändern, wird die in 8 gezeigte Formabweichungsstufe 202 eingerichtet und den Neuronalnetzwerken 101 und 111 übergeben, um das Ausmaß der Formabweichung zu bestimmen. Bei Formabweichungen sollte unabhängig vom Ausmaß der Formabweichung eine Normalisierung beispielsweise von 0 bis 1 vorgenommen werden. Dies ist ein Beispiel, die Formabweichung kann auch ohne Normalisierung unverändert in die Input-Schicht des Neuronalnetzwerks eingegeben werden oder es kann entsprechend dem Ausmaß der Formabweichung das Neuronalnetzwerk selbst geändert werden. Beispielsweise können auch zwei Neuronalnetzwerke vorbereitet werden, wobei das eine bei größeren Formabweichungen verwendet wird und getrennt ein anderes bei kleineren Formabweichungen.
In diesem Beispiel für eine Anlagensteuerung werden die wie oben in 8 beschrieben konfigurierten Neuronalnetzwerke 101 und 111 dazu gebracht, dass sie Operationsverfahren zum Umgang mit Formmustern lernen, und die Formsteuerung wird unter Einsatz der trainierten Neuronalnetzwerke durchgeführt. Auch Neuronalnetzwerke mit derselben Konfiguration können je nach Lernbedingungen unterschiedliche Eigenschaften aufweisen und für dasselbe Formmuster unterschiedlichen Steuerausgang liefern.
Daher können je nach den weiteren Bedingungen der Formergebnisse mehrere Neuronalnetzwerke unterschiedlich verwendet werden, um die optimale Steuerung für eine Vielzahl von Bedingungen zu konfigurieren. Das sind Reaktionen auf die Spezifikation B. Die zuvor in 2 beschriebene Konfiguration ist ein konkretes Beispiel für eine solche Spezifikation. Mit anderen Worten, im Konfigurationsbeispiel in 2 wird das im Steuerregel-Ausführungsmodul 10 verwendete Neuronalnetzwerk 101 unter Vorbereitung eines separaten Neuronalnetzwerks aus Walzergebnissen, Walzwerk-Personals, Stahlsorte des Walzmaterials und Plattenbreite etc. in der Steuerregel-Datenbank DB1 registriert. Der Neuronalnetz-Selektor 102 wählt das Neuronalnetzwerk aus, das den Bedingungen zu diesem Zeitpunkt entspricht, und konfiguriert es im Neuronalnetzwerk 101 des Steuerregel-Ausführungsmoduls 10.
Als Voraussetzungen im Neuronalnetz-Selektor 102 zu diesem Zeitpunkt ist es gut, wenn die Plattenbreitendaten aus den Leistungsdaten Si in der Steuerzielanlage 1 abgerufen werden und das Neuronalnetz entsprechend ausgewählt wird. Die hier verwendeten mehreren Neuronalnetzwerke können, wenn sie die in 8 dargestellte Input-Schicht und Output-Schicht haben, eine unterschiedliche Anzahl von Zwischenschichten und Einheiten der einzelnen Schichten haben.
10 zeigt den Aufbau des Steuereingabe-Datengenerators 2, der die Daten S1 (normalisierte Formabweichung 201, Formabweichungsstufe 202) für die Eingabe in die Input-Schicht der Neuronalnetzwerke 101 und 111 erstellt. Der Steuereingabe-Datengenerator 2 bekommt die Formdetektordaten des Formdetektors, der die Plattenform zur Walzzeit im Sendzimir-Walzwerk der Steuerzielanlage 1 erkennt, als Eingabe der Leistungsdaten Si. Dann berechnet der Steuereingabe-Datengenerator 2 den Formabweichungs-PP-Wert (Peak to peak-Wert) SPP, der die Differenz zwischen maximalem und minimalem Wert der Ergebnisse der Erkennung aus den einzelnen Formdetektor-Zonen darstellt, mit dem Formabweichungs-PP-Wert-Rechenmodul 210.
Der Formabweichungsstufen-Berechner 211 kategorisiert die Formabweichungen je nach Formabweichungs-PP-Wert SPP in drei Stufen - groß, mittel und klein. Form ist die Verteilung der Dehnungsrate des Walzguts in Breitenrichtung der Platte; I-UNIT wird als Einheit verwendet, die die Dehnungsrate in Einheiten von 10 - 5 anzeigt. [10 minus 5?] Beispielsweise wird nach der folgenden Formel kategorisiert.
Hier wird die Formabweichungsstufe als groß = 1 / mittel = 0 / klein = 0 kategorisiert, wenn die Gleichung 1 gilt, als groß = 0 / mittel = 1 / klein = 0, wenn die Gleichung 2 gilt, und als groß = 0 / mittel = 0 / klein = 1, wenn die Gleichung 3 gilt. Für die Formabweichung der einzelnen Zonen wird eine Normalisierung mit SPM durchgeführt, wobei SPM = SPP ist.
$S_{P P} \geq 50 I - U N I T$
$50 I - U N I T > S_{P P} \geq 10. I - U N I T$
$10 I - U N I T > S_{P P}$
Wie oben beschrieben, erzeugt der Steuereingabe-Datengenerator 2 die normalisierte Formabweichung 201 und die Formabweichungsstufe 202, die die Eingabedaten für das Neuronalnetzwerk 101 sind. Die normalisierte Formabweichung 201 und die Formabweichungsstufe 202 sind die Eingabedaten S1 des Steuerregel-Ausführungsmoduls 10.
11 zeigt den Aufbau des Steuerausgangs-Rechenmoduls 3. Das Steuerausgangs-Rechenmodul 3 erstellt aus der Steueroperationsende-Operationsanweisung S2, die der Ausgang vom Neuronalnetzwerks 101 im Steuerregel-Ausführungsmodul 10 ist, den Steueroperationsbetrag S3, der die Operationsanweisung an jedes Formsteuer-Operationsende bildet. Die Steueroperationsende-Operationsanweisung S2 entspricht im Falle der Formsteuerung von Sendzimir-Walzwerken dem AS-U-Operationsgrad 301 und dem ersten Zwischen-Operationsgrad 302. 11 zeigt jeweils ein Beispiel für die Daten des AS-U-Operationsgrades 301 und des ersten Zwischen-Operationsgrads 302, von denen es mehrere gibt, und die einzelnen Daten bestehen aus einem Datenpaar für die Öffnungs- und Schließrichtungsgrade.
Im Steuerausgangs-Rechenmodul 3 haben die eingegebenen AS-U-Operationsgrade 301 jeweils Ausgaben in AS-U-Öffnungsrichtung und -Schließrichtung; daher wird die Differenz zwischen ihnen im Subtraktionsmodul 303 berechnet. Durch Multiplikation der Ausgabe des Subtraktionsmoduls 303 mit der Konversionsverstärkung G_ASU im Multiplikationsmodul 304 wird dann die Operationsanweisung an die einzelnen AS-U erzeugt und ausgegeben. Aus der Konversionsverstärkung G_ASU wird die Konversionsverstärkung von Grad zu Positionsänderungsbetrag, da der Steuerausgang zu den einzelnen AS-U zum AS-U-Positionsänderungsbetrag (Einheit ist die Länge) wird.
In gleicher Weise hat der eingegebene erste Zwischen-Operationsgrad 302 Ausgaben der ersten Zwischen-Außenseite und -Innenseite; daher wird die Differenz zwischen ihnen im Subtraktionsmodul 305 berechnet. Dann wird im Multiplikationsmodul 306 die Ausgabe des Subtraktionsmoduls 305 mit der Konversionsverstärkung G_1ST multipliziert und dadurch die Operationsanweisung an die einzelnen ersten Zwischenwalzen-Verschiebungen erzeugt und ausgegeben. Aus der Konversionsverstärkung G_1St wird die Konversionsverstärkung von Grad zu Positionsänderungsbetrag, da der Steuerausgang zu den einzelnen ersten Zwischenwalzen zum ersten Zwischenwalzenverschiebungs-Positionsänderungsbetrag (Einheit ist die Länge) wird.
Wie vorstehend beschrieben, kann das Steuerausgangs-Rechenmodul 3 den Steueroperationsbetrag S3 berechnen. Der Steueroperationsbetrag S3 besteht aus den AS-U Positionsänderungsbeträgen #1 bis #n (n richtet sich nach der Sattelzahl der AS-U-Walzen), dem oberen ersten Zwischenverschiebungs-Positionsänderungsbetrag und dem unteren ersten Zwischenverschiebungs-Positionsänderungsbetrag.
12 zeigt den Aufbau des Neuronalnetzwerks für den Fall des Gebrauchs für die Vorhersage von Zustandsänderungen am Sendzimir-Walzwerk zur Verwendung für das Steuerausgangs-Qualitätsbeurteilungsmodul 17, das Zustandsänderungsregel-Lernmodul 31 und das Qualitätsbeurteilungsfehler-Verifikationsmodul 34. Was die Neuronalnetzwerke hier angeht, so werden bei Nutzung für das Steuerausgangs-Qualitätsbeurteilungsmodul 17 das Neuronalnetzwerk 171, für das Zustandsänderungsregel-Lernmodul 31 das Neuronalnetzwerk 311 und für das Qualitätsbeurteilungsfehler-Verifikationsmodul 34 das Neuronalnetzwerk 341 gezeigt, aber alle sind strukturell gleich.
Aus den Steuer-Leistungsdaten Si der Steuerzielanlage 1 werden Steueroperationsbeträge S3 und Walzzustands-Variablen wie die Steuergeräteposition oder der noch zu erläuternde Wahl-Steuer-Operationsbetrag S8 oder aus den Daten der zeitverzögerten Walz-Leistungsdaten Si die Steueroperationsbeträge extrahiert und in die Input-Schicht eingegeben. Dieser Steueroperationsbetrag S3 oder der aus den Walz-Leistungsdaten Si extrahierte Steueroperationsbetrag oder der Wahl-Steuer-Operationsbetrag S8 bestehen aus den Steueroperationsbeträgen der einzelnen Steueroperationsgeräte. Was die Walzzustands-Variablen angeht, so sollten Zustandsbeträge mit großen Auswirkungen auf die Vorhersage von Zustandsänderungen nach Steueroperationen wie etwa Daten zur Walzgeschwindigkeit und den einzelnen Steuergerätepositionen etc. genutzt werden.
Die Output-Schicht gibt ferner den prognostizierten Formänderungsbetrag S20 oder die Lehrerdaten S13c zur Formänderung aus, wenn die Steueroperationen an die Steuerzielanlage 1 ausgegeben wurden. Die Anzahl der Zwischenschichten und die Anzahl der Neuronen in jeder Schicht werden rechtzeitig festgelegt.
In diesem Beispiel für eine Anlagensteuerung werden die wie oben in 12 beschrieben konfigurierten Neuronalnetzwerke 171, 311 und 341 dazu gebracht, dass sie die Formänderungen zur Steuergerätepositionsänderung lernen, und unter Einsatz der trainierten Neuronalnetzwerke wird die Prognose zu Formänderungen vorgenommen. Auch Neuronalnetzwerke mit gleicher Konfiguration können je nach den für das Lernen verwendeten Leistungsdaten unterschiedliche Eigenschaften aufweisen und bei gleichen Steuergerätepositionsänderungen unterschiedliche Formänderungen ausgeben.
Daher kann dadurch, dass den weiteren Bedingungen der Walz-Leistungsdaten entsprechend mehrere Neuronalnetzwerke unterschiedlich verwendet werden, eine optimale Formänderungsprognose für eine Vielzahl von Bedingungen vorgenommen werden. Das sind Reaktionen auf die Spezifikation B. Die zuvor in 3 beschriebene Konfiguration ist ein konkretes Beispiel für eine solche Spezifikation. Mit anderen Worten, im Konfigurationsbeispiel in 3 wird das im Steuerausgangs-Qualitätsbeurteilungsmodul 17 verwendete Neuronalnetzwerk 171 unter Vorbereitung je nach Stahlsorte des Walzmaterials und Plattenbreite etc. separater Neuronalnetzwerke in der Zustandsänderungsregel-Datenbank DB5 registriert. Der Neuronalnetz-Selektor 172 wählt das Neuronalnetzwerk aus, das den Bedingungen zu diesem Zeitpunkt entspricht, und konfiguriert es im Neuronalnetzwerk 171 des Steuerausgangs-Qualitätsbeurteilungsmoduls 17.
Als Bedingungen im Neuronalnetz-Selektor 172 zu diesem Zeitpunkt ist es gut, die Plattenbreitendaten aus den Leistungsdaten Si in der Steuerzielanlage 1 abzurufen und das Neuralnetz entsprechend auszuwählen. Die hier verwendeten mehreren Neuronalnetzwerke können, wenn sie die in 12 dargestellte Input-Schicht und Output-Schicht haben, eine unterschiedliche Anzahl von Zwischenschichten und Einheiten der einzelnen Schichten haben.
13 zeigt die Arbeitsweise des Steuerergebnis-Qualitätsbeurteilungsmoduls 6. Im Formänderungs-Qualitätsbeurteilungs-Modul 602 wird die in der Gleichung 4 gezeigte Qualitätsbeurteilungs-Bewertungs-Funktion Jc verwendet.
$\begin{array}{l} ε_{p r e d} (i) = ε_{f b} (i) + ε_{c h g} (i) \\ J c = \frac{1}{n} \sum_{i = 1}^{n} {(w c (i) \cdot ε_{p r e d} (i))}^{2} - \frac{1}{n} \sum_{i = 1}^{n} {(w c (i) \cdot ε_{f b} (i))}^{2} \end{array}$
In dieser Gleichung 4 ist bzw. sind ε_chg (i) der vom Neuronalnetzwerk 171 ausgegebene prognostizierte Formänderungsbetrag S21, ε_∫b (i) die in den Leistungsdaten Si enthaltenen Formabweichungs-Leistungsdaten, s_pred (i) die prognostizierte Formabweichung nach der Steueroperation und wc (i) der Gewichtungskoeffizient in Breitenrichtung der Platte für die Qualitätsbeurteilung. Dabei wird der Gewichtungskoeffizient wc (i) für die Qualitätsbeurteilung entsprechend den Spezifikationen A1 und A2 für die Steuerpriorität aus der Qualitätsbeurteilungs-Datenbank DB4 festgelegt. Durch die Qualitätsbeurteilungs-Bewertungs-Funktion Jc wird die Qualität des Steuerergebnisses beurteilt.
Die Schwellenwertobergrenze LCU und Schwellenwertregelung LCL werden unter Schwellenwertbedingungen (LCU ≥ 0 ≥ LCL) im Voraus festgelegt. Wenn nun das Ergebnis des Vergleichs mit der Qualitätsbeurteilungs-Bewertungs-Funktion Jc ergibt, dass Jc > LCU ist, ist der Qualitätsbeurteilungs-Schätzwert S9 (S11) = 0 (Form wird schlechter), wenn sich Jc < LCL ergibt, ist der Qualitätsbeurteilungs-Schätzwert S9 (S11) = 1 (Form wird besser), wenn sich LCU ≥ 0 ≥ LCL ergibt, ist der Qualitätsbeurteilungs-Schätzwert S9 (S11) = -1 (keine Qualitätsbeurteilung).
Um die Schwellenwertobergrenze LCU und die Schwellenwertregelung LCL zu bestimmen, werden aus der Qualitätsbeurteilungs-Fehlerdatenbank die Qualitätsbeurteilungs-Fehlerdaten S28 ausgelesen, die der für das Steuerregel-Ausführungsmodul verwendeten Neuronalnetzwerk-Nummer entsprechen, und der Qualitätsbeurteilung-Standardfehler ε_n des Neuronalnetzwerks n wird mit der Verifikationsergebnis-Flag f_n referenziert. Die Verifikationsergebnis-Flag f_n zeigt an, ob die Prüfung mit einer ausreichenden Zahl an Daten vorgenommen wurde. Wenn die Verifikation keine ausreichende Zahl an Daten erreicht hat, sollte kein Gebrauch davon gemacht werden, da der Wert der Qualitätsbeurteilung eine geringe Zuverlässigkeit ausweist. Die Schwellenwertobergrenze LCU und die Schwellenwertregelung LCL wird auf ausreichend große Werte gesetzt, so dass in allen Fällen der Qualitätsbeurteilungs-Schätzwert S9 (S11) = -1 („nicht Gegenstand der Qualitätsbeurteilung“) festgelegt ist. Wenn die Verifikation eine ausreichende Zahl an Daten erreicht hat, kann durch Festlegen der Schwellenwertobergrenze LCU und der Schwellenwertregelung LCL auf Grundlage der Qualitätsbeurteilung-Standardfehler ein Schwellenwert eingestellt werden, der der Beurteilungsgenauigkeit entspricht.
${IF flag}_{n} = 0, THEN LCU = - LCL = {th}_{big}$
${IF flag}_{n} = 1, THEN LCU = - LCL = ε_{n}$
Bei dieser Schwellenwerteinstellung sollte th_big einen ausreichend großen Wert haben. Die Absolutwerte für die Schwellenwertobergrenze LCU und die Schwellenwertregelung LCL werden als Standardfehler verwendet, aber je nach Fall kann durch Änderung des Standardfehlers mit Faktor 2 oder 0,5 die Zuverlässigkeit des Steuerausgangs reguliert werden.
Da sich in dieser Weise entsprechend den Spezifikationen A1 und B1 für die Priorität der Steuerung die Gewichtungskoeffizienten wc(i) in Breitenrichtung der Platte ändern, ist die Qualitätsbeurteilungs-Bewertungs-Funktion Jc unterschiedlich. Daher ist anzunehmen, dass auch das Beurteilungsergebnis des Qualitätsbeurteilungs-Schätzwerts S9 (S11) unterschiedlich ausfällt. Dementsprechend führt die Qualitätsbeurteilungs-Regel-Lerneinheit 22 bezüglich der beiden Typen der Spezifikationen A1 und A2 zum Prioritätsgrad der Steuerung eine Beurteilung des Qualitätsbeurteilungs-Schätzwerts S9 (S11) durch.
14 stellt das Berechnungsverfahren für den Operationsbetrag im Neusuche-Operationsbetrags-Rechner 33 dar. Der Neusuche-Operationsbetrags-Rechner 33 nutzt den vom Steuerausgangs-Qualitätsbeurteilungsmodul 17 ausgegebenen Steuerausgangs-Qualitätsbeurteilungs-Schätzwert S9, um den Neusuche-Steuer-Operationsbetrag S12 mit der folgenden Strategie zu berechnen. Mit anderen Worten, da die Qualitätsbeurteilung der Steueroperation als „gut“ eingeschätzt wird, wenn der Steuerausgangs-Qualitätsbeurteilungs-Schätzwert S9 = 1 ist, nimmt der Neusuche-Operationsbetrags-Rechner 33 eine Feineinstellung als Neu-Such-Operationsbetrag vor. Wenn der Steuerausgangs-Qualitätsbeurteilungs-Schätzwert S9 = 0 ist, nimmt der Neusuche-Operationsbetrags-Rechner 33 mit weitgehender Veränderung der Steueroperation eine Suche mit einem neuen angemessenen Operationsverfahren vor, da die Qualitätsbeurteilung der Steueroperation mit „schlecht“ eingeschätzt wird. Wenn der Steuerausgangs-Qualitätsbeurteilungs-Schätzwert S9 = - 1 ist, wird keine Änderung der Steueroperation vorgenommen, da die Qualitätsbeurteilung dann ausgeschlossen ist.
Gemäß der obigen Strategie wird die Formel zur Bestimmung des Neu-Suchoperations-Betrags C_rand wie folgt festgelegt. $IF (S 9 = 1) {THEN C}_{rand} = C_{ref} * (1 + β * th 1)$
$IF (S 9 = 1) {THEN C}_{rand} = C_{ref} + γ * th 2 * G$
$IF (S 9 = - 1) {THEN C}_{rand} = C_{ref}$
Hier sind β und γ zufällig erzeugte Werte zwischen -1 und 1. th1 zeigt den Grad der durchzuführenden Feinabstimmung an. Beispielsweise wird th1 auf 0,1 gesetzt, wenn ein Bereich von ±10 % der ursprünglichen Anweisung als Feinabstimmung gelten soll.
th2 ist die Einstellung des Grades für eine größere Veränderung des Operationsverfahrens. Beispielsweise kommt es dazu, dass ein Offset von 10% zur ursprünglichen Anweisung hinzugerechnet wird, wenn th2 auf 0,1 eingestellt ist, und es kann zu einer Änderung der Betriebspolarität kommen oder es können Anweisungen für Geräte ausgegeben werden, die ursprünglich nicht betrieben wurden. Die Werte β und γ werden an den einzelnen Geräten mit unterschiedlichen Werten verwendet und die Operationsbeträge der einzelnen Geräte werden jeweils unabhängig voneinander geändert. G zeigt den maximalen Operations-Positions-Steuerbefehl der einzelnen Steueroperationsgeräte; durch Multiplikation mit der %-Anweisung wird der %-Wert in einen Operations-Positions-Steuer-Befehl geändert.
Der Steuerausgangs-Operationsverfahrens-Selektor 18 wählt den Steueroperationsbetrag S3 oder den Neusuche-Steuer-Operationsbetrag S12 und gibt ihn als Wahl-Steuer-Operationsbetrag S8 aus. Die Wahl, ob Steueroperationsbetrag S3 oder Neusuche-Steuer-Operationsbetrag S12, wird stochastisch bestimmt und der Benutzer kann die Wahrscheinlichkeit P_rand für die Verwendung des Neusuche-Steuer-Operationsbetrag S12 zwischen 0 und 1 einstellen. Unter Verwendung des Wertes δ, der zufällige Werte von 0 bis 1 erhält, wird mit den folgenden Gleichungen bestimmt: $IF (δ > P_{rand}) THEN C''_{ref} = C_{ref}, α = 1$
$ELSE C''_{ref} = C_{rand}, α = 0$
Dabei bezeichnet C''_ref den Wahl-Steuer-Operationsbetrag S8, den der Steuerausgangs-Operationsverfahrens-Selektor 18 an das nachfolgende Rechenmodul ausgibt. δ verwendet einen für die Berechnung aller Geräteoperationsbeträge gemeinsamen Wert und alle Geräte nutzen den Operationsbetrag der gleichen Seite. α ist die Steuerverfahrenswahl-Flag S14 und bekommt den Wert 1, wenn der Steueroperationsbetrag S3 gewählt wurde; bei Wahl des Neusuche-Steuer-Operationsbetrags S12 wird der Wert 0. Diese Steuerverfahrenswahl-Flag S14 wird zusammen mit dem Wahl-Steuer-Operationsbetrag S8 an das nachfolgende Rechenmodul ausgegeben. Als Verfahren für die Einstellung von P_rand wird vorab 0 eingestellt, wenn bei der Steuerung an der realen Maschine für die Anlage kein Risiko durch Zufallsoperationen entstehen soll, und, wenn zwecks Optimierung der Steuerregeln die Ausgabe des Operationsbetrags für die neue Suche erfolgen soll, ein Verhältnis ungleich 0.
15 zeigt die Konfiguration des Steuerausgangs-Beurteilungsmoduls 5. Das Steuerausgangs-Beurteilungsmodul 5 besteht aus dem Walzphänomenmodell 501 und dem Formkorrektur-Qualitätsbeurteilungsmodul 502. Das Steuerausgangs-Beurteilungsmodul 5 erhält die Leistungsdaten Si von der Steuerzielanlage 1, den Steueroperationsbetrag S3 aus dem Steuerausgangs-Rechenmodul 3 und die Informationen der Ausgabebeurteilungs-Datenbank DB3 und gibt die Steueroperationsbetrags-Ausgabe-Zulässigkeitsdaten S4 an das Steueroperationsende.
Das Steuerausgangs-Beurteilungsmodul 5 aus dieser Konfiguration prognostiziert durch Eingabe in das Modell der bereits bekannten Steuerzielanlage 1 eine Änderung der Form im Fall, dass der im Steuerausgangs-Operationsverfahrens-Selektor 18 berechnete Wahl-Steuer-Operationsbetrag S8 an das Walzwerk in Form der Steuerzielanlage 1 ausgegeben wurde. Das Modell der bereits bekannten Steuerzielanlage 1 ist hier das Walzphänomenmodell 501. Wenn mit dieser Prognose eine Verschlechterung der Form vorausgesehen wird, unterdrückt das Steuerausgangs-Beurteilungsmodul 5 den Steueroperationsbetragsausgang SO und verhütet eine weitergehende Verschlechterung der Form.
Im Detail betrachtet ist es so, dass das Steuerausgangs-Beurteilungsmodul 5 den Wahl-Steuer-Operationsbetrag S8 in das Walzphänomenmodell 501 eingibt, eine Formänderung aufgrund des Wahl-Steuer-Operationsbetrags S8 prognostiziert und die Formabweichungs-Korrekturbetrags-Prognosedaten 503 berechnet. Andererseits erlangt das Steuerausgangs-Beurteilungsmodul 5 durch Addition der Formabweichungs-Korrekturbetrags-Prognosedaten 503 zu den Formdetektordaten Si aus der Steuerzielanlage 1 die Formabweichungs-Prognosedaten 505 und beurteilt die Formabweichungs-Prognosedaten 505. Dadurch kann das Steuerausgangs-Beurteilungsmodul 5 prognostizieren, wie sich die Form ändern wird, wenn der Steueroperationsbetrag S3 an die Steuerzielanlage 1 ausgegeben wurde. Dabei sind die Formdetektordaten Si die Formabweichungs-Leistungsdaten 504 zum aktuellen Zeitpunkt. Im Steuerausgangs-Beurteilungsmodul 5 beurteilt das Formkorrektur-Qualitätsbeurteilungsmodul 502 aufgrund der aktuellen Formabweichungs-Leistungsdaten 504 und Formabweichungs-Prognosedaten 505, ob die Form sich in positive oder negative Richtung verändert, und ermittelt die Steueroperationsbetrag-Ausgabe-Zulässigkeitsdaten S4.
Das Formkorrektur-Qualitätsbeurteilungsmodul 502 geht konkret in der folgenden Weise vor, um Formkorrekturen qualitativ zu bewerten. Zunächst wird in der Ausgabebeurteilungs-Datenbank DB3 für jede Spezifikation A1 und A2 ein Gewichtungskoeffizient w(i) in Breitenrichtung der Platte festgelegt, um den Steuerprioritätsgrad in Breitenrichtung der Platte, wie in Spezifikation A und B bezüglich des Prioritätsgrad der Formsteuerung dargestellt, zu berücksichtigen. Dieser wird verwendet, um beispielsweise wie in der nachfolgenden Gleichung 4 mit der Beurteilungsfunktion J eine Qualitätsbeurteilung der Formänderung vorzunehmen. In der Gleichung 4 ist/sind w(i) der Gewichtungskoeffizient, ε_∫b(i) die Formabweichungs-Leistungsdaten 504, ε_est (i) die Formabweichungs-Prognosedaten 505, i die Formdetektor-Zone und rand der Zufallsterm.
$J = \frac{1}{n} \sum_{i = 1}^{n} {(w (i) \cdot ε_{f b} (i))}^{2} - \frac{1}{n} \sum_{i = 1}^{n} {(w (i) ε_{e s t} (i))}^{2} + r a n d$
Wenn die Beurteilungsfunktion J in der Gleichung 5 verwendet wird, wird bei Formverbesserung die Beurteilungsfunktion J positiv und bei Formverschlechterung negativ. rand ist ein Zufallsterm, der das Beurteilungsergebnis der Beurteilungsfunktion J in zufälliger Weise zur Veränderung bringt. Da es auch im Falle der Formverschlechterung dazu kommt, dass die Beurteilungsfunktion J positiv ist, ist es auch dann möglich, die Relation von Formmuster und Steuerverfahren zu erlernen, wenn das Walzphänomenmodell 501 nicht korrekt ist.
Was nun den Zufallsterm rand angeht, so wird er wie zu Beginn des Probebetriebs auf einen Maximalwert erhöht, wenn das Modell der Steuerzielanlage 1 unsicher ist, und wenn das Steuerverfahren zu einem gewissen Grad erlernt wurde und eine stabile Steuerung durchgeführt werden soll, rechtzeitig auf 0 geändert.
Das Formkorrektur-Qualitätsbeurteilungsmodul 502 berechnet die Beurteilungsfunktion J und gibt bei J ≥ 0 die Steueroperationsbetrag-Ausgabe-Zulässigkeitsdaten S4 = 1 (positiv) und bei J < 0 die Steueroperationsbetrag-Ausgabe-Zulässigkeitsdaten S4 = 0 (negativ) als Steueroperationsbetrag-Ausgabe-Zulässigkeitsdaten S4 aus.
Wie bereits erläutert, werden in das Steuerausgangs-Qualitätsbeurteilungsmodul 17 aus den Steuerleistungsdaten Si der Steuerzielanlage 1 Walz-Leistungsdaten wie die Steuergeräteposition etc. und der Wahl-Steuer-Operationsbetrag S8 eingegeben und der Steuerergebnis-Qualitätsbeurteilungs-Schätzwert S11 wird ausgegeben. Der Steuerergebnis-Qualitätsbeurteilungs-Schätzwert S11 nimmt den Wert 1 an, wenn die gesteuerten Ergebnisse als besser werdend eingeschätzt werden, und den Wert 0, wenn sie als schlechter werdend eingeschätzt werden. Fallen sie unter „keine Qualitätsbeurteilung“, ist der Wert -1.
Das Steuerausgangs-Kontrollmodul 4 bestimmt entsprechend Steuerergebnis-Qualitätsbeurteilungs-Schätzwert S11 und Steueroperationsbetrag-Ausgabe-Zulässigkeitsdaten S4, die das Beurteilungsergebnis des Steuerausgangs-Beurteilungsmoduls 5 sind, ob es eine Steueroperationsbetragsausgabe SO an die Steuerzielanlage 1 gibt. Die Steueroperationsbetrag-Ausgabe-Zulässigkeitsdaten S4 sind der Ausgang für den Positionsänderungsbetrag #1 bis #n AS-U, der Ausgang des oberen ersten Zwischenverschiebungs-Positionsänderungsbetrags und des unteren ersten Zwischenverschiebungs-Positionsänderungsbetrags und sie werden durch die nachfolgenden Bedingungen bestimmt.

 If (Steuerverfahrenswahl-Flag = 1) then
 If (Steueroperationsbetrag-Ausgabe-Zulässigkeitsdaten S4 = 0 or
 Steuerergebnis-Qualitätsbeurteilungs-Schätzwert S11 = 0) then
 #1 bis #n AS-U Positionsänderungsbetrags-Ausgabe = 0
 obere erste Zwischenverschiebungs-Positionsänderungsbetrags-
 Ausgabe = 0
 untere erste Zwischenverschiebungs-Positionsänderungsbetrags-
 Ausgabe = 0
 Else
 #1 bis #n AS-U Positionsänderungsbetrags-Ausgabe = #1 bis #n
 AS-U Positionsänderungsbetrag
 obere erste Zwischenverschiebungs-Positionsänderungsbetrags-
 Ausgabe = oberer erster Zwischenverschiebungs-Positionsände-
 rungsbetrag 

 untere erste Zwischenverschiebungs-Positionsänderungsbetrags-
 Ausgabe = unterer erster Zwischenverschiebungs-Positionsände-
 rungsbetrag
 End if
 Else
 If ((Steueroperationsbetrag-Ausgabe-Zulässigkeitsdaten S4 = 0
 or Steuerergebnis-Qualitätsbeurteilungs-Schätzwert S11 = 0) and
 (PTRIAL < η)) then
 #1 bis #n AS-U Positionsänderungsbetrags-Ausgabe = 0
 obere erste Zwischenverschiebungs-Positionsänderungsbetrags-
 Ausgabe = 0
 untere erste Zwischenverschiebungs-Positionsänderungsbetrags-
 Ausgabe = 0
 Else
 #1 bis #n AS-U Positionsänderungsbetrags-Ausgabe = #1 bis #n
 AS-U Positionsänderungsbetrag
 obere erste Zwischenverschiebungs-Positionsänderungsbetrags-
 Ausgabe = oberer erster Zwischenverschiebungs-Positionsände-
 rungsbetrag
 untere erste Zwischenverschiebungs-Positionsänderungsbetrags-
 Ausgabe = unterer erster Zwischenverschiebungs-Positionsände-
 rungsbetrag
 End if
 End if

Ferner ist η eine Variable, die den Zufallswert 0 bis 1 annimmt. PTRIAL zeigt die Wahrscheinlichkeit an, mit der durch Deaktivierung der Ausgangskontrolle die Neu-Such-Operation an die Anlage ausgegeben wird. Wenn die Steuerverfahrenswahl-Flag S14 0 ist, wird die Kontrolle der Ausgabe an die Anlage mit einer bestimmten Wahrscheinlichkeit ignoriert und die Ausgabe an die Anlage ausgeführt, um den Fall einzuschließen, dass die Effizienz des Steuerverfahrens in noch unbekannten Bereichen verifiziert wird.

Im vorgenannten Beispiel wurden Formen gezeigt, in denen sowohl der Steuerergebnis-Qualitätsbeurteilungs-Schätzwert S11 als auch die Steueroperationsbetrag-Ausgabe-Zulässigkeitsdaten S4, die das Beurteilungsergebnis des Steuerausgangs-Beurteilungsmoduls 5 sind, verwendet werden, aber je nach Steuerziel ist auch der Fall denkbar, dass keine ausreichenden Informationen über die Anlage verfügbar sind und die Steueroperationsbetrag-Ausgabe-Zulässigkeitsdaten S4 des Steuerausgangs-Beurteilungsmoduls 5 unter Verwendung einer Simulation des Steuerziels nicht angelegt werden können. In diesem Fall wird nur der Steuerergebnis-Qualitätsbeurteilungs-Schätzwert S11 verwendet und wie nachfolgend verarbeitet.

 If (Steuerverfahrenswahl-Flag = 1) Then
 If (Steuerergebnis-Qualitätsbeurteilungs-Schätzwert S11 = 0)
 then
 #1 bis #n AS-U Positionsänderungsbetrags-Ausgabe = 0
 obere erste Zwischenverschiebungs-Positionsänderungsbetrags-
 Ausgabe = 0
 untere erste Zwischenverschiebungs-Positionsänderungsbetrags-
 Ausgabe = 0
 Else
 #1 bis #n AS-U Positionsänderungsbetrags-Ausgabe = #1 bis #n
 AS-U Positionsänderungsbetrag
 obere erste Zwischenverschiebungs-Positionsänderungsbetrags-
 Ausgabe = oberer erster Zwischenverschiebungs-Positionsände-
 rungsbetrag
 untere erste Zwischenverschiebungs-Positionsänderungsbetrags-

 Ausgabe = unterer erster Zwischenverschiebungs-Positionsände-
 rungsbetrag
 End if
 Else
 If ((Steuerergebnis-Qualitätsbeurteilungs-Schätzwert S11 = 0)
 and (PTRIAL < η)) then
 #1 bis #n AS-U Positionsänderungsbetrags-Ausgabe = 0
 obere erste Zwischenverschiebungs-Positionsänderungsbetrags-
 Ausgabe = 0
 untere erste Zwischenverschiebungs-Positionsänderungsbetrags-
 Ausgabe = 0
 Else
 #1 bis #n AS-U Positionsänderungsbetrags-Ausgabe = #1 bis #n
 AS-U Positionsänderungsbetrag
 obere erste Zwischenverschiebungs-Positionsänderungsbetrags-
 Ausgabe = oberer erster Zwischenverschiebungs-Positionsände-
 rungsbetrag
 untere erste Zwischenverschiebungs-Positionsänderungsbetrags-
 Ausgabe = unterer erster Zwischenverschiebungs-Positionsände-
 rungsbetrag
 End if
 End if

In der Steuerausführungseinheit 20 werden die vorgenannten Berechnungen anhand der Leistungsdaten Si aus der Steuerzielanlage 1 (Walzwerk) ausgeführt und durch Ausgabe des Steueroperationsbetragsausgangs SO an die Steuerzielanlage 1 (Walzwerk) wird die Formsteuerung vorgenommen. Ferner nutzt die Steuerverfahren-Lerneinheit 21 die in der Steuerausführungseinheit 20 verwendeten Daten.

Als nächstes wird der Betrieb des Lerndaten-Generators 801 erläutert. Wie in 1 dargestellt, erstellt der Lerndaten-Generator 801 auf Basis des Steuerergebnis-Qualitätsbeurteilungs-Schätzwerts S11 vom Steuerausgangs-Qualitätsbeurteilung-Regelausführungsmodul 17 aus der Steueroperationsende-Operationsanweisung S2, des Wahl-Steuer-Operationsbetrags S8, der Steuerverfahrenswahl-Flag S14 und dem Beurteilungsergebnis des Steuerausgangs-Kontrollmoduls (Steueroperationsbetrag-Ausgabe-Zulässigkeitsdaten S4) die im Steuerregel-Lernmodul 802 verwendeten Lehrerdaten S7a für das Neuronalnetzwerk 111.

In diesem Fall werden die Lehrerdaten S7a, wie in 8 dargestellt, zum AS-U-Operationsgrad 301 und zum ersten Zwischen-Operationsgrad 302, die Ausgabe aus der Ausgabeschicht des Neuronalnetzwerks 111 sind. Der Lerndaten-Generator 7 erstellt unter Verwendung der Steueroperationsende-Operationsanweisung S2 (AS-U-Operationsgrad 301, erster Zwischen-Operationsgrad 302), die den Ausgang des Neuronalnetzwerks 101 bildet, der #1 bis #n AS-U Positionsänderungsbetrags-Ausgabe, die der Wahl-Steuer-Operationsbetrag S8 ist, der ersten Zwischenverschiebungs-Positionsänderungsbetrags-Ausgabe und der ersten unteren Zwischenverschiebungs-Positionsänderungsbetrags-Ausgabe die im Steuerregel-Lernmodul 802 verwendeten Lehrerdaten S7a für das Neuronalnetzwerk 111.

Zur Erläuterung der Arbeitsweise des Lerndaten-Generators 801 wird in 16 die Beziehung zwischen den einzelnen in 11 gezeigten Daten und Zeichen im Steuerausgangs-Rechenmodul 3 dargestellt. Hier wird repräsentativ der AS-U-Operationsgrad 301 bezüglich der Steueroperationsende-Operationsanweisung S2 dargestellt, die der Ausgang des Neuronalnetzwerks 101 ist; die Daten der positiven Seite des Operationsgrades sind OP_ref, die Daten der negativen Seite des Operationsgrades sind OM_ref, die Konversionsverstärkung ist G und der Steueroperationsbetragsausgang S3 ist Cref.

Die Differenz der Operationsgrad-Positiv-Daten OPref und der Operationsgrad-Negativ-Daten OMref wird im Subtraktionsmodul 701 gebildet, im Multiplikationsmodul 702 die Konversionsverstärkung G multipliziert und der Steueroperationsbetragsausgang Cref gewonnen. Dieser Steueroperationsbetragsausgang Cref wird dem Steuerausgangs-Operationsverfahrens-Selektor 18 zugeführt und der ausgewählte Operationsanweisungswert C"_ref gewonnen. Hier wird der Einfachheit halber der Ausgang von der Output-Schicht des Neuronalnetzwerks 101 des Steuerregel-Ausführungsmoduls 10 als positive Seite des Operationsgrades bzw. negative Seite des Operationsgrades bezeichnet.

17 zeigt die Verarbeitungsstufen und die Verarbeitungsinhalte im Lerndaten-Generator 7. In der anfänglichen Verarbeitungsstufe 71 bezieht sich der Operationsanweisungswert C"_ref auf den Wahl-Steuer-Operationsbetrag S8, der der Ausgabewert des Steuerausgangs-Operationsverfahrens-Selektors 18 ist.

In der nächsten Verarbeitungsstufe 72 wird entsprechend Steuerergebnis-Qualitätsbeurteilungs-Schätzwert S11, Steueroperationsbetrag-Ausgangs-Zulässigkeitsdaten S4 und Steuerverfahrenswahl-Flag 14 der Operationsanweisungswert C"_ref korrigiert und damit zu C'_ref. Konkret wird, wenn (Steuerergebnis-Qualitätsbeurteilungs-Schätzwert S11 = 0 oder Steueroperationsbetrag-Ausgabe-Zulässigkeitsdaten = 0) und Steuerverfahrenswahl-Flag S14 = 1 sind, gemäß der folgenden Gleichung 6, und wenn Steuerergebnis-Qualitätsbeurteilungs-Schätzwert S10 = 1 und Steueroperationsbetrag-Ausgabe-Zulässigkeitsdaten = 1 sind, gemäß der folgenden Gleichung 7 der Korrekturwert des Operationsanweisungswerts C''_ref zu C'_ref. Und wenn (Steuerergebnis-Qualitätsbeurteilungs-Schätzwert S11 = 0 oder Steueroperationsbetrag-Ausgangs-Zulässigkeitsdaten = 0) und Steuerverfahrenswahl-Flag S14 = 0 sind, werden keine neuen Lehrerdaten erzeugt, weil ein neues Suchverfahren gewählt wird und die Steuereffizienz als niedrig beurteilt wurde.

\begin{matrix} IF C''_{ref} > 0 THEN C'_{ref} = C''_{ref} - Δ c_{ref} \\ IF C''_{ref} < 0 THEN C'_{ref} = C''_{ref} + Δ c_{ref} \end{matrix}

\begin{matrix} IF C''_{ref} > 0 THEN C'_{ref} = C''_{ref} + Δ c_{ref} \\ IF C''_{ref} < 0 THEN C'_{ref} = C''_{ref} - Δ c_{ref} \end{matrix}

In der Verarbeitungsstufe 73 wird der Operationsgrad-Korrekturbetrag ΔO_ref aus dem korrigierten Operationsanweisungswert C'_ref gemäß Gleichung 8 ermittelt.

Δ O r e f = \frac{1}{2} (\frac{C' r e f}{G} - (OP r e f - OM r e f))

In der Verarbeitungsstufe 74 werden die Lehrerdaten OP'_ref und OM'_ref für das Neuronalnetzwerk 111 gemäß Gleichung 9 ermittelt.

\begin{array}{l} OP' r e f = OP r e f + Δ O r e f \\ OM' r e f = OM r e f - Δ O r e f \end{array}}

In dieser Weise wird im Lerndaten-Generator 7, wie in 16 gezeigt, der tatsächlich an die Steuerzielanlage 1 ausgegebene Operationsanweisungswert C"_ref entsprechend Steuerergebnis-Qualitätsbeurteilungs-Schätzwert S11 des Steuerausgangs-Qualitätsbeurteilung-Regelausführungsmoduls 17, Steueroperationsbetrag-Ausgabe-Zulässigkeitsdaten S4 des Steuerausgangs-Kontrollmoduls 4 und Steuerverfahrenswahl-Flag S14 des Operationsanweisungswert-Korrekturwerts C'_ref berechnet. Konkret wird, wenn Steuerergebnis-Qualitätsbeurteilungs-Schätzwert S11 = 1 und Steueroperationsbetrag-Ausgangs-Zulässigkeitsdaten S4 = 1 sind, im Falle der Beurteilung als gute Operation der Operationsanweisungswert in gleiche Richtung um ΔC_ref erhöht.

Wenn umgekehrt der Steuerergebnis-Qualitätsbeurteilungs-Schätzwert S11 = 0 oder Steueroperationsbetrag-Ausgangs-Zulässigkeitsdaten S4 = 0 sind, werden bei einer nicht gut beurteilten Operation im Falle, dass die Steuerverfahrenswahl-Flag 0 ist und der auf dem Ausgang von Steuerregel-Ausführungsmodul 10 beruhende Operationsbetrag ausgewählt wird, neue Lehrerdaten in der Weise erstellt, dass der Operationsanweisungswert in umgekehrter Richtung um ΔC_ref verringert wird. Da die Konversionsverstärkung G bekannt ist, weil sie im Voraus eingestellt wurde, ist es möglich, den Korrekturbetrag ΔOref zu ermitteln, wenn der Wert der positiven Seite des Operationsgrades und der negativen Seite des Operationsgrades bekannt ist. Hier wird ΔC_ref festgelegt, indem im Voraus durch Simulation o.ä. ein passender Wert ermittelt wird. Durch die vorstehenden Arbeitsgänge können die vom Steuerregel-Lernmodul 802 verwendeten Lehrerdaten OP'_ref und OM'_ref gemäß Gleichung 9 ermittelt werden.

In 16 wurde es an einem einfachen Beispiel erläutert, aber in der Praxis werden sie allesamt bezüglich AS-U-Operationsgrad 301 für #1 bis #n AS-U und des ersten Zwischen-Operationsgrads 302 für die obere erste Zwischenwalzen-Verschiebung und die untere erste Zwischenwalzen-Verschiebung durchgeführt und als Lehrerdaten (AS-U Operationsgrad-Lehrerdaten, erste Zwischen-Operationsgrad-Lehrerdaten) des Neuronalnetzwerks 111 genutzt, das im Steuerregel-Lernmodul 802 verwendet wird.

18 zeigt ein Beispiel für die in der Lerndaten-Datenbank DB2 gespeicherten Daten. Um das Neuronalnetzwerk 111 zu trainieren, bedarf es einer Kombination einer Vielzahl von Eingabedaten S8a und Lehrerdaten S7a. Es wird ein Set von Lerndaten in der Lerndaten-Datenbank DB2 gespeichert, für das im Lerndaten-Generator 7 erstellte Lehrerdaten S7a mit den von der Steuerausführungseinheit 20 in das Steuerregel-Ausführungsmodul 10 eingegebenen Eingabedaten S1 (S8a) kombiniert wurden. Hier sind die Lehrerdaten S7a die AS-U Operationsgrad-Lehrerdaten, die ersten Zwischen-Operationsgrade. Ferner sind die Eingabedaten S1 (S8a) die normalisierte Formabweichung 201 und die Formabweichungsstufe.

Das Anlagensteuersystem aus 1 nutzt die einzelnen Datenbanken DB1, DB2, DB3 und DB4, aber die verschiedenartigen Datenbanken DB1, DB2, DB3 und DB4 werden gekoppelt von der Verwaltungstabelle TB eines Neuronalnetzwerks verwaltet und betrieben.

19 zeigt den Aufbau der Verwaltungstabelle TB eines Neuronalnetzwerke. Die Verwaltungstabelle des Neuronalnetzwerks TB ist bezüglich der Spezifikation nach (B1) Plattenbreite, (B2) Stahlsorte sowie bezüglich der Steuerpriorität nach A1 und A2 unterteilt. Als Plattenbreite (B1) werden beispielsweise die vier Gruppen aus einer Breite von 3 Feet, Breite in Meter, 4 Feet und 5 Feet kategorisiert; als Stahlsorte die Stahlsorten (1) bis (10) in 10 Gruppen. Ferner werden bezüglich der Steuerungspriorität A die beiden Typen A1 und A2 gruppiert. In diesem Fall sind es 80 Gruppen, es werden 80 Neuronalnetzwerke den Walzbedingungen entsprechend unterschiedlich verwendet.

Die Neuronalnetz-Lernsteuerung 112 ordnet die in 18 gezeigten Lerndaten, die eine Kombination von Eingabedaten und Lehrerdaten sind, entsprechend der in 19 gezeigten Neuronalnetz-Verwaltungstabelle TB der betreffenden Neuronal-Netzwerk-Nummer zu und speichert sie in der in 20 gezeigten Lerndaten-Datenbank DB2 ab.

Die Steuerausführungseinheit 20 erstellt bei jeder Umsetzung einer Formsteuerung für die Steuerzielanlage 1 zwei Sets von Lerndaten. Das ist darauf zurückzuführen, dass bezüglich gleicher Eingabedaten und Steuerausgaben zwei Typen von Lehrerdaten erstellt werden, da die Steuerergebnis-Qualitätsbeurteilung anhand der der beiden Bewertungskriterien Spezifikation A1 und A2 bezüglich der Steuerpriorität durchgeführt wird. Wenn Lehrerdaten in einem bestimmten Umfang (beispielsweise 200 Sets) akkumuliert oder neu in einer Lerndaten-Datenbank DB2 gesammelt wurden, weist die Neuronalnetzwerk-Lernsteuerung 112 das Neuronalnetzwerk 111 zum Lernen an.

In der Steuerregel-Datenbank DB1 ist gemäß der in 19 gezeigten Verwaltungstabelle TB eine Vielzahl von Neuronalnetzwerken gespeichert. Die Neuronalnetz-Lernsteuerung 112 benennt die Neuronalnetzwerk-Nummer, bei der Lernübungen erforderlich sind, der Neuronalnetz-Selektor 113 ruft das betreffende Neuronalnetzwerk aus der Steuerregel-Datenbank DB1 ab und legt es als Neuronalnetzwerk 111 fest.

Die Neuronalnetzwerk-Lernsteuerung 112 weist Eingabedatengenerator 114 und Lehrerdaten-Generator 115 an, die Eingabedaten und Lehrerdaten, die dem betreffenden Neuronalnetzwerk entsprechen, aus der Lerndaten-Datenbank DB2 abzurufen, verwendet diese und führt das Lernen des Neuronalnetzwerks 111 durch. Für die Lernmethode von Neuronalnetzwerken sind verschiedenartige Methoden vorgeschlagen worden, aber es kann jede verwendet werden.

Wenn das Lernen des Neuronalnetzwerks 111 abgeschlossen ist, schreibt die Neuronalnetz-Lernsteuerung 112 das Neuronalnetzwerk 111, das das Ergebnis des Trainings ist, in die Position der betreffenden Neuronalnetzwerk-Nummer in der Steuerregel-Datenbank DB1 zurück und damit ist der Lernvorgang abgeschlossen.

Das Lernen kann, wie in 19 gezeigt, für alle definierten Neuronalnetzwerke in festen Zeitabständen (beispielsweise einmal täglich) jeweils gleichzeitig erfolgen oder nur mit dem Neuronalnetzwerk der Netzwerk-Nummer, in dem sich neue Lerndaten in einem bestimmten Umfang (beispielsweise 100 Sets) angesammelt haben, zu diesem Zeitpunkt.

Als nächstes wird die Arbeitsweise der Lerneinheit für Zustandsänderungsregeln 22 erläutert. Die Lerneinheit für Zustandsänderungsregeln 22 verwendet die zeitverzögerten Daten der Walz-Leistungsdaten Si der Steuerzielanlage 1. Hier hat die Zeitverzögerung Z^-1 die Bedeutung e-TS und sie zeigt an, dass um eine voreingestellte Zeit T verzögert wird. Da die Steuerzielanlage 1 ein Zeitverhalten hat, gibt es eine Zeitverzögerung bis die Leistungsdaten sich aufgrund der Änderung der Steuergerätepositionen verändern. Beim Lernen wird aus diesem Grund der Formänderungsbetrag verwendet, der durch Subtraktion der Leistungsdaten vor der Steuergerätepositionsänderung von den Leistungsdaten zu dem Zeitpunkt berechnet wird, in dem die Verzögerungszeit T nach der Steuergerätepositionsänderung verlaufen ist.

Bei der Formsteuerung sollte T auf etwa 2 bis 3 Sekunden gesetzt werden, weil der Formmesser nach Ausgabe der Operationsanweisung an die AS-U und erste Zwischenwalze einige Sekunden benötigt, bis er die Formänderung erkennt. Auch da je nach Typ des Formdetektors und Walzgeschwindigkeit die Verzögerungszeit variiert, sollte T vorzugsweise auf die optimale Zeit bis zur Veränderung des Steueroperationsendes in eine Formänderung eingestellt werden. Nach der Steueroperation wird der Formänderungsbetrag, der durch Subtraktion der aus den Leistungsdaten vor Steuergerätepositionsänderung extrahierten Formabweichung von der zum Zeitpunkt des Verstreichens der Verzögerungszeit T aus den Leistungsdaten extrahierten Formabweichung berechnet wurde, als Lehrerdaten S13a für das Neuronalnetzwerk 311 verwendet.

21 zeigt ein Beispiel für die in der Lerndaten-Datenbank DB6 gespeicherten Daten. Um das Neuronalnetzwerk 311 zu trainieren, bedarf es einer Kombination einer Vielzahl von Eingabedaten S12a und Lehrerdaten S13a. Dementsprechend wird ein Set von Lerndaten in der Lerndaten-Datenbank DB6 gespeichert, für den die Lehrerdaten S13a (Formänderungsbetrag) mit den Eingabedaten S12a, mit denen die Walzzustands-Variable und der Steueroperationsbetrag aus den zeitverzögerten Walz-Leistungsdaten Si extrahiert wurden, kombiniert wurden.

Als Walzzustands-Variablen werden hier die ausgewählt, die aufgrund von Steueroperationen großen Einfluss auf die Tendenz zur Formänderung ausüben, und aus den Walz-Leistungsdaten Si extrahiert. Beispielsweise werden vorzugsweise Walzgeschwindigkeit, Steuergerätepositionen und Spannkraft vor und nach dem Walzen etc. ausgewählt, weil sie großen Einfluss auf die Tendenz zu Formänderungen ausüben, die auf Steueroperationen beruhen. Wenn die Walzzustands-Variablen jedoch übermäßig vermehrt werden, werden die zu erlernenden Beziehungen kompliziert und die Zahl der erforderlichen Lerndaten steigt, was folglich die für das Neuronalnetzwerk-Lernen notwendige Zeit erhöht. Dadurch dass die Struktur der Neuronalnetzwerke komplexer wird, erhöht sich die Rechenlast, die auch zu Verzögerungen bei den Steuerberechnungen führen kann. Daher sollten passend zu den Verwendungsbedingungen vorrangig die Variablen ausgewählt werden, die großen Einfluss ausüben.

Zu diesem Zeitpunkt werden die Lerndaten zu einem bestimmten Teil nicht in der Lerndaten-Datenbank DB6, sondern vorweg in der Verifikationsdaten-Datenbank DB7 gespeichert, so dass sie für die Verifikation der Qualitätsbeurteilungsregeln im Qualitätsbeurteilungs-Regelgenauigkeits-Verifikationsmodul 34 verwendet werden können. 22 zeigt ein in der Verifikationsdaten-Datenbank DB8 gespeichertes Beispiel. Zusätzlich zu der Kombination von mit Lerndaten identischen Eingabedaten und Lehrerdaten werden als Ergänzungsdaten die aus den zeitverzögerten Walz-Leistungsdaten Si extrahierten Formabweichungen vor der Veränderung und die Neuronalnetzwerk-Nummer gespeichert.

Ferner nutzt das in 1 dargestellte Anlagensteuersystem die verschiedenen Datenbanken DB5 und DB6, aber in 23 wird der Aufbau der Verwaltungstabelle eines Neuronalnetzwerks TB2 für Verwaltung und Betrieb der einzelnen Datenbanken DB5 und DN6 in gekoppelter Weise gezeigt.

Konkret wird, wie in 23 gezeigt, die Verwaltungstabelle TB2 bezüglich Spezifikation entsprechend Plattenbreite (B1) und Stahlsorte (B2) aufgeteilt. Als Plattenbreite (B1) werden beispielsweise die vier Gruppen aus einer Breite von 3 Feet, Breite in Meter, 4 Feet und 5 Feet kategorisiert; als Stahlsorte die Stahlsorten (1) bis (10) in 10 Gruppen. In diesem Fall sind es 10 Gruppen, es werden 40 Neuronalnetzwerke den Walzbedingungen entsprechend unterschiedlich verwendet.

Die Neuronalnetz-Lernsteuerung 312 ordnet die in 21 gezeigten Lerndaten, die eine Kombination von Eingabedaten und Lehrerdaten sind, entsprechend der in 23 gezeigten Neuronalnetz-Verwaltungstabelle TB2 der betreffenden NeuronalNetzwerk-Nummer zu und speichert sie in der in 24 gezeigten Lerndaten-Datenbank DB6 ab.

In der Steuerzielanlage 1 werden immer dann, wenn das Formsteuergerät über eine bestimmte Bewegung hinausgeht, Lerndaten erstellt. Wenn Lehrerdaten in einem bestimmten Umfang (beispielsweise 200 Sets) akkumuliert oder neu in einer Lerndaten-Datenbank DB6 gesammelt wurden, weist die Neuronalnetzwerk-Lernsteuerung 312 das Neuronalnetzwerk 311 zum Lernen an.

Die Zustandsänderungsregel-Datenbank DB5 speichert gemäß der Verwaltungstabelle TB2 aus 21 mehrere Neuronalnetzwerke. Dann gibt die Neuronalnetzwerk-Lernsteuerung 312 die Nummer des Neuronalnetzwerks an, das lernen muss, der Neuronalnetz-Selektor 313 ruft aus der Zustandsänderungsregel-Datenbank DB5 das betreffende Neuronalnetzwerk ab und legt es als Neuronalnetzwerk 311 fest. Die Neuronalnetzwerk-Lernsteuerung 312 ruft aus der Lerndaten-Datenbank DB6 die Eingabedaten und Lehrerdaten ab, die dem betreffenden Neuronalnetzwerk entsprechen, weist Eingabedatengenerator 314 und Lehrerdaten-Generator 315 an und führt das Training des Neuronalnetzwerks 311 durch, indem es diese verwendet. Für die Lernmethode von Neuronalnetzwerken sind verschiedenartige Methoden vorgeschlagen worden, aber es kann jede verwendet werden.

Wenn das Lernen des Neuronalnetzwerks 311 abgeschlossen ist, schreibt die Neuronalnetz-Lernsteuerung 312 das Neuronalnetzwerk 311, das das Ergebnis des Lernens ist, in die Position der betreffenden Neuronalnetzwerk-Nummer in die Steuerregel-Datenbank DB6 zurück und damit ist der Lernvorgang abgeschlossen.

Das Lernen erfolgt für alle in der Verwaltungstabelle TB2 aus 23 definierten Neuronalnetzwerke in festen Zeitabständen (beispielsweise einmal täglich) jeweils gleichzeitig. Alternativ können auch allein die Neuronalnetzwerke einer Neuronalnetzwerk-Nummer zu dem Zeitpunkt gelernt werden, in dem sich neue Lerndaten in einem bestimmten Umfang (beispielsweise 100 Sets) angesammelt haben.

Ferner ist es auch möglich, durch Aufnehmen von Informationen über das Walzmaterial wie Stahlsorte oder Plattenbreite in die Eingabedaten der Zustandsänderungsregeln mit 1 Neuronalnetzwerk lernen zu lassen, einschließlich der Unterschiede in der Formänderungstendenz aufgrund der Spezifikation B. In diesem Fall ist es bei der Durchführung der Zustandsänderungsregeln nicht erforderlich, den Walzbedingungen entsprechend die Zustandsänderungsregeln umzuschalten.

Das Qualitätsbeurteilungsfehler-Verifikationsmodul 34 wird ausgestattet mit dem Neuronalnetzwerk 341, das nur die Berechnungen in eine Richtung ausführt, so wie beim Steuerausgangs-Qualitätsbeurteilungsmodul 17. Der Verifikations-Datengenerator 343 liest aus der Verifikationsdaten-Datenbank DB8 die aus den zeitverzögerten Walz-Leistungsdaten Si extrahierten Walzzustands-Variablen und den Steueroperationsbetrag als Eingabedaten für die Verifikation S24 aus und übergibt sie an das Neuronalnetzwerk 341. Dann gibt das Neuronalnetzwerk 341 die prognostizierte Formänderung S25 aus. Gleichzeitig liest der Verifikations-Datengenerator 343 aus der Verifikationsdaten-Datenbank DB8 die Formänderung und die Formabweichungen vor der Veränderung als Qualitätswandel-Verifikationsdaten S23 aus und übergibt sie an den Zustandsänderungs-Qualitätswandler 344.

Der Zustandsänderungs-Qualitätswandler 344 empfängt vom Verifikations-Datengenerator 343 die Formänderung und Formabweichungen vor der Veränderung als Qualitätswandel-Verifikationsdaten S23 und vom Neuronalnetzwerk 341 die auf den Eingabedaten der Verifikationsdaten beruhende prognostizierte Formänderung S25. Der Zustandsänderungs-Qualitätswandler 344 ermittelt gemäß der nachfolgenden Gleichung die auf den Lehrerdaten beruhende Formabweichung spd_a(i) nach der Steuergerätepositionsänderung und die auf dem Ausgang des Neuronalnetzwerks beruhende prognostizierte Formabweichung nach der Steuergerätepositionsänderung gemäß Gleichung 10.

\hat{spda} (i) (i)

Hier ist spd die in den Qualitätswandel-Verifikationsdaten S23 enthaltene Formabweichung vor der Veränderung und Δsp die in den Qualitätswandel-Verifikationsdaten S23 enthaltene Formänderung.

\hat{Δ s p}

Δsp die prognostizierte Formänderung S25 und i die Formdetektor-Nummer in Breitenrichtung der Platte.

\begin{matrix} s p d_{a} (i) = s p d (i) + Δ s p (i) \\ \hat{s p d_{a}} (i) = s p d (i) + \hat{Δ s p} (i) \end{matrix}

Überdies berechnet der Zustandsänderungs-Qualitätswandler 344 aufgrund der nachfolgenden Gleichung 11 den Qualitätsbeurteilungswert eva und den Qualitätsbeurteilungswert evp auf Grundlage der Ausgabe des Neuronalnetzwerks. Hier bezeichnet wc die in der Qualitätsbeurteilungs-Datenbank DB4 gespeicherte Gewichtung in Breitenrichtung der Platte. Dabei wird für jede Spezifikation A der auf den Lehrerdaten beruhende Qualitätsbeurteilungswert eva und der auf der Ausgabe des Neuronalnetzwerks beruhende Qualitätsbeurteilungswert evp berechnet und zusammen mit den Informationen der Spezifikation A in der in 25 gezeigten Qualitätsbeurteilungswerte-Datenbank DB9 gespeichert.

\begin{matrix} eva = \frac{1}{n} \sum_{i = 1}^{n} {(w c (i) \cdot s p d_{a} (i))}^{2} - \frac{1}{2} \sum_{i = 1}^{n} {(w c (i) \cdot s p d (i))}^{2} \\ evp = \frac{1}{n} \sum_{i = 1}^{n} {(w c (i) \cdot \hat{s p d_{a} (i)})}^{2} - \frac{1}{2} \sum_{i = 1}^{n} {(w c (i) \cdot s p d (i))}^{2} \end{matrix}

Der Qualitätsbeurteilungsfehler-Rechner 345 führt auf Grundlage des Qualitäts-Beurteilungswerts eva, der auf Lehrerdaten beruht, die für alle in der Qualitäts-Beurteilungswerte-DB9 gespeicherten Verifikationsdaten berechnet wurden, und des auf der Ausgabe des Neuronalnetzwerks beruhenden Qualitätsbeurteilungswerts evp gemäß der nachfolgenden Gleichung für jede Neuronalnetzwerk-Nummer und die Spezifikationen A die Berechnung des Qualitätsbeurteilungs-Standardfehlers ε und der Verifikationsergebnis-Flag durch. Dabei ist n die Zahl der Verifikationsdaten. th ist der Schwellenwert für die Beurteilung, ob die Zahl der Verifikationsdaten ausreichend ist. Wenn die Zahl der Verifikationsdaten den Schwellenwert nicht erreicht, wird flag = 0 gesetzt (Verifikationsdaten unzureichend) und damit erreicht, dass das Steuerausgang-Beurteilungsausführ-Modul 17 der Steuerausführungseinheit 20 bei Nutzung der Qualitätsbeurteilungs-Fehlerdatenbank DB7 erkennt, dass die Verifikation der Zustandsänderungsregeln noch nicht abgeschlossen ist. In dieser Weise werden der Qualitätsbeurteilungs-Standardfehler ε und die Verifikationsergebnis-Flag für jede ermittelte Nummer des Neuronalnetzwerks und Spezifikation A in der in 26 gezeigten Qualitätsbeurteilungs-Fehlerdatenbank DB7 gespeichert.

\begin{matrix} ε = \sqrt{\frac{1}{n} \sum_{k = 1}^{n} {(e v a_{k} - e v p_{k})}^{2}} \\ IF n \geq th THEN flag = 1 \\ IF n < th THEN flag = 0 \end{matrix}

Wie vorstehend erläutert, wird die Steueroperation zwecks Verbesserung der Steuerregeln der Steuerzielanlage 1 erheblich verändert, wenn ein Erlernen von Steueroperationen mit guten Steuerergebnissen nicht möglich ist. Ferner werden sie als neue Steueroperationsverfahren übernommen, wenn die Steuerergebnisse gut sind. Überdies werden die Steueroperationen nicht oder nur geringfügig geändert, wenn Steueroperationen mit guten Steuerergebnissen erlernt werden konnten. Und wenn die Steuerergebnisse für diese gut waren, ist es effektiv, sie als neue Steueroperationsverfahren zu übernehmen.

Durch das Erlernen von Kombinationen aus Veränderungen der Steuergerätepositionen und Formänderungen auf Basis von tatsächlichen Maschinendaten wird durch Anpassung an die Anlagenbedingungen die Einschätzung der Qualität von Steuerergebnissen mit höherer Genauigkeit möglich als mit Simulatoren, die Maschinenmodelle verwenden; und durch regelmäßiges automatisches Lernen können stets zu den neuesten Anlagenbedingungen passende Modelle erstellt werden.

Ferner kann die Zuverlässigkeit der Steuerausgabe-Unterdrückungsfunktion für die Anlagen durch die Einschätzung der Qualitätsbeurteilungen zu den Steuerergebnissen erhöht werden, was bei der herkömmlichen Technik nur mit einfachen Maschinenmodellen vorgenommen wurde. Die Erzeugung von Steuerregel-Lerndaten, die herkömmlicherweise auf einer einzigen Qualitätsbeurteilung der Steuerergebnisse basierte, erfolgt in diesem Beispiel durch Einschätzungen der Qualitätsbeurteilung der Steuerergebnisse, wobei der Einfluss des in den Anlagedaten enthaltenen Rauschens unterdrückt werden kann und es möglich wird, auch Feineinstellungen mit kleinen Auswirkungen zum Gegenstand der Lerndaten zu machen. Überdies kann in diesem Beispiel durch die Verhinderung von Fehlbeurteilungen der Steuerwirkung die Veränderung der Lerndaten unterdrückt und die Stabilisierung der Steuereffizienz realisiert werden.

In der Steuerregel-Datenbank DB1 ist das Neuronalnetzwerk gespeichert, das in der Steuerausführungseinheit 20 verwendet wird. Wenn das hier gespeicherte Neuronalnetzwerk die anfänglichen Prozesse nur mit Zufallszahlen ausführt, dauert es gewisse Zeit, bis das Lernen des Neuronalnetzwerks voranschreitet und eine normale Steuerung möglich wird. Deshalb wird beim Aufbau der Steuervorrichtung für die Steuerzielanlage 1 auf Basis der zu diesem Zeitpunkt bekannten Steuermodelle der Steuerzielanlage 1 im Voraus mit einer Simulation das Erlernen der Steuerregeln durchgeführt. Und dadurch, dass das Neuronalnetzwerk, in dem das Simulator-Lernen abgeschlossen ist, dann in einer Datenbank gespeichert bleibt, kann von Beginn der Inbetriebnahme der Steuerzielanlage eine Steuerung mit einer gewissen Leistungsfähigkeit praktisch umgesetzt werden.

Alternativ kann dadurch, dass auf Basis der Leistungsdaten der tatsächlichen Operationsdaten in der Lerneinheit für Zustandsänderungsregeln 22 Zustandsänderungsregeln gelernt werden, auch ohne Steuerung realer Maschinen die Einschätzung einer auf der Ausgabe von Steuerregeln beruhende Qualitätsbeurteilung ermöglicht werden, es wird ein darauf basierendes Lernen der Steuerregeln möglich und es kann vor der Anwendung auf die Steuerzielanlage eine Steuerung mit bestimmter Leistungsfähigkeit praktisch umgesetzt werden.

27 zeigt als Anlagensteuersystem dieses Beispiels den Aufbau im Falle der Ausstattung mit einer Steuerregel-Bewertungs-Einheit 23, die den Prozess zur Bewertung der Steuerregeln ausführt. Die Steuerregel-Bewertungs-Einheit 23 ist ausgestattet mit dem Steuerregelqualitäts-Beurteilungsdaten-Erfassungsmodul 35, dem Steuerregel-Bewertungsdaten-Rechner 36, dem Steuerregel-Datenbank-Aktualisator 37, der Steuerregel-Bewertungsdaten-Datenbank DB10 und der Steuerregel-Bewertungswerte-Datenbank DB11.

Nach Festlegung der Steuerregel, deren Leistungsfähigkeit im Steuerregel-Ausführungsmodul der Steuerausführungseinheit 20 bewertet werden soll, veranlasst die Steuerregel-Bewertungs-Einheit 23, dass die Berechnung des Steuerausgangs an die Steuereingabedaten S2 durchgeführt wird, und führt mit dem Steuerausgangs-Qualitätsbeurteilungsmodul 17 unter Verwendung des geschätzten Steuerausgangs-Qualitätsbeurteilungs-Schätzwerts S9 die Bewertung der Steuerregel durch. Die Steuerregel-Bewertungs-Einheit 23 nimmt dann, wenn als Ergebnis der durchgeführten Bewertung der Steuerregeln die diesmal bewerteten neuen Steuerregeln im Vergleich zur Bewertung der gegenwärtig bei der Steuerung angewandten Steuerregeln eine höhere Bewertung aufweisen, zwecks Anwendung der neuen Steuerregeln auf die Steuerung eine Aktualisierung der Nummer des Neuronalnetzwerks in der Datenbank-Verwaltungstabelle TB vor. Nachfolgend wird der Inhalt der Arbeitsgänge in der Steuerregel-Bewertungs-Einheit 23 aufgezeigt.

Das Steuerregelqualitäts-Beurteilungsdaten-Erfassungsmodul 35 empfängt vom Steuerausgangs-Qualitätsbeurteilungs-Regelausführungsmodul 17 den Steuerausgangs-Qualitätsbeurteilungs-Schätzwert S9. Wenn der Steuerausgangs-Qualitätsbeurteilungs-Schätzwert S9 nicht -1 (keine Beurteilung) ist, speichert das Steuerregelqualitäts-Beurteilungsdaten-Erfassungsmodul 35 die in der Steuerausführungseinheit 20 verwendete Nummer des als Beurteilungsziel herangezogenen Neuronalnetzwerks, die Steuerregel-Nummernwahl-Bedingungen (Spezifikationen A, B), die Anzahl der Beurteilungen und den Steuerausgangs-Qualitätsbeurteilungs-Schätzwert S9 als Steuerregelqualitäts-Beurteilungsdaten S16 in der Steuerregel-Bewertungsdaten-Datenbank DB10. Falls die diesmal zu bewertende Steuerregel eine nicht in der für die aktuelle Steuerung verwendeten Datenbank-Verwaltungstabelle TB registrierte Steuerregel ist, wird als Nummer des zu bewertenden Neuronalnetzwerks fortlaufend von der letzten Nummer des in der Datenbank-Verwaltungstabelle TB registrierten Neuronalnetzwerks eine Nummer übernommen. In 28 wird ein Beispiel der in der Steuerregel-Bewertungsdaten-Datenbank DB10 gespeicherten Daten gezeigt. Angenommen, in diesem Beispiel ist die letzte Nummer eines in der Datenbank-Verwaltungstabelle TB registrierten Neuronalnetzwerks die 100, so werden die neuen Steuerregeln als 101 und folgende nummeriert.

Was die Steuerregelqualitäts-Beurteilungsdaten S16 angeht, so werden bei jeder Berechnung des Steuerausgangs mit der Steuerausführungseinheit 20 unter Verwendung der Steuerregeln neue Daten gewonnen und die erlangten Steuerregelqualitäts-Beurteilungsdaten S16 werden in der Steuerregel-Bewertungsdaten-Datenbank DB10 gespeichert. Da es in diesem Fall dazu kommen wird, dass für jede Steuerregel in großer Menge Daten gespeichert werden, bestimmt die Steuerregel-Bewertungsdaten-Datenbank DB10 eine Obergrenze für die zu speichernden Daten in den einzelnen Steuerregeln und wenn es mehr wird als vorgegeben, werden alte Daten gelöscht und neue gespeichert.

Der Steuerregel-Bewertungsdaten-Rechner 36 ruft aus der Steuerregel-Bewertungsdaten-Datenbank DB10 für jede Steuerregel und jede Spezifikationsbedingung (A, B) die akkumulierten Steuerregel-Qualitätsbeurteilungsdaten S17 en Bloc ab und berechnet den Durchschnittswert des Steuerausgangs-Qualitätsbeurteilungs-Schätzwerts S9. Der ermittelte Durchschnittswert ist der Anteil der Ausgaben von guten Operationen an der Gesamtzahl der Ausgaben von der Steuerregel und dieser Wert wird als Indikator der Bewertung der Leistungsfähigkeit der Steuerregel verwendet. Der Steuerregel-Bewertungsdaten-Rechner 36 speichert die wie vorstehend errechneten Steuerregel-Bewertungsdaten S18 in der Steuerregel-Bewertungswerte-Datenbank DB11. In 29 wird ein Beispiel der in der Steuerregel-Bewertungswerte-Datenbank DB11 gespeicherten Daten gezeigt. Die Steuerregel-Bewertungsdaten S18 werden gespeichert, wenn auf sie die Steuerregeln mit den Spezifikationen B1, B2 und A angewendet wurden. Durch erneute Bewertung auch der gleichen Steuerregel in einem anderen Zeitraum kann ein Beurteilungswert berechnet werden, der dem neuesten Betriebszustand der Anlage entspricht. In diesem Fall wird die Datenbank in der Weise aktualisiert, dass der durch die Neubewertung errechnete Beurteilungswert über den früheren Beurteilungswert geschrieben wird.

In der Datenbank-Verwaltungstabelle TB ist jeweils eine den Bedingungen entsprechend verwendete Neuronalnetzwerk-Nummer (Steuerregel) registriert. Demgegenüber werden die Beurteilungswerte mehrerer Steuerregeln für übereinstimmende Bedingungen in der Steuerregel-Bewertungswerte-Datenbank DB11 verwaltet. Der Steuerregel-Datenbank-Aktualisator 37 bezieht sich auf die Steuerregel-Bewertungswerte-Datenbank DB11, vergleicht den Steuerregel-Bewertungswert der in der Datenbank-Verwaltungstabelle TB eingetragenen Neuronalnetzwerk-Nummer (Steuerregel) mit den Steuerregel-Bewertungswerten der anderen Steuerregeln, sofern sie auf diese Bedingungen angewandt werden, bestimmt darunter die Steuerregel mit dem höchsten Beurteilungswert als die Steuerregel, die zukünftig für die Steuerung eingesetzt werden soll und aktualisiert auf die Neuronalnetzwerk-Nummer (Steuerregel) der Datenbank-Verwaltungstabelle TB.

Andere Bereiche des in 27 dargestellten Anlagensteuersystems haben den gleichen Aufbau wie das in 1 gezeigte Anlagensteuersystem. Im Fall des in 27 gezeigten Anlagensteuersystems jedoch ist es möglich, an der Rückseite, wo das in 1 gezeigte Anlagensteuersystem die Steuerung der Anlage durchführt, eine Bewertung unter Verwendung der Walz-Leistungsdaten Si als Offline-System vorzunehmen oder mit der Steuerzielanlage 1 als Leistungsdaten der Vergangenheit die Steuerregel-Bewertungs-Einheit 23 auf Grundlage dieser Leistungen aus der Vergangenheit die Bewertung vornimmt. In diesem Fall ist es nicht notwendig, dass die Steuerausführungseinheit 20 tatsächlich die Steuerzielanlage 1 praktisch umsetzt. Konkret besteht keine Notwendigkeit, den Steuerausgabebetrag SO der Steuerzielanlage 1 vom Steuerausgangs-Kontrollmodul 4 zuzuführen.

Gemäß des in 27 gezeigten Anlagensteuersystems können im Steuerregel-Ausführungsmodul 10 zu bewertende Steuerregeln eingestellt werden und durch Übergabe von Leistungsdaten aus der Vergangenheit als Si ohne tatsächliche Steuerausgabe an die Steuerzielanlage 1 die Steuerregel-Bewertungswerte-Datenbank DB11 und die Datenbank-Verwaltungstabelle TB aktualisiert werden.

Die vorliegende Erfindung ist nicht auf die einzelnen vorgenannten Ausführungsbeispiele beschränkt, sie schließt verschiedenartige Variationsbeispiele ein. Beispielsweise wurden die vorgenannten Formen der praktischen Umsetzung im Detail beschrieben, um die Erfindung leicht verständlich zu erläutern, das bedeutet aber nicht unbedingt, dass damit alle Konfigurationen abgedeckt sind.

Beispielsweise besteht das in 1 und 27 gezeigte Anlagensteuersystem aus einem Verarbeitungsteil, das Vorgänge wie Lernen und Erstellung von Daten sowie Steuerung ausführt. Diese in 1 und 27 dargestellte Steuerausführungseinheit 20, die Steuerverfahren-Lerneinheit 21, die Qualitätsbeurteilungs-Regel-Lerneinheit 22 und die Steuerregel-Bewertungs-Einheit 23 können aus Programmen (Software) bestehen, bei denen der Prozessor die jeweiligen Funktionen realisiert und die Programme kann ein Computer ausführen. 30 zeigt ein Aufbaubeispiel eines solchen Computers.

Mit anderen Worten ist, wie in 30 gezeigt, der aus den einzelnen Einheiten 20 bis 23 aufgebaute Computer ausgestattet mit der CPU (Central Processing Unit) a, mit dem ROM (Read Only Memory) b und mit dem RAM (Random Access Memory) c, die jeweils mit dem Bus verbunden sind. Überdies ist der Computer ausgestattet mit dem nichtflüchtigen Speicher d und der Netzwerkschnittstelle e.

Die CPU a ist eine arithmetische Verarbeitungseinheit, die Softwareprogrammcode aus dem ROM b ausliest und ausführt, der die Prozesse in den einzelnen Einheiten 20 bis 23 ausführt. In das RAM c werden Variablen, Parameter usw., die während der rechnerischen Verarbeitung auftreten, vorübergehend geschrieben. Für den nichtflüchtigen Speicher d wird beispielsweise ein Informationsspeicher wie HDD (Hard Disk Drive) oder SSD (Solid State Drive) mit hoher Kapazität verwendet und die von den einzelnen Einheiten 20 bis 23 ausgeführten Programme und die Daten der einzelnen Datenbanken darin gespeichert. Jede einzelne Einheit 20 bis 23 kann auf einem separaten Computer konfiguriert werden, aber es können auch alle Programme auf einem oder einer kleinen Zahl von Computern implementiert und gleichzeitig ausgeführt werden.

Für die Netzwerkschnittstelle e wird beispielsweise eine Netzwerkschnittstellenkarte (NIC) verwendet, die Daten mit anderen Einheiten und der Steuerzielanlage 1 durch Versand und Empfang austauscht. In diesem Fall können die Informationen wie etwa die Programme, die die einzelnen Verarbeitungsfunktionen realisieren, außer auf nichtflüchtigen Speichern d wie HDD, SSD etc. auch auf Aufzeichnungsmedien wie Speichern, Chipkarten, SD-Karten oder optischen Speicherplatten etc. gespeichert werden.

Ferner können einzelne oder alle der von den Einheiten 20 bis 23 ausgeführten Funktionen durch Hardware wie FPGA (Field Programmable Gate Array) oder ASIC (Application Specific Integrated Circuit) realisiert werden.

In Blockdiagrammen wie in 1 oder 27 sind Steuer- und Informationsleitungen nur so weit dargestellt, wie es zur Veranschaulichung erforderlich ist, und nicht unbedingt alle Steuer- und Informationsleitungen des Produkts. In der Praxis können fast alle Konfigurationen als miteinander verbunden betrachtet werden. Ferner wurde im vorgenannten Beispiel für die praktische Umsetzung als Steuerzielanlage 1 das Beispiel einer Anwendung in einem Sendzimir-Walzwerk gewählt, aber diese Erfindung kann auch bei der Steuerung verschiedener anderer Anlagen Anwendung finden. Auch bezüglich der Steuerregeln für die Anwendung in Sendzimir-Walzwerken wurde ein Beispiel gezeigt, aber diese Erfindung beschränkt sich nicht auf die vorgenannte praktische Umsetzung.

Bezugszeichenliste

1: Steuerzielanlage
2: Steuereingabe-Datengenerator
3: Steuerausgangs-Rechenmodul
4: Steuerausgangs-Kontrollmodul
5: Steuerausgangs-Beurteilungsmodul
6: Steuerergebnis-Qualitätsbeurteilungsmodul
7: Lerndaten-Generator
10: Steuerregel-Ausführungsmodul
16: Steueroperation-Außenstörungs-Modul
17: Steuerausgangs-Qualitätsbeurteilungsmodul
18: Steuerausgang-Operationsverfahrenswähler
20: Steuerausführungseinheit
21: Steuerverfahren-Lerneinheit
22: Qualitätsbeurteilungs-Regel-Lerneinheit
23: Steuerregel-Bewertungs-Einheit
31: Zustandsänderungsregel-Lernmodul
33: Neusuche-Operationsbetrags-Rechner
34: Qualitätsbeurteilungsfehler-Verifikationsmodul
35: Steuerregelqualitäts-Beurteilungsdatenerfassungs-Modul
36: Steuerregel-Bewertungsdaten-Rechner 37 Steuerregel-Datenbank-Aktualisator 50 Sendzimir-Walzwerk
51: Mustererkennungsteil
52: Formdetektor
53: Steuerrecheneinheit
54: Formerfassungs-Vorverarbeitungseinheit
101: Neuronalnetzwerk
102: Neuronalnetzwerkwähler
110: Neuronalnetzwerkprozessor
111: Neuronalnetzwerk
112: Neuronalnetz-Lernsteuerung
113: Neuronalnetzwerkwähler
114: Eingabedatengenerator
115: Lehrerdaten-Generator
171: Neuronalnetzwerk
172: Neuronalnetzwerkwähler
201: normalisierte Formabweichung
202: Formabweichungsstufe
210: Formabweichungs-PP-Wert-Rechenmodul
211: Formabweichungsstufen-Berechner
310: Neuronalnetzwerkprozessor
311: Neuronalnetzwerk
312: Neuronalnetz-Lernsteuerung
313: Neuronalnetzwerkwähler
314: Eingabedatengenerator
315: Lehrerdaten-Generator
341: Neuronalnetzwerk
342: Neuronalnetzwerkwähler
343: Verifikations-Datengenerator
344: Zustandsänderungs-Qualitätswandler
345: Qualitätsbeurteilungsfehler-Rechner
501: Walzphänomenmodell
502: Formkorrektur-Qualitätsbeurteilungsmodul
503: Formabweichungs-Korrekturbetrags-Prognosedaten
504: Formabweichungs-Leistungsdaten
505: Formabweichungs-Prognosedaten
602: Formänderungs-Qualitätsbeurteilungs-Modul
703: Steuerausgang-Operationsverfahrenswähler
801: Lerndaten-Generator
802: Steuerregel-Lernmodul
DB1: Steuerregel-Datenbank
DB2: Lerndaten-Datenbank
DB3: Ausgabebeurteilungs-Datenbank
DB4: Qualitätsbeurteilungs-Datenbank
DB5: Zustandsänderungsregel-Datenbank
DB6: Lerndaten-Datenbank
DB7: Qualitätsbeurteilungs-Fehlerdatenbank
DB8: Verifikationsdaten-Datenbank
DB9: Qualitätsbeurteilungswerte-Datenbank
DB10: Steuerregel-Bewertungsdaten-Datenbank
DB11: Steuerregel-Bewertungswerte-Datenbank

ZITATE ENTHALTEN IN DER BESCHREIBUNG

Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.

Zitierte Patentliteratur

WO 2804161 [0005]
WO 2018180799 [0005]

Claims

Ein Anlagensteuersystem, das Muster von Leistungsdaten-Kombinationen von Steuerzielanlagen erkennt und damit die Steuerung durchführt, ausgestattet ist mit einer Steuerverfahren-Lerneinheit, die die Kombination von Leistungsdaten der Steuerzielanlage und Steueroperationen lernt, mit einer Steuerausführungseinheit, die entsprechend der Kombinationen der von der Steuerverfahren-Lerneinheit erlernten Leistungsdaten mit Steueroperationen die Steuerung der Steuerzielanlage durchführt, und mit einer Lerneinheit für Zustandsänderungsregeln, die die Kombinationen von Leistungsdaten der Steuerzielanlage mit Steuervorgängen und Zustandsänderungen des Steuerziels erlernt, und bei der die Steuerausführungseinheit ausgestattet ist mit einem Steuerregel-Ausführungsmodul, das entsprechend einer definierten Kombination von Leistungsdaten der Steuerzielanlage und Steueroperationen einen Steuerausgang liefert, mit einem Steuerausgangs-Qualitätsbeurteilungsmodul, das gemäß einer festgelegten Kombination von Leistungsdaten der Steuerzielanlage mit Steueroperationen und Zustandsänderungen des Steuerziels die Zustandsänderung des Steuerziels prognostiziert und die Qualitätsbeurteilung des Steuerausgangs einschätzt, mit einem Neusuche-Operationsbetrags-Rechner, der auf Grundlage der Qualitätsbeurteilung durch das Steuerausgangs-Qualitätsbeurteilungsmodul den Operationsbetrag für die neue Operationssuche berechnet, und mit einem Steuerausgangs-Kontrollmodul, das unter Verwendung der Qualitätsbeurteilung durch das Steuerausgangs-Qualitätsbeurteilungsmodul in dem Fall, dass der Steuerausgang an die Steuerzielanlage ausgegeben wurde, bei Beurteilung der Leistungsdaten der Steuerzielanlage als Verschlechterung die Ausgabe des Steuerausgangs an die Steuerzielanlage verhindert und die Lerneinheit für Zustandsänderungsregeln ausgestattet ist mit einem Zustandsänderungsregel-Lernmodul, das aus den Leistungsdaten der Steuerzielanlage die Kombination von Leistungsdaten und Steueroperationen mit dem Zustandsänderungsbetrag des Steuerziels im Zeitraum der Zeitverzögerung bis zum Erscheinen der auf den Steueroperationen beruhenden Steuereffizienz in den Leistungsdaten extrahiert und damit Lerndaten erstellt und unter Verwendung der Lerndaten lernt, und die Steuerverfahren-Lerneinheit mit einer Qualitätsbeurteilung des Steuerausgangs im Steuerausgangs-Qualitätsbeurteilungsmodul, mit einem Lerndaten-Generator, der unter Verwendung des Steuerausgangs Lehrerdaten erhält und einem Steuerregel-Lernmodul, das die Leistungsdaten und die Lehrerdaten als Lerndaten erlernt.
Ein Anlagensteuersystem gemäß Anspruch 1, in dem die Steuerverfahren-Lerneinheit durch Lernen dem Zustand der Steuerzielanlage entsprechend eine Kombination von separaten Leistungsdaten und Steueroperationen für eine Vielzahl von Steuerzielen erlangt und die erlangte Kombination von Leistungsdaten und Steueroperationen im Steuerregel-Ausführungsmodul als festgelegte Kombination von Leistungsdaten und Steueroperationen der Steuerzielanlage verwendet.
Ein Anlagensteuersystem gemäß Anspruch 1, in dem das Steuerausgangs-Qualitätsbeurteilungsmodul die festgelegte Kombination von Leistungsdaten der Steuerzielanlage mit Steueroperationen und Zustandsänderungen des Steuerziels als erstes Neuronalnetzwerk beibehält, das Zustandsänderungsregel-Lernmodul die Kombination von Leistungsdaten mit Steueroperationen und Zustandsänderungen des Steuerziels als zweites Neuronalnetzwerk beibehält und das zweite Neuronalnetzwerk, das als Ergebnis des Lernens im Zustandsänderungsregel-Lernmodul erhalten wurde, als erstes Neuronalnetzwerk im Steuerausgangs-Qualitätsbeurteilungsmodul verwendet.
Ein Anlagensteuerungssystem gemäß Anspruch 1, wobei und die Lerneinheit für Zustandsänderungsregeln ausgestattet ist mit einer Qualitätsbeurteilung des Steuerausgangs von Leistungsdaten in der Vergangenheit und mit einem Qualitätsbeurteilungsfehler-Verifikationsmodul, das gemäß einer festgelegten Kombination von Leistungsdaten der Steuerzielanlage mit Steueroperationen und Zustandsänderungen des Steuerziels die Zustandsänderung des Steuerziels prognostiziert und durch Vergleich der Qualitätsbeurteilung des Steuerausgangs Abweichungen der Qualitätsbeurteilung berechnet, und das unter Verwendung der vom Qualitätsbeurteilungsfehler-Verifikationsmodul erzeugten Qualitätsbeurteilungs-Abweichung die Kriterien der Steuerergebnis-Qualitätsbeurteilung im Steuerausgangs-Qualitätsbeurteilungsmodul ändert.
Ein Anlagensteuersystem gemäß Anspruch 1, das überdies ausgestattet ist mit einem Steuerausgangs-Beurteilungsmodul, das die Zulässigkeit des Steuerausgangs unter Verwendung eines physikalischen Modells auf Basis einer Simulation beurteilt und das Steuerausgangs-Kontrollmodul unter Verwendung von sowohl der Qualitätsbeurteilung durch das Steuerausgangs-Qualitätsbeurteilungsmodul als auch der Steuerausgang-Zulässigkeitsbeurteilung des Steuerausgangs-Qualitätsbeurteilungsmoduls oder der Qualitätsbeurteilung des Steuerausgangs-Qualitätsbeurteilungsmoduls im Falle, dass die Leistungsdaten der Steuerzielanlage als sich verschlechternd beurteilt werden, wenn der Steuerausgang an die Steuerzielanlage ausgegeben wird, den Steuerausgang an die Steuerzielanlage ausgibt.
Überdies ist das Anlagensteuersystem gemäß einem der Ansprüche 1 bis 5 ausgestattet mit einer Steuerregel-Bewertungs-Einheit und die Steuerregel-Bewertungs-Einheit besitzt ein Steuerregelqualitäts-Beurteilungsdaten-Erfassungsmodul, das die Qualitätsbeurteilungsdaten des Qualitätsbeurteilungsmoduls der Steuerausführungseinheit in einer Datenbank sammelt, einen Steuerregel-Bewertungsdaten-Rechner, der die Steuerregel-Bewertungsdaten auf Grundlage der in der Datenbank akkumulierten Qualitätsbeurteilungsdaten berechnet, und kann die in der Steuerausführungseinheit verwendeten Steuerregeln ohne Ausgabe an die Steuerzielanlage bewerten.
Ein Anlagensteuerverfahren für eine Steuerzielanlage, wobei die Steuerung der Steuerzielanlage durch den Computer erfolgt, indem das Muster einer Kombination von Leistungsdaten der Steuerzielanlage erkannt wird und als Prozesse, die der Computer ausführt, ein Steuerverfahren-Lernprozess, der die Kombination von Leistungsdaten der Steuerzielanlage mit Steueroperationen lernt, ein Steuerausführungsprozess, der entsprechend der Kombination der vom Steuerverfahren-Lernprozess erlernten Leistungsdaten mit Steueroperationen die Steuerung der Steuerzielanlage ausführt, und ein Zustandsänderungsregel-Lernprozess zum Erlernen der Kombination einer Kombination von Leistungsdaten der Steuerzielanlage, Steuervorgängen und Zustandsänderungen des Steuerziels mit der Steuerergebnisqualität umfasst und der Steuerausführungsprozess einen Steuerregel-Ausführungsprozess, der entsprechend der festgelegten Kombination aus den Leistungsdaten der Steuerzielanlage mit Steueroperationen einen Steuerausgang liefert, einen Prozess zur Durchführung der Qualitätsbeurteilung der Steuerausgabe, der entsprechend der definierten Kombinationen der Leistungsdaten der Steuerzielanlage mit den Steueroperationen und der Zustandsänderung des Steuerziels Zustandsänderungen des Steuerziels prognostiziert und die Qualitätsbeurteilung des Steuerausgangs abschätzt, einen Neusuche-Operationsbetrags-Berechnungsprozess, der auf Grundlage der Qualitätsbeurteilung im Prozess zur Durchführung der Qualitätsbeurteilung der Steuerausgabe den Operationsbetrag für die neue Operationssuche berechnet, und einen Steuerausgabe-Kontrollprozess, der unter Verwendung der Qualitätsbeurteilung im Prozess zur Durchführung der Qualitätsbeurteilung der Steuerausgabe verhindert, dass im Falle, dass eine Ausgabe an die Steuerzielanlage erfolgt, eine Ausgabe des Steuerausgangs an die Steuerzielanlage erfolgt, wenn die Leistungsdaten der Steuerzielanlage als sich verschlechternd beurteilt werden, umfasst und der Zustandsänderungsregel-Lernprozess einen Zustandsänderungsregel-Lernprozess, der mit einem Zustandsänderungsregel-Lernmodul, das aus den Leistungsdaten der Steuerzielanlage die Kombination von Leistungsdaten und Steueroperationen mit dem Zustandsänderungsbetrag des Steuerziels im Zeitraum der Zeitverzögerung bis zum Erscheinen der auf den Steueroperationen beruhenden Steuereffizienz in den Leistungsdaten extrahiert und damit Lerndaten erstellt und sie unter Verwendung der Lerndaten lernt, umfasst, und der Steuerverfahren-Lernprozess einen Lerndaten-Erstellprozess zur Gewinnung von Lehrerdaten unter Verwendung der Qualitätsbeurteilung des Steuerausgangs zur Durchführung der Qualitätsbeurteilung des Steuerausgangs und des Steuerausgangseinen und einen Steuerregel-Lernprozess, der die Leistungsdaten und die Lehrerdaten als Lerndaten erlernt, umfasst.
Ein Programm für Steuerzielanlagen, das Muster von Kombinationen von Leistungsdaten der Steuerzielanlage erkennt und den Computer die Anlagensteuerung durchführen lässt, wobei das betreffende Programm die Steuerverfahren-Lernprozeduren zum Erlernen der Kombination von Leistungsdaten der Steuerzielanlage mit Steueroperationen, die Steuerausführungsprozeduren, die entsprechend der Kombination der durch die Steuerverfahren-Lernprozeduren erlernten Leistungsdaten mit Steueroperationen die Steuerung der Steuerzielanlage ausführen, und die Zustandsänderungsregel-Lernprozeduren zum Erlernen der Kombination einer Kombination von Leistungsdaten der Steuerzielanlage, Steuervorgängen und Zustandsänderungen des Steuerziels mit der Steuerergebnisqualität den Computer ausführen lässt und die Steuerausführungsprozedur eine Steuerregel-Ausführungsprozedur, die entsprechend einer definierten Kombination von Leistungsdaten der Steuerzielanlage und Steueroperationen einen Steuerausgang liefert, eine Prozedur zur Durchführung der Qualitätsbeurteilung der Steuerausgabe, die entsprechend der definierten Kombinationen der Leistungsdaten der Steuerzielanlage mit den Steueroperationen und der Zustandsänderung des Steuerziels Zustandsänderungen des Steuerziels prognostiziert und die Qualitätsbeurteilung des Steuerausgangs abschätzt, eine Neusuch-Operationsbetrags-Berechnungsprozedur, die auf Grundlage der Qualitätsbeurteilung durch die Prozedur zur Durchführung der Qualitätsbeurteilung der Steuerausgabe den Operationsbetrag für die neue Operationssuche berechnet, und eine Steuerausgabe-Kontrollprozedur, die unter Verwendung der Qualitätsbeurteilung in der Prozedur zur Durchführung der Qualitätsbeurteilung der Steuerausgabe verhindert, dass im Falle, dass eine Ausgabe an die Steuerzielanlage erfolgt, eine Ausgabe des Steuerausgangs an die Steuerzielanlage erfolgt, wenn die Leistungsdaten der Steuerzielanlage als sich verschlechternd beurteilt werden, umfasst die Zustandsänderungsregel-Lernprozedur eine Zustandsänderungsregel-Lernprozedur umfasst, die mit einem Zustandsänderungsregel-Lernmodul, das aus den Leistungsdaten der Steuerzielanlage die Kombination von Leistungsdaten und Steueroperationen mit dem Zustandsänderungsbetrag des Steuerziels im Zeitraum der Zeitverzögerung bis zum Erscheinen der auf den Steueroperationen beruhenden Steuereffizienz in den Leistungsdaten extrahiert und damit Lerndaten erstellt und sie unter Verwendung der Lerndaten lernt , und die Steuerverfahren-Lernprozedur eine Lerndaten-Erstellprozedur zur Gewinnung von Lehrerdaten unter Verwendung der Qualitätsbeurteilung des Steuerausgangs in der Prozedur zur Durchführung der Qualitätsbeurteilung der Steuerausgabe und des Steuerausgangs und eine Steuerregel-Lernprozedur, die die Leistungsdaten und die Lehrerdaten als Lerndaten erlernt, umfasst.