DE19848059A1

DE19848059A1 - Generating process model for manufacture of chipboard or particle board by supplying determined current process parameters to process model to determine expected quality characteristics

Info

Publication number: DE19848059A1
Application number: DE19848059A
Authority: DE
Inventors: Frank Reine
Original assignee: Dieffenbacher Schenck Panel GmbH
Current assignee: Dieffenbacher Schenck Panel GmbH
Priority date: 1997-04-30
Filing date: 1998-10-19
Publication date: 2000-04-20

Abstract

The method is based on patent application 197 18262.3. For the manufacture of board products, in a fourth step, current process parameters are determined and supplied in a fifth step to the process model which determines the expected quality characteristics of the board. These characteristics are then used in an optimization algorithm to determine the process parameters to be set in the manufacturing process. A neural network made of radial base neurons may be used, which combines radial-base functions e.g. of gaussian type.

Description

Die Erfindung betrifft ein Verfahren zum Generieren eines Pro zeßmodells bei der Herstellung von Plattenprodukten nach Paten tanmeldung 197 18 262.3.The invention relates to a method for generating a pro zeßmodell in the manufacture of plate products after godfather Registration 197 18 262.3.

Das erfindungsgemäße Verfahren zur Generierung eines Prozeßmo dells eines technischen Prozesses kann bei der Herstellung von Plattenprodukten aus Holz, Einjahrespflanzen oder Gipsfaser platten in vorteilhafter Weise eingesetzt werden. Es basiert auf einem Prozeßmodell, das aus gemessenen Prozeßparametern gewonnen wird und das zur Vorhersage von Qualitätsmaßen und zur Prozeßsteuerung so eingesetzt wird, daß die Prozeßkosten bei einer gewünschten Produktqualität minimiert werden. Bei dem Herstellungsprozeß von Plattenprodukten ist es das Ziel, eine gewünschte Produktqualität durch minimalen Einsatz von Resour cen zu erreichen.The method according to the invention for generating a process mo dells of a technical process can be used in the manufacture of Panel products made of wood, annual plants or gypsum fiber plates are used in an advantageous manner. It is based on a process model that consists of measured process parameters is obtained and that for predicting quality measures and Process control is used so that the process costs at a desired product quality can be minimized. In which Manufacturing process of plate products is the goal of a desired product quality through minimal use of Resour to achieve cen.

Der Erfindung liegt daher die Aufgabe zugrunde, ein gattungs gemäßes Verfahren zum Generieren eines Prozeßmodells zu schaf fen, welches in der Lage ist, mit vergleichsweise geringem Aufwand nichtlineares Verhalten komplexer Systeme zu modellie ren und das zur Prozeßsteuerung bei der Herstellung von Plat tenprodukten so eingesetzt werden kann, daß eine Prozeßoptimie rung erreicht wird. The invention is therefore based on the object, a genus to create appropriate method for generating a process model fen, which is able to comparatively little Model non-linear behavior of complex systems ren and that for process control in the manufacture of plat tenprodukte can be used so that process optimization tion is achieved.

Diese Aufgabe wird gemäß der Erfindung durch ein Verfahren nach dem Anspruch 1 gelöst.This object is achieved according to the invention by a method solved the claim 1.

Die Erfindung nutzt sowohl die Fähigkeit neuronaler Netze auch sehr komplexes Prozeßverhalten abbilden zu können als auch die Möglichkeit der Anwendung gesicherter statistischer Verfahren auf ein Prozeßmodell.The invention takes advantage of both the ability of neural networks to be able to map very complex process behavior as well Possibility of using reliable statistical methods on a process model.

Überraschenderweise lassen sich die statistischen Methoden auf die erfindungsgemäße Kombination eines linearen und eines neu ronalen Netzes anwenden, obwohl die Übertragung statistischer Aussagen auf neuronale Netze alleine nicht möglich ist.Surprisingly, the statistical methods can be used the combination of a linear and a new according to the invention ronal network, although the transmission is statistical Statements on neural networks alone are not possible.

Eine bevorzugte Ausführungsform der Erfindung sieht vor, daß die neuronalen Zellen nach der Methode der Radial-Basis-Funk tionen arbeiten, wobei es besonders vorteilhaft für die Abbil dungsqualität des Prozeßmodelles ist, wenn die Radial-Basis- Funktionen vom Gauß-Typ sind. Die Methode der Radial-Basis- Funktionen ist beispielsweise aus J. Moody und C. Darken, "Fast learning in networks of locally tuned processing units", Neural Computation, 1 : 281-294, 1989 bekannt.A preferred embodiment of the invention provides that the neuronal cells according to the radial base radio method tion work, being particularly advantageous for the fig quality of the process model is when the radial base Gaussian functions are. The Radial Base Method Functions is for example from J. Moody and C. Darken, "Fast learning in networks of locally tuned processing units ", Neural Computation, 1: 281-294, 1989.

Im folgenden wird die Erfindung anhand des Ausführungsbei spiels, welches sich auf die Optimierung und Prozeßmodellierung eines Herstellungsverfahrens von Plattenprodukten bezieht, näher erläutert, hierzu zeigtIn the following, the invention will be explained with reference to the embodiment game, which focuses on optimization and process modeling a manufacturing process of plate products, explained in more detail, shows

Fig. 1 ein Blockdiagramm; Fig. 1 is a block diagram;

Fig. 2 eine Darstellung der Struktur des Prozeßmodells gemäß der Erfindung und Fig. 2 shows the structure of the process model according to the invention and

Fig. 3 ein Ablaufdiagramm des erfindungsgemäßen Verfahrens 1. Fig. 3 is a flow diagram of the method 1 of the invention.

Das erfindungsgemäße Verfahren zur Generierung eines Prozeßmo dells eines technischen Prozesses kann bei der Herstellung von Plattenprodukten aus Holz, Einjahrespflanzen oder Gipsfaser platten in vorteilhafter Weise eingesetzt werden und wird bei spielhaft in Fig. 1 bei der Herstellung von Spanplatten näher erläutert. Das erfindungsgemäße Verfahren kann zur Analyse von Produktionsprozessen insbesondere zur Vorhersage und Überwa chung von Produktqualität und zur Prozeßoptimierung ganz all gemein eingesetzt werden. Es basiert auf einem Prozeßmodell, das aus gemessenen Prozeßparametern gewonnen wird und das zur Vorhersage von Qualitätsmaßen und zur Prozeßsteuerung so einge setzt wird, daß die Prozeßkosten bei einer gewünschten Produkt qualität minimiert werden. Bei dem Herstellungsprozeß von Span platten ist es das Ziel, eine gewünschte Produktqualität durch minimalen Einsatz von Resourcen wie Energie, Holz oder Leimzug abe zu erreichen.The inventive method for generating a Prozessmo dells a technical process can be used in the manufacture of wood, annual plants or gypsum fiber boards in an advantageous manner and is exemplified in Fig. 1 in the production of chipboard. The method according to the invention can be used in general for analyzing production processes, in particular for predicting and monitoring product quality and for process optimization. It is based on a process model that is obtained from measured process parameters and that is used to predict quality measures and to control the process in such a way that process costs are minimized for a desired product quality. In the manufacturing process of particle boards, the goal is to achieve a desired product quality by using minimal resources such as energy, wood or glue.

In Fig. 1 ist im oberen Bereich anhand eines Blockschaltbildes ein Teil einer Anlage zur Spanplattenherstellung von A bis E dargestellt. Hierbei steht A für die Trocknung und Sichtung der Späne, B für die Beleimung, C für die Formstation, D für die Presse und E für die Aufteilsäge und die Qualitätsprüfung. Bei der Spanplattenherstellung sind Prozeßparameter beispielsweise der Beleimungsfaktor, Bandgeschwindigkeiten, Spanfraktionen, Flüssigkeitsmenge, Temperaturen, Drücke, Pressenweg usw. Davon sind die Prozeßparameter je nach Anlagenkonstellation oder je nach physikalischen Gegebenheiten beeinflußbare Größen 1 oder nicht beeinflußbare Größen 2. Diese Prozeßparameter 1 und 2 werden bei der Prozeßmodellbildung als M Eingangsgrößen bezeichnet. Die Qualitätsmerkmale bei der Spanplattenherstel lung sind die Eigenschaften der Platten, beispielsweise die Querzugfestigkeit, die Quellung oder die Biegefestigkeit und werden im Abschnitt E bei der Qualitätsprüfung ermittelt. Die Qualitätsmerkmale 3 werden bei der Prozeß modellbildung als L Ausgangsgrößen bezeichnet. Sowohl die Qua litätsmerkmale 3 als auch die Prozeßparameter 1 und 2 stellen die zur Prozeßmodellbildung notwendigen Datensätze dar. Das Prozeßmodell 4 hat die Aufgabe, aus den Prozeßparametern = M Eingangsgrößen anhand einer geeigneten Funktion die Qualitäts größen = L Ausgangsgrößen zu berechnen. Hierzu werden zunächst in einer Lernphase über einen bestimmten Zeitraum Trainings datensätze gesammelt, wobei die Trainingsdatensätze Prozeßpara meter und Qualitätsgrößen zu einem bestimmten Zeitpunkt umfas sen. Das Prozeßmodell 4 soll einschließlich seiner Struktur mittels einer Anzahl von N Trainingsdatensätzen generiert wer den. Die Trainingsdatensätze enthalten eine bereits verifizier te Zuordnung von Eingangswerten zu Ausgangswerten. Dies bedeu tet für den N-ten Trainingsdatensatz die Zuordnung der Ein gangswerte x_n1, x_n2. . ., n_xM zu den Ausgangswerten y_n1, y_n2. . ., y_nL. Diese einzelnen Eingangs- bzw. Ausgangswerte lassen sich jeweils zu Eingangsvektoren x_n bzw. Ausgangsvektoren y_n zusam menfassen.In Fig. 1, part of a plant for particle board production from A to E is shown in the upper area using a block diagram. A stands for drying and classifying the chips, B for gluing, C for the forming station, D for the press and E for the dividing saw and quality inspection. In chipboard production, process parameters are, for example, the gluing factor, belt speeds, chip fractions, amount of liquid, temperatures, pressures, press travel, etc. The process parameters, depending on the system configuration or depending on the physical conditions, are variables 1 or variables 2 that cannot be influenced. These process parameters 1 and 2 are referred to as M input variables when forming the process model. The quality characteristics of particleboard production are the properties of the panels, for example the transverse tensile strength, swelling or bending strength, and are determined in section E during the quality inspection. The quality features 3 are referred to as L output variables in the process model formation. Both the quality features 3 and the process parameters 1 and 2 represent the data records necessary for the process model formation. The process model 4 has the task of calculating the quality parameters = L output parameters from the process parameters = M input parameters using a suitable function. For this purpose, training data sets are initially collected in a learning phase over a specific period of time, the training data sets comprising process parameters and quality parameters at a specific point in time. The process model 4 , including its structure, is to be generated by means of a number of N training data records. The training data records contain an already verified assignment of input values to output values. For the Nth training data record, this means the assignment of the input values x _n1 , x _n2 . . ., n _xM for the initial values y _n1 , y _n2 . . ., y _nL . These individual input or output values can each be combined to form input vectors x _n or output vectors y _n .

Das in Fig. 2 dargestellte Prozeßmodell 4 setzt sich aus einem neuronalen Netz 5 und einem linearen Netz 5 zusammen. Das neu ronale Netz 5 besitzt neuronale Zellen 7, die jeweils mitein ander vernetzt sind und denen jeweils sämtliche Prozeßparameter x₁ bis x_nm zugeführt werden.The process model 4 shown in FIG. 2 is composed of a neural network 5 and a linear network 5 . The neural network 5 has neural cells 7 , which are each networked with each other and to which all process parameters x ₁ to x _{nm are} supplied.

Die neuronalen Zellen 7 verarbeiten mit Hilfe von radialen Basisfunktionen den Eingangsvektor zu jeweils einzelnen Aktivierungswerten h₁ bis h_K.The neuronal cells 7 use radial basic functions to process the input vector into individual activation values h ₁ to h _K.

Eine radiale Basisfunktion ist eine Funktion des Abstandes des Eingangsvektors X_n zu ihrem Basiszentrum V_K. Im Anwendungsbei spiel werden radiale Basisfunktionen vom Gauß-Typ und der Eu klid'sche Abstand verwendet. Dieser Abstand ergibt sich zu:
A radial basis function is a function of the distance of the input vector X _n from its basis center V _K. In the application example, radial basic functions of the Gaussian type and the Eu Klidian distance are used. This distance results from:

Die neuronalen Zellen 7 unterscheiden sich hinsichtlich der Basiszentren. Die Aktivierungswerte werden dann aus dem Euklid'schen Abstand und dem Ausdehnungsparameter der Gauß- Funktion berechnet:
The neuronal cells 7 differ with regard to the base centers. The activation values are then calculated from the Euclidean distance and the expansion parameter of the Gaussian function:

Die Aktivierungswerte des neuronalen Netzes werden nach Durch führung einer Linearkombination der Basisfunktionen zu
The activation values of the neural network become after performing a linear combination of the basic functions

Hierbei sind c₁. . . c_kl sogenannte Wichtungsfaktoren 8. Diese Aktivierungswerte werden gewichtet durch die Wichtungsfaktoren c₁ bis c_K dem Summenpunkt 9' zugeführt.Here c is ₁ . . . c _kl so-called weighting factors 8 . These activation values are weighted by the weighting factors c ₁ to c _{K and} fed to the sum point 9 '.

Parallel zu dem neuronalen Netz ist das lineare Netz 6 angeord net, welchem ebenfalls die Eingangsgrößen X₁ bis X_M zugeführt werden, und welches eine Linearkombination dieser Eingangsgrö ßen gewichtet durch die Wichtungsfaktoren w₁ bis w_M 9 durch führt. Diese gewichteten Signale werden ebenfalls dem gemein samen Summenpunkt 9' zugeführt, wodurch sich der 1-te Ausgang des kombinierten Netzes zu
Parallel to the neural network, the linear network 6 is arranged, to which the input variables X ₁ to X _{M are also} fed, and which carries out a linear combination of these input variables weighted by the weighting factors w ₁ to w _M 9 . These weighted signals are also fed to the common summation point 9 ', which results in the 1st output of the combined network

ergibt.results.

Dabei stellt der Ausdruck w₀ einen konstanten Term 0. Ordnung des linearen Anteils dar. The expression w _{0 represents} a constant 0th order term of the linear component.

Die Wichtungsfaktoren werden mit Hilfe der Methode der klein sten Fehlerquadrate aus den Trainingsdatensätzen ermittelt. Obwohl die Basiszentren V_k nichtlineare Parameter enthalten, lassen sich überraschenderweise dann statistische Methoden, wie beispielsweise die Methode der kleinsten Fehlerquadrate, zum Lösen verwenden, wenn innerhalb des neuronalen Netzes für jeden der N Trainingsdatensätze jeweils eine neuronale Zelle ange setzt wird. Das Zentrum dieser neuronalen Zelle wird also auf den entsprechenden Eingangsvektor gelegt. Das neuronale Aus gangsmodell besitzt also in der ersten Phase N neuronale Zel len. Jedes Basiszentrum V_k entspricht in dieser Phase einem Eingangsvektor X_n. Durch diesen Verfahrensschritt lassen sich alle nichtlinearen Parameter ermitteln und es lassen sich die bekannten statistischen Auswertungsmethoden anwenden.The weighting factors are determined using the method of least squares from the training data sets. Although the base centers V _k contain nonlinear parameters, statistical methods, such as the least squares method, can surprisingly be used to solve if a neural cell is set up for each of the N training data sets within the neural network. The center of this neuronal cell is thus placed on the corresponding input vector. The initial neural model therefore has N neuronal cells in the first phase. In this phase, each base center V _k corresponds to an input vector X _n . All non-linear parameters can be determined by this method step and the known statistical evaluation methods can be used.

Dieses Anfangsmodell ist natürlich sehr aufwendig, benötigt zunächst sehr viel Speicherplatz und besitzt zudem offensicht lich eine extrem hohe Varianz, wodurch sich die Probleme der Überadaption ergeben. Dieses Problem wird mit dem folgenden Schritt der schrittweisen Regression gelöst, wodurch nämlich eine sinnvolle Strukturbestimmung durchgeführt wird, was zu einem stark vereinfachten Modell mit einer wesentlich geringe ren Anzahl an neuronalen Zellen führt. Dieses Regressionsmodell läßt sich deswegen anwenden, da, wie bereits oben erwähnt, zu diesem Zeitpunkt bereits die nichtlinearen Parameter bekannt sind. Die Methode der schrittweisen Regression ist aus der Literatur, beispielsweise M. J. L. Orr, "Regularization in the selection of radial basis function centres", Neural Computa tion, 7(3): 606-623, 1995 bekannt.This initial model is of course very complex, needed initially a lot of storage space and also has obvious extremely high variance, which exacerbates the problems of Result in over-adaptation. This problem comes up with the following Step of stepwise regression solved, namely a meaningful structure determination is carried out, which leads to a very simplified model with a much smaller one leads to the number of neuronal cells. This regression model can be used because, as already mentioned above, to the nonlinear parameters are already known at this time are. The method of stepwise regression is from the Literature, for example M.J.L. Orr, "Regularization in the selection of radial basis function centers ", Neural Computa tion, 7 (3): 606-623, 1995.

Eine Variante davon ist der sogenannte Forward-Selection-Algo rithmus, der zunächst mit einem leeren Regressionsmodell und einer Menge von Basisfunktionen als Kandidaten beginnt, an schließend für jeden verbleibenden Kandidaten die Verringerung des Modellfehlers berechnet, welche durch sein Hinzufügen be wirkt würde, wobei der Kandidat, der die stärkste Fehlerver ringerung bewirkt, dem Modell hinzugeführt wird. Aus jedem der Kandidaten der Menge der verbleibenden Restkandidaten wird nun wieder der Modellfehler ermittelt, der durch dessen Hinzufügen bewirkt würde und es wird derjenige nächste Kandidat hinzuge fügt, der dann die stärkste Fehlerverringerung bewirken würde. Diese Schritte wiederholen sich, bis ein Abbruchkriterium er reicht wird und die Strukturfindung beendet ist. Das Forward- Selection-Verfahren als solches ist aus 5. Chen, C. F. N. Cowan und P. M. Grant, "Orthogonal least squares learning for radial basis function networks", IEEE Trans. Neural Networks, 2(2): 302-309, 1991 bekannt.A variant of this is the so-called forward selection algo rithmus, which initially with an empty regression model and starts with a lot of basic functions as candidates closing the reduction for each remaining candidate of the model error, which can be calculated by adding it would act, the candidate who has the strongest error ver ringing causes the model to be added. From each of the Candidates of the set of remaining candidates will now again the model error determined by adding it would be effected and the next candidate will be added which would then bring about the greatest reduction in errors. These steps are repeated until a termination criterion is enough and the structure determination is finished. The forward Selection procedure as such is from 5. Chen, C.F.N. Cowan and P. M. Grant, "Orthogonal least squares learning for radial basis function networks ", IEEE Trans. Neural Networks, 2 (2): 302-309, 1991.

Als Kandidaten wird eine Menge von auszuwählenden Basisfunktio nen verstanden, die für das Prozeßmodell zur Verfügung stehen.A number of basic functions to be selected are candidates understood that are available for the process model.

Das Abbruchkriterium berücksichtigt die Veränderung des Aus wahlkriteriums als Abschätzung des zu erwartenden Verallgemei nerungsfehlers, vor und nach dem Hinzufügen eines neuen Kandi daten, d. h. einer neuen Basisfunktion und ist an sich aus G. Deco und D. Obradovic, "An Information-Theoretic Approach to Neural Computing" Springer, 1996 bekannt. Steigt das Auswahl kriterium nach dem Hinzufügen einer weiteren Basisfunktion wieder an, so ist dies ein Hinweis darauf, daß das Prozeßmodell in den Überadaptionsbereich gerät und der Auswahlvorgang ist dann an dieser Stelle abzubrechen. Zu diesem Zeitpunkt befinden sich dann lediglich noch K neuronale Zellen 10 samt ihrer Wichtungsfaktoren c₁ bis c_K im neuronalen Netz. Da die schritt weise Regression auch über das lineare Netz durchgeführt wird, verringert sich auch die Anzahl der Linearkombinationen der Eingangsparameter und ihrer Wichtungsfaktoren w. Der lineare Teil reduziert sich daher auf M-R Linearkombinationen. Hierbei stellt M die Anzahl der Eingangsgrößen und R die Anzahl der nach der Reduktion wegzulassenden Eingangsgrößen dar.The termination criterion takes into account the change in the selection criterion as an estimate of the expected generalization error, before and after the addition of a new candidate data, ie a new basic function, and is inherently from G. Deco and D. Obradovic, "An Information-Theoretic Approach to Neural Computing "Springer, known in 1996. If the selection criterion rises again after adding a further basic function, this indicates that the process model is in the over-adaptation range and the selection process must then be stopped at this point. At this point in time, there are then only K neuronal cells 10 together with their weighting factors c ₁ to c _K in the neural network. Since the step-by-step regression is also carried out via the linear network, the number of linear combinations of the input parameters and their weighting factors w is also reduced. The linear part is therefore reduced to MR linear combinations. Here M represents the number of input variables and R the number of input variables to be omitted after the reduction.

Die Reduktion des Prozeßmodelles durch die schrittweise Regres sion vereinfacht die Struktur so enorm, daß sich selbst sehr komplexe Prozesse, zu deren Erlernen eine sehr hohe Anzahl von Trainingsdatensätzen (1000 Trainingsdatensätze und mehr) nötig sind, auf Standard-Personalcomputern darstellen und auch schnell genug berechnen lassen.The reduction of the process model through the gradual regressions sion simplifies the structure so enormously that it greatly complex processes to learn a very large number of Training data sets (1000 training data sets and more) required are present on standard personal computers and also have it calculated quickly enough.

Dieses reduzierte Prozeßmodell 4 wird nun in einer Auswerteein heit 11 abgelegt. Bei dem Herstellungsverfahren für Spanplatten werden dann die beeinflußbaren sowie die nicht beeinflußbaren Prozeßparameter 1 und 2 als Eingangsgrößen bzw. als Eingangs vektor dem in der Auswerteeinheit 11 abgelegten Prozeßmodell 4 zugeführt. Daraus resultierende Ausgangsgrößen L (dargestellt durch Pfeil 12) werden dann einer weiteren Auswerteeinheit 13 zugeführt. Die Ausgangsgrößen beschreiben die vorhergesagten Qualitätsgrößen der Spanplatte. In der weiteren Auswerteeinheit 13 werden dann mittels eines Optimierungsalgorithmus die beein flußbaren Prozeßparameter 1 aus den vorhergesagten Qualitäts merkmale berechnet. Durch eine Steuereinrichtung 14 können dann die berechneten Prozeßparameter eingestellt werden.This reduced process model 4 is now stored in an evaluation unit 11 . In the manufacturing process for particle board, the influenceable and the non-influenceable process parameters 1 and 2 are then fed as input variables or as input vector to the process model 4 stored in the evaluation unit 11 . Output variables L resulting therefrom (represented by arrow 12 ) are then fed to a further evaluation unit 13 . The output sizes describe the predicted quality sizes of the chipboard. In the further evaluation unit 13 , the influenceable process parameters 1 are then calculated from the predicted quality features by means of an optimization algorithm. The calculated process parameters can then be set by a control device 14 .

Anhand vom einem Ablaufdiagramm der Fig. 3 wird das erfindungs gemäße Verfahren in den Schritten 1 bis 7 zusammengefaßt be schrieben:
Based on a flow chart of FIG. 3, the method according to the invention is summarized in steps 1 to 7 :

1. Schritt: Ermitteln von N Trainingsdatensätzen
2. Schritt: Erstellen eines vorläufigen Prozeßmodells mit N neuronalen Zellen und M linearen Eingängen durch folgende Schritte:
Step 1: Determine N training data sets
Step 2: Create a preliminary process model with N neuronal cells and M linear inputs through the following steps:

a) The neural network has neural cells that help with from radial basic functions to the input vector in each case process individual activation values.
b) Linear combination of the activation values weighted by Weighting factors are carried out and these values one Initial total point supplied.
c) Parallel to a) and b), a line becomes in the linear network ar combination of the input variables carried out weighted. The values then become the starting total point guided.

3. Schritt: Reduktion des Prozeßmodells. Ergebnis ist ein Pro zeßmodell mit K neuronalen Zellen und M - R linearen Eingängen.
4. Schritt: Ermittlung von aktuellen Prozeßparametern.
5. Schritt: Reduziertes Prozeßmodell ermittelt als Ausgangs größe zu erwartende Qualitätsmerkmale.
6. Schritt: Optimierungsalgorithmus berechnet die einzustellen den Prozeßparameter.
7. Schritt: Prozeßparameter werden eingestellt.Step 3: Reduction of the process model. The result is a process model with K neuronal cells and M - R linear inputs.
4th step: Determination of current process parameters.
Step 5: Reduced process model determines the expected quality characteristics as an output variable.
Step 6: Optimization algorithm calculates the process parameter to be set.
Step 7: Process parameters are set.

Claims

1. A method for generating a process model in the manufacture of plate products according to patent application 197 18 262.3, characterized in that current process parameters are determined in a fourth step in the manufacture of plate products and are fed to the process model in a fifth step, which is used as an output variable expected quality characteristics of the plates are determined and in a sixth step from these calculated quality characteristics by means of an optimization algorithm the process parameters to be determined are determined and these are then set in a seventh step in the production process of plate products.

2. Method for generating a process model of a techni process according to claim 1, characterized net that the neural network from radial base neurons be stands and combines radial basic functions.

3. Method for generating a process model of a techni process according to claim 2, characterized net that the radial basis functions are of the Gauss type.