DE19913126A1 - Process for determining the rolling force in a roll stand comprises using a neuronal network that is trained with values for the rolling force and values for the different operating conditions for roll stands of different rolling mills - Google Patents

Process for determining the rolling force in a roll stand comprises using a neuronal network that is trained with values for the rolling force and values for the different operating conditions for roll stands of different rolling mills

Info

Publication number
DE19913126A1
DE19913126A1 DE1999113126 DE19913126A DE19913126A1 DE 19913126 A1 DE19913126 A1 DE 19913126A1 DE 1999113126 DE1999113126 DE 1999113126 DE 19913126 A DE19913126 A DE 19913126A DE 19913126 A1 DE19913126 A1 DE 19913126A1
Authority
DE
Germany
Prior art keywords
rolling
rolling force
values
neural network
operating conditions
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
DE1999113126
Other languages
German (de)
Inventor
Thomas Poppe
Bjoern Feldkeller
Thomas Peuker
Einar Broese
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens AG
Original Assignee
Siemens AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens AG filed Critical Siemens AG
Priority to DE1999113126 priority Critical patent/DE19913126A1/en
Priority to EP00920409A priority patent/EP1163062B1/en
Priority to PCT/DE2000/000887 priority patent/WO2000056477A1/en
Priority to AT00920409T priority patent/ATE227615T1/en
Priority to DE50000754T priority patent/DE50000754D1/en
Publication of DE19913126A1 publication Critical patent/DE19913126A1/en
Priority to US09/962,370 priority patent/US6722173B2/en
Ceased legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B21B37/58—Roll-force control; Roll-gap control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B38/00—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product
    • B21B38/08—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product for measuring roll-force
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B2265/00—Forming parameters
    • B21B2265/12—Rolling load or rolling pressure; roll force

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Metal Rolling (AREA)

Abstract

Process for determining the rolling force in a roll stand comprises using a neuronal network which is trained with measured values for the rolling force under different operating conditions to improve the detection of the rolling force. The neuronal network is trained with values for the rolling force and values for the different operating conditions for roll stands of different rolling mills. Preferred Features: The neuronal network is trained with values for the rolling force and values for the different operating conditions for at least one roll stand from a blooming train and at least one roll stand of a finishing train.

Description

Die Erfindung betrifft ein Verfahren bzw. eine Einrichtung zur Bestimmung der Walzkraft in einem Walzgerüst zum Walzen von metallischem Walzgut, wobei die Bestimmung der Walzkraft mittels zumindest eines neuronalen Netzes erfolgt, das mit, insbesondere gemessenen, Werten für die Walzkraft unter un­ terschiedlichen Betriebsbedingungen im Sinne einer Verbesse­ rung bei der Bestimmung der Walzkraft trainiert wird.The invention relates to a method and a device for determining the rolling force in a rolling stand for rolling of rolled metal, determining the rolling force by means of at least one neural network which is connected to especially measured values for the rolling force under un different operating conditions in the sense of an improvement training in determining the rolling force.

Es ist die Bestimmung der Walzkraft mittels eines Walzkraft­ modells, das ein neuronales Netz aufweist, bekannt. Um die Modellgüte eines Walzkraftmodells, das ein neuronales Netz aufweist, zu verbessern, wird das neuronale Netz im Betrieb einer Walzstraße, für dessen Steuerung es vorgesehen ist, trainiert. Dabei ist unter Modellgüte die Abweichung zwischen tatsächlicher Walzkraft und der mittels des Walzkraftmodells bestimmten Walzkraft zu verstehen. Dabei soll, zum Erreichen einer hohen Modellgüte, diese Abweichung möglichst gering über die gesamte Palette der mittels des Walzgerüstes zu wal­ zenden Metalle sein.It is the determination of the rolling force by means of a rolling force model, which has a neural network, is known. To the Model quality of a rolling force model that a neural network has to improve, the neural network is in operation a rolling mill, for the control of which it is intended, trained. The difference between model quality is between actual rolling force and that using the rolling force model to understand certain rolling force. Thereby, to achieve a high model quality, this deviation as small as possible over the entire range of waling by means of the roll stand be metals.

Es ist Aufgabe der Erfindung, die Genauigkeit bei der Bestim­ mung der Walzkraft in einem Walzgerüst zum Walzen von metal­ lischen Walzgut gegenüber bekannten Verfahren zu erhöhen.It is an object of the invention to determine the accuracy in the determination Rolling force in a roll stand for rolling metal misch rolling stock to increase compared to known methods.

Die Aufgabe wird erfindungsgemäß durch ein Verfahren gemäß Anspruch 1 bzw. eine Einrichtung gemäß Anspruch 10 gelöst. Dabei erfolgt die Bestimmung der Walzkraft in einem Walzge­ rüst zum Walzen von metallischen Walzgut mittels zumindest eines neuronalen Netzes, das mit, insbesondere gemessenen, Werten für die Walzkraft unter unterschiedlichen Betriebsbe­ dingungen im Sinne einer Verbesserung bei der Bestimmung der Walzkraft trainiert wird, wobei das neuronale Netz mit Werten für die Walzkraft und Werten für die unterschiedlichen Be­ triebsbedingungen für Walzgerüste unterschiedlicher Walzstra­ ßen trainiert wird. Obwohl bei bekannten Verfahren zur Be­ stimmung der Walzkraft in einem Walzgerüst mit einem neurona­ len Netz, das neuronale Netz durch Training speziell an das Walzgerüst angepaßt wird, führt die Erfindung zu einer präzi­ seren Bestimmung der Walzkraft für das Walzgerüst über die gesamte Palette der mittels des Walzgerüstes zu walzenden Me­ talle betrachtet. Unter Betriebsbedingungen sind z. B. die Breite des mittels des Walzgerüsts zu walzenden metallischen Walzguts vor Einlauf in das Walzgerüst, die Dicke des metal­ lischen Walzguts vor Eintritt in das Walzgerüst, die relative Dickenreduktion des metallischen Walzguts im Walzgerüst, die Temperatur des metallischen Walzguts bei Eintritt in das Walzgerüst, der Zug im metallischen Walzgut vor dem Walzge­ rüst, der Zug im metallischen Walzgut hinter dem Walzgerüst sowie der Radius der Arbeitswalzen des Walzgerüstes sowie die Anteile von Eisen, Kohlenstoff, Silicium, Mangan, Phosphor, Schwefel, Aluminium, Chrom, Kupfer, Molybdän, Titan, Nickel, Vanadium, Niob, Stickstoff, Bor und/oder Zinn im metallischen Walzgut und ggf. das Elastizitätsmodul der Walzen zu verste­ hen.The object is achieved according to the invention by a method Claim 1 or a device according to claim 10 solved. The rolling force is determined in a rolling train set up for rolling metal rolling stock by means of at least a neural network that is connected to, in particular measured, Values for the rolling force under different operating conditions conditions in the sense of an improvement in determining the Rolling force is trained using the neural network with values  for the rolling force and values for the different loading drive conditions for roll stands of different rolling mills is trained. Although in known methods for loading tuning the rolling force in a roll stand with a neurona len network, the neural network through training specifically for the Roll stand is adapted, the invention leads to a precision seren determination of the rolling force for the rolling stand on the entire range of Me to be rolled by means of the roll stand considered. Under operating conditions, e.g. B. the Width of the metallic to be rolled by means of the roll stand Rolled stock before entering the roll stand, the thickness of the metal the rolling stock before entering the rolling stand, the relative Reduction of the thickness of the metallic rolling stock in the roll stand Temperature of the rolled metal material when it enters the Roll stand, the train in the metallic rolling stock in front of the roller set up, the train in the metallic rolling stock behind the roll stand as well as the radius of the work rolls of the roll stand and the Fractions of iron, carbon, silicon, manganese, phosphorus, Sulfur, aluminum, chrome, copper, molybdenum, titanium, nickel, Vanadium, niobium, nitrogen, boron and / or tin in the metallic Rolling stock and possibly the elastic modulus of the rolls to understand hen.

In vorteilhafter Ausgestaltung der Erfindung wird das neuro­ nale Netz mit Werten für die Walzkraft und Werten für die un­ terschiedlichen Betriebsbedingungen für zumindest ein Walzge­ rüst aus einer Vorstraße und zumindest für ein Walzgerüst ei­ ner Fertigstraße trainiert.In an advantageous embodiment of the invention, the neuro nal network with values for the rolling force and values for the un different operating conditions for at least one roller prepare from a roughing mill and at least for a rolling stand trained a finishing train.

In besonders vorteilhafter Ausgestaltung der Erfindung wird das neuronale Netz mit Werten für die Walzkraft und Werten für die unterschiedlichen Betriebsbedingungen für Walzgerüste von Walzstraßen unterschiedlicher Walzwerke trainiert. Dies führt zu einer besonders präzisen Bestimmung der Walzkraft in einem Walzgerüst, obwohl zum Training Walzgerüste anderer Walzwerke, d. h. also unterschiedliche Anlagen, herangezogen werden. In a particularly advantageous embodiment of the invention the neural network with values for the rolling force and values for the different operating conditions for roll stands trained by rolling mills of different rolling mills. This leads to a particularly precise determination of the rolling force in one roll stand, although to roll stands other people Rolling mills, d. H. so different plants become.  

In weiterhin vorteilhafter Ausgestaltung der Erfindung wird das neuronale Netz mit Werten für die Walzkraft und Werten für die unterschiedlichen Betriebsbedingungen für Walzgerüste von Walzstraßen zumindest fünf unterschiedlicher Walzwerke trainiert. Auf diese Weise läßt sich die Präzision bei der Bestimmung der Walzkraft weiter erhöhen.In a further advantageous embodiment of the invention the neural network with values for the rolling force and values for the different operating conditions for roll stands of rolling mills at least five different rolling mills trained. In this way, the precision of the Increase the determination of the rolling force further.

In weiterhin vorteilhafter Ausgestaltung der Erfindung wird mittels des neuronalen Netzes ein Korrekturwert zur, insbe­ sondere multiplikativen, Korrektur eines mittels eines analy­ tischen Walzkraftmodells ermittelten Wertes für die Walzkraft ermittelt. Die Verknüpfung von analytischen Modellen und neu­ ronalen Netzen ist z. B. in der DE-OS-43 38 607, DE-OS-43 38 608 und der DE-OS-43 38 615 offenbart, wobei sich eine Struktur gemäß der DE-OS-43 38 607 in Verbindung mit ei­ ner multiplikativen Verbindung als besonders vorteilhaft er­ wiesen hat.In a further advantageous embodiment of the invention by means of the neural network a correction value for, esp special multiplicative, correction by means of an analy table rolling force model determined value for the rolling force determined. Linking analytical models and new ronal networks is e.g. B. in DE-OS-43 38 607, DE-OS-43 38 608 and DE-OS-43 38 615 discloses, where a structure according to DE-OS-43 38 607 in connection with egg ner multiplicative connection as particularly advantageous he has pointed.

In weiterhin vorteilhafter Ausgestaltung der Erfindung wird ein gerüstspezifischer Korrekturwert zur Korrektur des mit­ tels des analytischen Walzkraftmodells ermittelten Wertes für die Walzkraft mittels eines als neuronales Netz ausgebildeten Gerüstnetzes in Abhängigkeit von physikalischen Eigenschaften des zu walzenden metallischen Walzguts (z. B. die Breite des mittels des Walzgerüsts zu walzenden metallischen Walzguts vor Einlauf in das Walzgerüst, die Dicke des metallischen Walzguts vor Eintritt in das Walzgerüst, die relative Dicken­ reduktion des metallischen Walzguts im Walzgerüst, die Tempe­ ratur des metallischen Walzguts bei Eintritt in das Walzge­ rüst, der Zug im metallischen Walzgut vor dem Walzgerüst, der Zug im metallischen Walzgut hinter dem Walzgerüst sowie der Radius der Arbeitswalzen des Walzgerüstes) und von physikali­ schen Eigenschaften des Walzgerüstes (z. B. das Elastizitäts­ modul der Walzen) ermittelt.In a further advantageous embodiment of the invention a framework-specific correction value for correcting the with value of the analytical rolling force model for the rolling force by means of a neural network Scaffolding network depending on physical properties of the metal rolling stock to be rolled (e.g. the width of the metallic rolling stock to be rolled by means of the roll stand before entering the mill stand, the thickness of the metallic Rolled stock before entering the rolling stand, the relative thicknesses reduction of the metallic rolling stock in the rolling stand, the Tempe rature of the metallic rolling stock upon entry into the rolling mill set up, the train in the metallic rolling stock in front of the roll stand, the Train in the metallic rolling stock behind the rolling stand and the Radius of the work rolls of the roll stand) and of physi properties of the roll stand (e.g. the elasticity module of the rollers) determined.

In weiterhin vorteilhafter Ausgestaltung der Erfindung wird ein chemiespezifischer Korrekturwert zur Korrektur des mit­ tels des analytischen Walzkraftmodells ermittelten Wertes für die Walzkraft mittels eines als neuronales Netz ausgebildeten Chemienetzes in Abhängigkeit von chemischen Eigenschaften des zu walzenden metallischen Walzguts (z. B. die Anteile von Ei­ sen, Kohlenstoff, Silicium, Mangan, Phosphor, Schwefel, Alu­ minium, Chrom, Kupfer, Molybdän, Titan, Nickel, Vanadium, Ni­ ob, Stickstoff, Bor und/oder Zinn im metallischen Walzgut) ermittelt. Diese Unterteilung in einen gerüstspezifischen und einen chemiespezifischen Korrekturwert führt im Zusammenhang mit der Erfindung zu einer weiterhin verbesserten Genauigkeit bei der Bestimmung der Walzkraft.In a further advantageous embodiment of the invention a chemistry-specific correction value to correct the with  value of the analytical rolling force model for the rolling force by means of a neural network Chemical network depending on the chemical properties of the rolling metal to be rolled (e.g. the proportions of egg sen, carbon, silicon, manganese, phosphorus, sulfur, aluminum minium, chrome, copper, molybdenum, titanium, nickel, vanadium, Ni whether, nitrogen, boron and / or tin in the rolled metal) determined. This subdivision into a framework-specific and leads to a chemistry-specific correction value with the invention to further improve accuracy in determining the rolling force.

Zu einer signifikanten Verbesserung der Genauigkeit bei der Bestimmung der Walzkraft kommt es unter bestimmten Betriebs­ bedingungen des Walzgerüstes, wenn - insbesondere in Verbin­ dung mit der Erfindung - ein gefügespezifischer Korrekturwert zur Korrektur des mittels des analytischen Walzkraftmodells ermittelten Wertes für die Walzkraft mittels eines als neuro­ nales Netz ausgebildeten Gefügenetzes in Abhängigkeit von chemischen Eigenschaften des zu walzenden metallischen Walz­ guts (z. B. die Anteile von Eisen, Kohlenstoff, Silicium, Man­ gan, Phosphor, Schwefel, Aluminium, Chrom, Kupfer, Molybdän, Titan, Nickel, Vanadium, Niob, Stickstoff, Bor und/oder Zinn im metallischen Walzgut) und der Temperatur des zu walzenden metallischen Walzguts ermittelt wird. Dies gilt insbesondere, wenn zwischen einem gerüstspezifischen, einem chemiespezifi­ schen und einem gefügespezifischen Korrekturwert unterschie­ den wird.A significant improvement in accuracy at Determination of the rolling force occurs under certain operating conditions Conditions of the roll stand if - especially in combination tion with the invention - a structure-specific correction value to correct the using the analytical rolling force model determined value for the rolling force by means of a neuro network of trained network depending on chemical properties of the metallic roll to be rolled guts (e.g. the proportions of iron, carbon, silicon, Man gan, phosphorus, sulfur, aluminum, chrome, copper, molybdenum, Titanium, nickel, vanadium, niobium, nitrogen, boron and / or tin in the metallic rolling stock) and the temperature of the to be rolled metallic rolling stock is determined. This is especially true if between a framework-specific, a chemistry-specific and a structure-specific correction value that will.

In weiterhin vorteilhafter Ausgestaltung der Erfindung wird der Korrekturwert zumindest eines neuronalen Netzes mit einem Vertrauenswert multipliziert, wobei der Vertrauenswert ein statistisches Maß für die Zuverlässigkeit des Korrekturwertes bildet. Der Vertrauenswert liegt vorteilhafterweise zwischen 0 und 1. In a further advantageous embodiment of the invention the correction value of at least one neural network with one Trustworthy multiplied, with the trustworthy one statistical measure of the reliability of the correction value forms. The trustworthiness is advantageously between 0 and 1.  

In vorteilhafter Ausgestaltung der Erfindung erfolgt die Be­ stimmung der Walzkraft mittels zumindest zweier neuronaler Netze, deren Ausgangswerte verknüpft werden.In an advantageous embodiment of the invention, the loading takes place tuning the rolling force by means of at least two neuronal ones Networks whose output values are linked.

Die Erfindung kommt besonders vorteilhaft bei der Voreinstel­ lung einer Walzstraße zum Einsatz. Dabei wird die zu erwar­ tende Walzkraft zum Walzen des metallischen Walzguts vorab bestimmt und vor Einlaufen des metallischen Walzguts in die Walzstraße zur Voreinstellung der Walzstraße, d. h. z. B. zum Einstellen der Walzspalte an den Walzgerüsten, verwendet.The invention is particularly advantageous in the pre-setting a rolling mill for use. This is too expected ting rolling force for rolling the metallic rolling stock in advance determined and before the metallic rolling stock enters the Rolling mill for presetting the rolling mill, d. H. e.g. B. to Adjusting the roll gap on the roll stands, used.

Weitere Vorteile und Einzelheiten ergeben sich aus der nach­ folgenden Beschreibung von Ausführungsbeispielen. Die Ausfüh­ rungsbeispiele betreffen das Walzen von Stahl. Unter entspre­ chender Anpassung können auch andere Metalle, insbesondere Aluminium, gewalzt werden. Im einzelnen zeigen:Further advantages and details emerge from the following description of exemplary embodiments. The execution Examples include the rolling of steel. Under correspond Other metals, in particular, can also be adapted accordingly Aluminum to be rolled. In detail show:

Fig. 1 ein Walzkraftmodell, Fig. 1, a rolling-force model,

Fig. 2 ein besonders vorteilhaftes Walzkraftmodell, Fig. 2, a particularly advantageous rolling-force model,

Fig. 3 ein besonders vorteilhaftes Walzkraftmodell, Fig an especially advantageous rolling-force model. 3,

Fig. 4 eine besonders vorteilhafte Korrektur zur Verknüp­ fung neuronaler Netze, Fig. 4 is a particularly advantageous for correction Verknüp Fung neural networks,

Fig. 5 eine vorteilhafte Wichtungsstruktur für ein neuro­ nales Netz, Fig. 5, an advantageous weighting structure for a neuro-dimensional network,

Fig. 6 ein Lernverfahren für ein neuronales Netz. Fig. 6 is a learning method for a neural network.

Fig. 1 zeigt ein Walzkraftmodell 50 zur Bestimmung der Walz­ kraft FH in einem Walzgerüst. Das Walzkraftmodell 50 weist ein analytisches Walzkraftmodell 1 sowie ein neuronales Netz 2 auf. In das analytische Walzkraftmodell 1 gehen Ein­ gangsgrößen XM und optional ein Korrekturwert k ein. Die Ein­ gangsgrößen XM des analytischen Walzkraftmodells 1 sind in beispielhafter Ausgestaltung das Elastizitätsmodul der Walzen des Walzgerüstes, die Breite des mittels des Walzgerüsts zu walzenden Stahls vor Einlauf in das Walzgerüst, die Dicke des Stahls vor Eintritt in das Walzgerüst, die relative Dickenre­ duktion des Stahls im Walzgerüst, die Temperatur des Stahls bei Eintritt in das Walzgerüst, der Zug im Stahl vor dem Walzgerüst, der Zug im Stahl hinter dem Walzgerüst sowie der Radius der Arbeitswalzen des Walzgerüstes. Das analytische Walzkraftmodell 1 liefert als Ausgangsgröße einen Grobwert FM für die Walzkraft, der mittels eines Multiplikators 6 mit dem Korrekturwert k multipliziert wird und somit einen Wert FH für die Walzkraft liefert, der Ausgangsgröße des Walzkraftmo­ dells 50 ist. Der Korrekturwert k wird mittels eines neurona­ len Netzes 2 in Abhängigkeit von dessen Eingangsgrößen XNN ermittelt. Die Eingangsgrößen XNN des neuronalen Netzes 2 um­ fassen in beispielhafter Ausgestaltung die Breite des mittels des Walzgerüsts zu walzenden Stahls vor Einlauf in das Walz­ gerüst, die Dicke des Stahls vor Eintritt in das Walzgerüst, die relative Dickenreduktion des Stahls im Walzgerüst, die Temperatur des Stahls bei Eintritt in das Walzgerüst, den Zug im Stahl vor dem Walzgerüst, den Zug im Stahl nach dem Walz­ gerüst, den Radius der Arbeitswalzen des Walzgerüstes, die Umfangsgeschwindigkeit der Arbeitswalzen des Walzgerüstes, den Anteil von Kohlenstoff und vorteilhafterweise den Anteil von Silicium im Stahl. Es ist ferner vorteilhaft, wenn die Eingangsgrößen XNN des neuronalen Netzes 2 außerdem die An­ teile von Mangan, Phosphor, Schwefel, Aluminium, Chrom, Kup­ fer, Molybdän, Titan, Nickel, Vanadium, Niob, Stickstoff, Bor und/oder Zinn im Stahl umfassen. Fig. 1 shows a rolling force model 50 for determining the rolling force F H in a roll stand. The rolling force model 50 has an analytical rolling force model 1 and a neural network 2 . An input variable X M and optionally a correction value k are included in the analytical rolling force model 1 . The input variables X M of the analytical rolling force model 1 are, in an exemplary embodiment, the modulus of elasticity of the rolls of the roll stand, the width of the steel to be rolled by means of the roll stand before entry into the roll stand, the thickness of the steel before entry into the roll stand, the relative thickness reduction of the Steel in the roll stand, the temperature of the steel when entering the roll stand, the train in the steel in front of the roll stand, the train in the steel behind the roll stand and the radius of the work rolls of the roll stand. The analytical rolling force model 1 provides a rough value F M for the rolling force, which is multiplied by a multiplier 6 by the correction value k and thus provides a value F H for the rolling force, which is the output variable of the rolling force model 50 . The correction value k is determined by means of a neural network 2 as a function of its input variables X NN . In an exemplary embodiment, the input variables XNN of the neural network 2 um encompass the width of the steel to be rolled by means of the roll stand before entering the roll stand, the thickness of the steel before entry into the roll stand, the relative reduction in thickness of the steel in the roll stand, and the temperature of the steel when entering the roll stand, the train in the steel in front of the roll stand, the train in the steel after the roll stand, the radius of the work rolls of the roll stand, the peripheral speed of the work rolls of the roll stand, the proportion of carbon and advantageously the proportion of silicon in the steel. It is also advantageous if the input variables X NN of the neural network 2 also contain the parts of manganese, phosphorus, sulfur, aluminum, chromium, copper, molybdenum, titanium, nickel, vanadium, niobium, nitrogen, boron and / or tin Embrace steel.

Fig. 2 zeigt ein besonders vorteilhaftes Ausführungsbeispiel für ein Walzkraftmodell. Dieses mit Bezugszeichen 51 bezeich­ nete Walzkraftmodell weist wie das Walzkraftmodell 50 in Fig. 1 ein analytisches Walzkraftmodell 1 sowie einen Multiplika­ tor 6 auf. Das neuronale Netz 2 in Fig. 1 ist dagegen durch drei neuronale Netze 3, 4, 5 ersetzt, deren Ausgänge kα, kβ und kγ zu dem Korrekturfaktor k addiert werden. Fig. 2 shows a particularly advantageous embodiment for a rolling force model. This rolling force model, designated by reference numeral 51, has, like the rolling force model 50 in FIG. 1, an analytical rolling force model 1 and a multiplier 6 . In contrast, the neural network 2 in FIG. 1 is replaced by three neural networks 3 , 4 , 5 , the outputs k α , k β and k γ of which are added to the correction factor k.

Bezugszeichen 3 bezeichnet ein als Chemienetz bezeichnetes neuronales Netz, das einen chemiespezifischen Korrekturwert kα in Abhängigkeit von seinen Eingangsgrößen Xα ermittelt. Die Eingangsgrößen Xα umfassen vorteilhafterweise den Anteil von Kohlenstoff in Stahl sowie vorteilhafterweise den Anteil von Silicium im Stahl. Es ist ferner vorteilhaft, wenn die Eingangsgrößen Xα des neuronalen Netzes 2 außerdem die Antei­ le von Mangan, Phosphor, Schwefel, Aluminium, Chrom, Kupfer, Molybdän, Titan, Nickel, Vanadium, Niob, Stickstoff, Bor und/oder Zinn im Stahl umfassen.Reference numeral 3 denotes a neural network referred to as a chemical network, which determines a chemistry-specific correction value k α as a function of its input variables X α . The input variables X α advantageously include the proportion of carbon in steel and advantageously the proportion of silicon in steel. It is also advantageous if the input variables X α of the neural network 2 also include the proportions of manganese, phosphorus, sulfur, aluminum, chromium, copper, molybdenum, titanium, nickel, vanadium, niobium, nitrogen, boron and / or tin in the steel include.

Bezugszeichen 4 bezeichnet ein als Gefügenetz bezeichnetes neuronales Netz, das einen gefügespezifischen Korrekturwert kβ in Abhängigkeit von seinen Eingangsgrößen Xβ ermittelt. Die Eingangsgrößen Xβ umfassen vorteilhafterweise die Tempe­ ratur des Stahls bei Einlauf in das Walzgerüst und die Antei­ le von Kohlenstoff im Stahl sowie vorteilhafterweise den An­ teil von Silicium im Stahl. Es ist ferner vorteilhaft, wenn die Eingangsgrößen Xβ des neuronalen Netzes 2 außerdem den Anteile von Mangan, Phosphor, Schwefel, Aluminium, Chrom, Kupfer, Molybdän, Titan, Nickel, Vanadium, Niob, Stickstoff, Bor und/oder Zinn im Stahl umfassen.Reference numeral 4 designates a neural network referred to as a network which determines a structure-specific correction value k β as a function of its input variables X β . The input variables X β advantageously include the temperature of the steel as it enters the roll stand and the proportion of carbon in the steel and advantageously the proportion of silicon in the steel. It is also advantageous if the input variables X β of the neural network 2 also include the proportions of manganese, phosphorus, sulfur, aluminum, chromium, copper, molybdenum, titanium, nickel, vanadium, niobium, nitrogen, boron and / or tin in the steel .

Bezugszeichen 5 bezeichnet ein als Gerüstnetz bezeichnetes neuronales Netz, das einen gerüstspezifischen Korrekturwert kγ in Abhängigkeit von seinen Eingangsgrößen Xγ berechnet. Die Eingangsgrößen Xγ umfassen vorteilhafterweise die Breite des mittels des Walzgerüsts zu walzenden Stahls vor Einlauf in das Walzgerüst, die Dicke des Stahls vor Eintritt in das Walzgerüst, die relative Dickenreduktion des Stahls im Walz­ gerüst, die Temperatur des Stahls bei Eintritt in das Walzge­ rüst, den Zug im Stahl vor dem Walzgerüst, den Zug im Stahl nach dem Walzgerüst sowie den Radius der Arbeitswalzen des Walzgerüstes.Reference numeral 5 denotes a neural network referred to as a scaffold network, which calculates a scaffold-specific correction value k γ as a function of its input variables X γ . The input variables X γ advantageously include the width of the steel to be rolled by means of the roll stand before entry into the roll stand, the thickness of the steel before entry into the roll stand, the relative reduction in thickness of the steel in the roll stand, the temperature of the steel upon entry into the roll stand , the train in the steel in front of the roll stand, the train in the steel after the roll stand and the radius of the work rolls of the roll stand.

Fig. 3 bezeichnet ein weiterhin besonders vorteilhaftes Aus­ führungsbeispiel für ein Walzkraftmodell. Dieses mit Bezugs­ zeichen 52 bezeichnete Walzkraftmodell weist ebenfalls ein analytisches Walzkraftmodell 1 sowie einen Multiplikator 6 auf. Gemäß diesem Ausführungsbeispiel ist das Chemienetz 3 des Walzkraftmodells 51 im Walzkraftmodell 52 durch einen Chemiekorrekturblock 10 ersetzt. Das Gefügenetz 4 des Walz­ kraftmodells 51 ist im Walzkraftmodell 52 durch einen Gefüge­ korrekturblock 11 ersetzt. Das Gerüstnetz 5 des Walzkraftmo­ dells 51 ist im Walzkraftmodell 52 durch einen Gerüstkorrek­ turblock 12 ersetzt. Ausgangsgrößen des Chemiekorrektur­ blocks, des Gefügekorrekturblocks und des Gerüstkorrektur­ blocks sind mit A, B und C bezeichnet. Die Summe dieser Aus­ gangsgrößen bildet den Korrekturwert k. Fig. 3 denotes a further particularly advantageous exemplary embodiment from a rolling force model. This designated with reference sign 52 rolling force model also has an analytical rolling force model 1 and a multiplier 6 . According to this exemplary embodiment, the chemical network 3 of the rolling force model 51 in the rolling force model 52 is replaced by a chemistry correction block 10 . The structural network 4 of the rolling force model 51 is replaced in the rolling force model 52 by a structural correction block 11 . The scaffolding network 5 of the Walzkraftmo dells 51 is replaced in the rolling force model 52 by a scaffold correction block 12 . Output variables of the chemistry correction block, the microstructure correction block and the framework correction block are labeled A, B and C. The sum of these output variables forms the correction value k.

Fig. 4 zeigt einen Korrekturblock 20, dessen Eingangsgrößen die Größen XNN sind und dessen Ausgangsgröße der Korrektur­ wert k ist. Der Korrekturblock 20 weist neuronale Netze 21, 22, 23 sowie einen Verknüpfungsblock 24 auf. Ausgangsgrößen der neuronalen Netze sind Korrekturwerte k21, k22 und k23, die mittels des Verknüpfungsblockes 24 zum Korrekturwert k ver­ knüpft werden. Dazu bildet der Verknüpfungsblock 24 vorteil­ hafterweise die Mittelwerte der Korrekturwerte k21, k22 und k23 und gibt diesen Mittelwert als Korrekturwert k aus. Die neu­ ronalen Netze 21, 22, 23 haben die gleiche Funktionalität. Sie sind jedoch neuronale Netze mit unterschiedlicher Struk­ tur, neuronale Netze mit einer unterschiedlichen Anzahl von Knoten und/oder neuronale Netze, die unterschiedlichen Trai­ ningsmethoden unterworfen werden. Vorteilhafterweise ersetzt der Korrekturblock 20 das neuronale Netz 2 in Fig. 1. Es ist weiterhin besonders vorteilhaft, den Chemiekorrekturblock 10, den Gefügekorrekturblock 11 sowie den Gerüstkorrekturblock 12 durch je einen Korrekturblock 20 zu ersetzen. Entsprechend sind dann für den Korrekturblock 20 XNN und k durch Xα und A, Xβ und B bzw. Xγ und C zu ersetzen. FIG. 4 shows a correction block 20 , the input variables of which are the variables X NN and the output variable of which is the correction value k. The correction block 20 has neural networks 21 , 22 , 23 and a link block 24 . Output variables of the neural networks are correction values k 21 , k 22 and k 23 , which are linked to the correction value k by means of the link block 24 . For this purpose, the linking block 24 advantageously forms the mean values of the correction values k 21 , k 22 and k 23 and outputs this mean value as the correction value k. The neural networks 21 , 22 , 23 have the same functionality. However, they are neural networks with different structures, neural networks with a different number of nodes and / or neural networks that are subjected to different training methods. Correction block 20 advantageously replaces neural network 2 in FIG. 1. It is furthermore particularly advantageous to replace chemistry correction block 10 , structural correction block 11 and framework correction block 12 by one correction block 20 each. Accordingly, X NN and k are to be replaced by X α and A, X β and B or X γ and C for the correction block 20 .

Fig. 5 zeigt einen Wichtungskorrekturblock 33, dessen Ein­ gangsgrößen die Größen XNN sind, und dessen Ausgangsgröße der Korrekturwert k ist. Der Wichtungskorrekturblock 33 weist ein neuronales Netz 30, ein Regressionsmodell 31, einen Wich­ tungsblock 32 sowie einen Multiplikator 34 auf. Ausgangsgröße des Wichtungsblocks 32 ist ein Vertrauenswert WNN, der Werte zwischen 0 und 1 annehmen kann. Der Vertrauenswert WNN bildet ein statistisches Maß für die Zuverlässigkeit eines vom neu­ ronalen Netz 30 ausgegebenen Korrekturwertes kNN. Das Regres­ sionsmodell 31 gibt ebenfalls einen Korrekturwert kM aus. Der vom neuronalen Netz 30 ermittelte Korrekturwert kNN wird mit­ tels des Multiplikators 34 mit dem Vertrauenswert WNN multi­ pliziert. Zu dem Produkt aus kNN und WNN wird der mittels des Regressionsmodells 31 ermittelte Korrekturwert kM hinzuad­ diert. Diese Summe bildet den Korrekturwert k. Es ist vor­ teilhaft, das neuronale Netz 2 durch den Wichtungskorrektur­ block 33 zu ersetzen. Es ist besonders vorteilhaft, den Che­ miekorrekturblock 10, den Gefügekorrekturblock 11 sowie den Gerüstkorrekturblock 12 durch einen Wichtungskorrekturblock gemäß dem Wichtungskorrekturblock 33 zu ersetzen. Dabei sind XNN und k durch Xα und kα, Xβ und kβ bzw. Xγ und kγ zu ersetzen. Es ist von ganz besonderem Vorteil, das neuronale Netz 30 durch den Korrekturblock 20 zu ersetzen. In diesem Fall er­ setzt der Korrekturwert k in Fig. 4 den Korrekturwert kNN in Fig. 5. Fig. 5 shows a weighting correction block 33, the A gear sizes are the sizes X NN, and the output of which the correction value k. The weighting correction block 33 has a neural network 30 , a regression model 31 , a weighting block 32 and a multiplier 34 . The output variable of the weighting block 32 is a confidence value W NN , which can take values between 0 and 1. The confidence level W NN forms a statistical measure for the reliability of a correction value k NN output by the neural network 30 . The regression model 31 also outputs a correction value k M. The correction value k NN determined by the neural network 30 is multiplied by means of the multiplier 34 with the confidence value W NN multi. The correction value k M determined by means of the regression model 31 is added to the product of k NN and W NN . This sum forms the correction value k. It is geous before to replace the neural network 2 by the weighting correction block 33 . It is particularly advantageous to replace the chemistry correction block 10 , the structural correction block 11 and the framework correction block 12 by a weighting correction block according to the weighting correction block 33 . X NN and k are to be replaced by X α and k α , X β and k β or X γ and k γ . It is particularly advantageous to replace the neural network 30 with the correction block 20 . In this case, the correction value k in FIG. 4 sets the correction value k NN in FIG. 5.

Fig. 6 zeigt ein Lernverfahren für das neuronale Netz 2 aus Fig. 1. Dazu wird der mittels des Walzkraftmodells 50 ermit­ telte Wert FH für die Walzkraft von einem (gemessenen) Wert FT für die tatsächliche Walzkraft abgezogen. Die Differenz wird einem Lernalgorithmus 55 zugeleitet, der die Parameter P des neuen Netzes 2 ermittelt. Dieses Verfahren ist entspre­ chend auf die neuronalen Netze 2, 3, 4, 5, 21, 22, 23 und 30 zu erweitern, wenn das Walzkraftmodell 50 entsprechend oben bezeichneten Ausführungen ergänzt bzw. ersetzt ist. Fig. 6 shows a learning method for the neural network 2 of Fig. 1. For this purpose the means of the rolling-force model 50 ermit Telte value F H deducted for the actual roll force for the rolling force by a (measured) value of F T. The difference is fed to a learning algorithm 55 , which determines the parameters P of the new network 2 . This method is accordingly to extend to the neural networks 2 , 3 , 4 , 5 , 21 , 22 , 23 and 30 when the rolling force model 50 is supplemented or replaced in accordance with the above-mentioned statements.

Zum Trainieren der neuronalen Netze 2, 3, 4, 5, 21, 22, 23 und 30 werden die Daten XM in XNN, Xα, Xβ, Xγ und FT herangezo­ gen, wobei diese Daten vorteilhafterweise von verschiedenen Walzwerken stammen.To train the neural networks 2 , 3 , 4 , 5 , 21 , 22 , 23 and 30 , the data X M in X NN , X α , X β , X γ and F T are used, these data advantageously from different rolling mills come.

Claims (12)

1. Verfahren zur Bestimmung der Walzkraft (FH) in einem Walz­ gerüst zum Walzen von metallischen Walzgut, wobei die Bestim­ mung der Walzkraft (FH) mittels zumindest eines neuronalen Netzes (2, 3, 4, 5, 21, 22, 23, 30) erfolgt, das mit, insbe­ sondere gemessenen, Werten (FT) für die Walzkraft (FH) unter unterschiedlichen Betriebsbedingungen im Sinne einer Verbes­ serung bei der Bestimmung der Walzkraft (FH) trainiert wird, dadurch gekennzeichnet, daß das neuronale Netz (2, 3, 4, 5, 21, 22, 23, 30) mit Wer­ ten (FT) für die Walzkraft und Werten (XM, XNN, Xα, Xβ, Xγ) für die unterschiedlichen Betriebsbedingungen für Walzgerüste un­ terschiedlicher Walzstraßen trainiert wird.1. A method for determining the rolling force (F H ) in a rolling stand for rolling metal rolling stock, the determination of the rolling force (F H ) by means of at least one neural network ( 2 , 3 , 4 , 5 , 21 , 22 , 23 , 30 ), which is trained with, in particular, measured values (F T ) for the rolling force (F H ) under different operating conditions in the sense of an improvement in the determination of the rolling force (F H ), characterized in that the neuronal Network ( 2 , 3 , 4 , 5 , 21 , 22 , 23 , 30 ) with values (F T ) for the rolling force and values (X M , X NN , X α , X β , X γ ) for the different operating conditions is trained for mill stands on different rolling mills. 2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß das neuronale Netz (2, 3, 4, 5, 21, 22, 23, 30) mit Wer­ ten (FT) für die Walzkraft und Werten (XM, XNN, Xα, Xβ, Xγ) für die unterschiedlichen Betriebsbedingungen für zumindest ein Walzgerüst aus einer Vorstraße und zumindest ein Walzgerüst einer Fertigstraße trainiert wird.2. The method according to claim 1, characterized in that the neural network ( 2 , 3 , 4 , 5 , 21 , 22 , 23 , 30 ) with values (F T ) for the rolling force and values (X M , X NN , X α , X β , X γ ) is trained for the different operating conditions for at least one roll stand from a roughing train and at least one roll stand from a finishing train. 3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, daß das neuronale Netz (2, 3, 4, 5, 21, 22, 23, 30) mit Wer­ ten (FT) für die Walzkraft und Werten (XM, XNN, Xα, Xβ, Xγ) für die unterschiedlichen Betriebsbedingungen für Walzgerüste von Walzstraßen unterschiedlicher Walzwerke trainiert wird.3. The method according to claim 1 or 2, characterized in that the neural network ( 2 , 3 , 4 , 5 , 21 , 22 , 23 , 30 ) with values (F T ) for the rolling force and values (X M , X NN , X α , X β , X γ ) is trained for the different operating conditions for roll stands of rolling mills of different rolling mills. 4. Verfahren nach Anspruch 3, dadurch gekennzeichnet, daß das neuronale Netz (2, 3, 4, 5, 21, 22, 23, 30) mit Wer­ ten (FT) für die Walzkraft und Werten (XM, XNN, Xα, Xβ, Xγ) für die unterschiedlichen Betriebsbedingungen für Walzgerüste von Walzstraßen zumindest fünf unterschiedlicher Walzwerke trai­ niert wird. 4. The method according to claim 3, characterized in that the neural network ( 2 , 3 , 4 , 5 , 21 , 22 , 23 , 30 ) with values (F T ) for the rolling force and values (X M , X NN , X α , X β , X γ ) is trained for the different operating conditions for roll stands of rolling mills at least five different rolling mills. 5. Verfahren nach Anspruch 1, 2, 3 oder 4, dadurch gekennzeichnet, daß mittels des neuronalen Netzes (2, 3, 4, 5, 21, 22, 23, 30) ein Korrekturwert (k, kα, kβ, kγ, k21, k22, k23, kNN) zur, insbesondere multiplikativen, Korrektur eines mittels eines analytischen Walzkraftmodells (1) ermittelten Wertes (FM) für die Walzkraft ermittelt wird.5. The method according to claim 1, 2, 3 or 4, characterized in that by means of the neural network ( 2 , 3 , 4 , 5 , 21 , 22 , 23 , 30 ) a correction value (k, k α , k β , k γ , k 21 , k 22 , k 23 , k NN ) for, in particular multiplicative, correction of a value (F M ) for the rolling force determined by means of an analytical rolling force model ( 1 ). 6. Verfahren nach Anspruch 4, dadurch gekennzeichnet, daß ein gerüstspezifischer Korrekturwert (kγ) zur Korrektur des mittels des analytischen Walzkraftmodells (1) ermittelten Wertes (FM) für die Walzkraft mittels eines als neuronales Netz ausgebildeten Gerüstnetzes (5) in Abhängigkeit von phy­ sikalischen Eigenschaften (Xγ) des zu walzenden metallischen Walzguts und des Walzgerüstes ermittelt wird.6. The method according to claim 4, characterized in that a stand-specific correction value (k γ ) for correcting the value determined by means of the analytical rolling force model ( 1 ) (F M ) for the rolling force by means of a stand network ( 5 ) designed as a neural network as a function of physical properties (X γ ) of the rolled metal to be rolled and the rolling stand is determined. 7. Verfahren nach Anspruch 4 oder 5, dadurch gekennzeichnet, daß ein chemiespezifischer Korrekturwert (kα) zur Korrektur des mittels des analytischen Walzkraftmodells (1) ermittelten Wertes (FM) für die Walzkraft mittels eines als neuronales Netz ausgebildeten Chemienetzes (3) in Abhängigkeit von che­ mischen Eigenschaften (Xα) des zu walzenden metallischen Walzguts ermittelt wird.7. The method according to claim 4 or 5, characterized in that a chemistry-specific correction value (k α ) for correcting the determined by means of the analytical rolling force model ( 1 ) value (F M ) for the rolling force by means of a chemical network ( 3 ) designed as a neural network Depending on chemical properties (X α ) of the rolled metal to be rolled is determined. 8. Verfahren nach Anspruch 4, 5 oder 6, dadurch gekennzeichnet, daß ein gefügespezifischer Korrekturwert (kβ) zur Korrektur des mittels des analytischen Walzkraftmodells (1) ermittelten Wertes (FM) für die Walzkraft mittels eines als neuronales Netz ausgebildeten Gefügenetzes (5) in Abhängigkeit von che­ mischen Eigenschaften des zu walzenden metallischen Walzguts und der Temperatur des zu walzenden metallischen Walzguts er­ mittelt wird. 8. The method according to claim 4, 5 or 6, characterized in that a structure-specific correction value (k β ) for correcting the value determined by means of the analytical rolling force model ( 1 ) (F M ) for the rolling force by means of a microstructure formed as a neural network ( 5 ) depending on the chemical properties of the rolled metal to be rolled and the temperature of the rolled metal to be rolled it is averaged. 9. Verfahren nach Anspruch 4, 5, 6 oder 7, dadurch gekennzeichnet, daß der Korrekturwert (kNN) mit einem Vertrauenswert (WNN) multipliziert wird, wobei der Vertrauenswert (WNN) ein stati­ stisches Maß für die Zuverlässigkeit des Korrekturwertes (kNN) bildet.9. The method according to claim 4, 5, 6 or 7, characterized in that the correction value (k NN ) is multiplied by a confidence value (W NN ), the confidence value (W NN ) being a statistical measure of the reliability of the correction value ( k NN ). 10. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß die Bestimmung der Walzkraft mittels zumindest zweier neuronaler Netze erfolgt, deren Ausgangswerte verknüpft wer­ den.10. The method according to any one of the preceding claims, characterized, that the determination of the rolling force by means of at least two neural networks, whose output values are linked the. 11. Verfahren zur Voreinstellung einer Walzstraße in Abhän­ gigkeit der beim Walzen zu erwartenden Walzkraft, wobei die zu erwartende Walzkraft (FH) gemäß einem Verfahren nach einem der vorhergehenden Ansprüche mittels zumindest eines neurona­ len Netzes (2, 3, 4, 5, 21, 22, 23, 30) bestimmt wird, das mit Werten für die Walzkraft (FT) unter unterschiedlichen Be­ triebsbedingungen im Sinne einer Verbesserung bei der Bestim­ mung der Walzkraft trainiert wird, dadurch gekennzeichnet, daß das neuronale Netz (2, 3, 4, 5, 21, 22, 23, 30) mit Wer­ ten (FT) für die Walzkraft und Werten (XM, XNN, Xα, Xβ, Xγ) für die unterschiedlichen Betriebsbedingungen für Walzgerüste un­ terschiedlicher Walzstraßen trainiert wird.11. A method for presetting a rolling train as a function of the rolling force to be expected during rolling, the rolling force to be expected (F H ) according to a method according to one of the preceding claims by means of at least one neuronal network ( 2 , 3 , 4 , 5 , 21 , 22 , 23 , 30 ) is determined, which is trained with values for the rolling force (F T ) under different operating conditions in the sense of an improvement in the determination of the rolling force, characterized in that the neural network ( 2 , 3 , 4 , 5 , 21 , 22 , 23 , 30 ) with values (F T ) for the rolling force and values (X M , X NN , X α , X β , X γ ) for the different operating conditions for rolling stands of different rolling mills . 12. Einrichtung zur Bestimmung der Walzkraft (FH) in einem Walzgerüst zum Walzen von metallischem Walzgut gemäß einem Verfahren nach einem der vorhergehenden Ansprüche, wobei die Einrichtung zur Bestimmung der Walzkraft zumindest ein mit Werten für die Walzkraft (FT) unter unterschiedlichen Be­ triebsbedingungen trainiertes neuronales Netz (2, 3, 4, 5, 21, 22, 23, 30) aufweist, dadurch gekennzeichnet, daß das neuronale Netz (2, 3, 4, 5, 21, 22, 23, 30) ein mit Werten für die Walzkraft (FT) und Werten (XM, XNN, Xα, Xβ, Xγ) für die unterschiedlichen Betriebsbedingungen für Walzgerüste unterschiedlicher Walzstraßen trainiertes neuronales Netz ist.12. A device for determining the rolling force (F H ) in a roll stand for rolling metallic rolling stock according to a method according to one of the preceding claims, wherein the device for determining the rolling force at least one with values for the rolling force (F T ) under different operating conditions trained neural network ( 2 , 3 , 4 , 5 , 21 , 22 , 23 , 30 ), characterized in that the neural network ( 2 , 3 , 4 , 5 , 21 , 22 , 23 , 30 ) with values for the rolling force (F T ) and values (X M , X NN , X α , X β , X γ ) for the different operating conditions for rolling stands of different rolling mills is a trained neural network.
DE1999113126 1999-03-23 1999-03-23 Process for determining the rolling force in a roll stand comprises using a neuronal network that is trained with values for the rolling force and values for the different operating conditions for roll stands of different rolling mills Ceased DE19913126A1 (en)

Priority Applications (6)

Application Number Priority Date Filing Date Title
DE1999113126 DE19913126A1 (en) 1999-03-23 1999-03-23 Process for determining the rolling force in a roll stand comprises using a neuronal network that is trained with values for the rolling force and values for the different operating conditions for roll stands of different rolling mills
EP00920409A EP1163062B1 (en) 1999-03-23 2000-03-22 Method and device for detecting the roll force in a rolling stand
PCT/DE2000/000887 WO2000056477A1 (en) 1999-03-23 2000-03-22 Method and device for detecting the roll force in a rolling stand
AT00920409T ATE227615T1 (en) 1999-03-23 2000-03-22 METHOD AND DEVICE FOR DETERMINING THE ROLLING FORCE IN A ROLLING STAND
DE50000754T DE50000754D1 (en) 1999-03-23 2000-03-22 METHOD AND DEVICE FOR DETERMINING THE ROLLING FORCE IN A ROLLING STAND
US09/962,370 US6722173B2 (en) 1999-03-23 2001-09-24 Method and device for determining the rolling force in a roll stand

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE1999113126 DE19913126A1 (en) 1999-03-23 1999-03-23 Process for determining the rolling force in a roll stand comprises using a neuronal network that is trained with values for the rolling force and values for the different operating conditions for roll stands of different rolling mills

Publications (1)

Publication Number Publication Date
DE19913126A1 true DE19913126A1 (en) 2000-09-28

Family

ID=7902116

Family Applications (1)

Application Number Title Priority Date Filing Date
DE1999113126 Ceased DE19913126A1 (en) 1999-03-23 1999-03-23 Process for determining the rolling force in a roll stand comprises using a neuronal network that is trained with values for the rolling force and values for the different operating conditions for roll stands of different rolling mills

Country Status (1)

Country Link
DE (1) DE19913126A1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10113538A1 (en) * 2001-03-20 2002-09-26 Bayerische Motoren Werke Ag Real-time regulation device with neuronal adaption for controlling IC engine, uses neuronal correction source with adaptable internal parameters

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19727821A1 (en) * 1997-06-30 1999-01-21 Siemens Ag Controlling and presetting roll stand or rolling section

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19727821A1 (en) * 1997-06-30 1999-01-21 Siemens Ag Controlling and presetting roll stand or rolling section

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10113538A1 (en) * 2001-03-20 2002-09-26 Bayerische Motoren Werke Ag Real-time regulation device with neuronal adaption for controlling IC engine, uses neuronal correction source with adaptable internal parameters
DE10113538B4 (en) * 2001-03-20 2012-03-01 Bayerische Motoren Werke Aktiengesellschaft Regulating device and control method

Similar Documents

Publication Publication Date Title
EP3096896B1 (en) Method for optimally producing metal steel and iron alloys in hot-rolled and thick plate factories using a microstructure simulator, monitor, and/or model
EP2712332B1 (en) Method for controlling a hot strip rolling line
DE102016116076B4 (en) Plant control device, rolling control device, plant control method and plant control program
DE4338607B4 (en) Method and device for managing a process in a controlled system
DE4416317B4 (en) Method and control device for controlling a material processing process
DE4131765A1 (en) CONTROL PARAMETER IMPROVEMENT METHOD FOR INDUSTRIAL PLANTS
EP1711283B1 (en) Control method and control device for a roll stand
DE60001589T2 (en) Process for tension / pressure control in a multi-column hot rolling mill and corresponding control system
DE1602126A1 (en) Process for the continuous control of the correction device for the workpiece profile during the rolling process
EP1163062B1 (en) Method and device for detecting the roll force in a rolling stand
EP3122483B1 (en) Method for aligning a straightening roller of a straightening roller system
DE19642918A1 (en) Output parameter calculation system for multi-stage deformation process
EP2476031B1 (en) Method for monitoring a roller in a system for rolling metal
DE102014201611A1 (en) Bidirectional Tailored Rolled Board
DE19913126A1 (en) Process for determining the rolling force in a roll stand comprises using a neuronal network that is trained with values for the rolling force and values for the different operating conditions for roll stands of different rolling mills
DE19930124A1 (en) Process for determining the rolling force in a roll stand comprises using a neuronal network that is trained with values for the rolling force and values for the different operating conditions for roll stands of different rolling mills
AT410904B (en) METHOD AND DEVICE FOR CALCULATING THE ROLLER CONTOUR
DE19642919C2 (en) System for calculating the final thickness profile of a rolled strip
DE19980248B4 (en) Method and device for determining an intermediate profile of a metal strip
EP3419771B1 (en) Complete compensation of roll eccentricities
WO1997049506A1 (en) Process and device for reducing the edge drop of a laminated strip
DE19642921C2 (en) System for determining the thickness profile of a rolled strip
EP1980818B1 (en) Method for determining camber and/or toe and corresponding device
EP4124398B1 (en) Method for determining mechanical properties of a product to be rolled using a hybrid model
DE19727821A1 (en) Controlling and presetting roll stand or rolling section

Legal Events

Date Code Title Description
OP8 Request for examination as to paragraph 44 patent law
8131 Rejection