DE4338607A1 - Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System - Google Patents
Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten SystemInfo
- Publication number
- DE4338607A1 DE4338607A1 DE4338607A DE4338607A DE4338607A1 DE 4338607 A1 DE4338607 A1 DE 4338607A1 DE 4338607 A DE4338607 A DE 4338607A DE 4338607 A DE4338607 A DE 4338607A DE 4338607 A1 DE4338607 A1 DE 4338607A1
- Authority
- DE
- Germany
- Prior art keywords
- model
- network
- neural network
- parameters
- measured
- 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.)
- Granted
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
- B21B37/74—Temperature control, e.g. by cooling or heating the rolls or the product
-
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- 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
Description
Die Erfindung betrifft ein Verfahren zur Führung eines Pro
zesses in einem geregelten System, wobei zu Beginn eines je
den Prozeßablaufes mittels eines in einer Recheneinrichtung
implementierten mathematischen Modells des Prozesses in Ab
hängigkeit von dem Modell zugeführten Eingangsgrößen zumin
dest ein ausgewählter Prozeßparameter vorausberechnet wird,
mit dem eine Voreinstellung des Systems erfolgt, wobei wäh
rend des Prozeßablaufes die Eingangsgrößen und der Prozeß
parameter gemessen werden und wobei nach dem Prozeßablauf
aufgrund des gemessenen Prozeßparameters und der dem Modell
zugeführten gemessenen Eingangsgrößen eine adaptive Verbes
serung der Vorausberechnung des Prozeßparameters erfolgt. Die
Erfindung betrifft ferner eine entsprechende Vorrichtung.
Aus der DE-A-40 40 360 ist ein derartiges Verfahren bzw. eine
derartige Vorrichtung zur Führung eines Prozesses in einem
geregelten System für eine verfahrenstechnische Anlage
bekannt, die quasikontinuierlich arbeitet. Hierzu zählen ty
pischerweise Walzstraßen, wobei jeder Durchlauf des Walzgutes
einen Prozeßzyklus, im folgenden Prozeßablauf genannt,
bildet. Wie alle realen technischen Prozesse sind diese Pro
zeßabläufe zeitvariant. Bei der Führung von solchen Prozessen
ist es erforderlich, das den Prozeß regelnde System vor jedem
Prozeßablauf voreinzustellen, d. h. die Prozeßführung muß im
Unterschied zur klassischen Regelung dem tatsächlichen
Prozeßgeschehen stets zeitlich voraus sein. Ursache hierfür
ist, daß in industriellen Prozessen vielfach Regelgrößen nur
indirekt und nicht unmittelbar an der Stelle der
Prozeßbeeinflussung gemessen werden können, so daß eine un
mittelbare Regelung nicht möglich ist. Die Voreinstellung des
den Prozeß regelnden Systems erfolgt in bekannter Weise
derart, daß gestützt auf einen Pool relevanter mathematischer
Modelle des Prozesses in Abhängigkeit von vorgegebenen
und/oder zunächst abgeschätzten Eingangsgrößen ausgewählte
Prozeßparameter vorausberechnet werden, mit denen dann eine
Voreinstellung des Systems erfolgt. Da mathematische Modelle
den zu führenden Prozeß immer nur näherungsweise beschreiben
können, ist eine adaptive Anpassung der Modelle an das tat
sächliche Prozeßgeschehen erforderlich. Hierzu werden während
jedes Prozeßablaufs die Prozeßparameter und die Ein
gangsgrößen unmittelbar oder mittelbar durch Aufbereitung
anderer Meßgrößen gemessen. Nach Abschluß des Prozeßablaufs
werden im Rahmen einer Nachberechnung die mit den mathe
matischen Modellen durchgeführten Vorausberechnungen auf der
Grundlage der nunmehr gemessenen Eingangsgrößen wiederholt,
wobei in Abhängigkeit von der Abweichung zwischen den so be
rechneten Prozeßparametern und den gemessenen Prozeßparame
tern eine adaptive Änderung von veränderbaren Modellparame
tern im Sinne einer Verringerung der ermittelten Abweichung
erfolgt. Die so adaptierten Modellparameter stehen für die
Vorausberechnung der Prozeßparameter zu Beginn des nächsten
Prozeßablaufs zur Verfügung.
Die Güte der Vorausberechnung der Prozeßparameter und damit
der Voreinstellung des Systems hängt trotz der Adaption des
Modells des Prozesses vor allem von der Güte der Modellan
nahmen ab, die in der Regel nur schwer zu erstellen sind und
zudem stark fehlerbehaftet sein können. Außerdem ist die
ständige, d. h. on-line Adaption der Modellparameter im
Echtzeitbetrieb an den Modellverlauf sehr rechenaufwendig.
Der Erfindung liegt die Aufgabe zugrunde, die Vorausberech
nung der Prozeßparameter zu verbessern.
Gemäß der Erfindung wird die Aufgabe dadurch gelöst, daß bei
dem Verfahren der eingangs angegebenen Art zur Berechnung des
Prozeßparameters das Rechenergebnis des Modells mit der
Netzwerkantwort eines neuronalen Netzwerkes verknüpft wird,
dem eingangsseitig zumindest ein Teil der Eingangsgrößen
zugeführt wird, und daß nach dem Prozeßablauf die Abweichung
zwischen dem berechneten Prozeßparameter und dem gemessenen
Prozeßparameter zur Adaption von veränderbaren Netzwerkpara
metern des neuronalen Netzwerkes im Sinne einer Verringerung
der Abweichung herangezogen wird. Entsprechend weist die zu
gehörige Vorrichtung ein neuronales Netzwerk mit veränder
baren Netzwerkparametern zur adaptiven Verbesserung des von
dem Modell gelieferten Rechenergebnisses auf, wobei das neu
ronale Netz eingangsseitig mit zumindest einem Teil der ge
messenen Eingangsgrößen beaufschlagt ist und eine Verknüp
fungseinrichtung zur Verknüpfung des von dem Modell gelie
ferten Rechenergebnisses mit der Netzwerkantwort des neuro
nalen Netzwerkes vorhanden ist. Dabei werden unter den für
die Modellrechnung herangezogenen Eingangsgrößen diejenigen
dem neuronalen Netzwerk zugeführt, deren Einfluß auf den
vorauszuberechnenden Prozeßparameter von dem Modell nicht
hinreichend genau beschrieben wird.
Der zu führende Prozeß wird also nach wie vor näherungsweise
durch das mathematische Modell beschrieben, wobei jedoch der
verbleibende Modellfehler nicht durch adaptive Anpassung des
Modells an das tatsächliche Prozeßgeschehen, sondern durch
das parallel zu dem Modell geschaltete neuronale Netzwerk
korrigiert wird. Das mathematische Modell liefert also einen
Näherungswert für den vorauszuberechnenden Prozeßparameter
und das neuronale Netzwerk einen Korrekturwert, wobei die
Verknüpfung des Näherungswertes und des Korrekturwertes zu
einer verbesserten Voraussage des Prozeßparameters führt.
Gegenüber der bekannten ausschließlichen Verwendung eines
mathematischen Modells ergibt sich der Vorteil, daß das
Design und das Training des neuronalen Netzwerkes weniger
aufwendig ist, als die Qualifizierung des mathematischen
Modells. Gegenüber der anderen denkbaren Möglichkeit, das
mathematische Modell vollständig durch ein neuronales Netz
werk zu ersetzen, ergibt sich der Vorteil, daß die bisherigen
Ergebnisse und Erfahrungen zur mathematischen Modellierung
von Prozessen weiterhin voll zur Geltung kommen. Dem
entsprechend ist auch das in Kombination mit dem mathe
matischen Modell verwendete neuronale Netzwerk einfacher, als
ein entsprechendes globales neuronales Netzwerk, woraus
robustere Lösungen für die Prozeßführung resultieren.
In diesem Zusammenhang ist im Rahmen der Erfindung vorgese
hen, daß die Adaption der Netzwerkparameter on-line erfolgt,
indem nach jedem Prozeßablauf die gemessenen Eingangsgrößen
und der gemessene Prozeßparameter zur Adaption der Netzwerk
parameter herangezogen werden. Hierdurch wird eine ständige
Anpassung der Korrektur des von dem Modell gelieferten Re
chenergebnisses an den realen, d. h. zeitvarianten, Prozeß
erreicht. Dabei ist die on-line Adaption der Netzwerkpara
meter des neuronalen Netzwerkes rechentechnisch weitaus we
niger aufwendig, als dies bei einer on-line Adaption der Mo
dellparameter des mathematischen Modells der Fall wäre.
Zusätzlich zu der on-line Adaption des neuronalen Netzwerkes
ist auch eine Adaption des mathematischen Modells an den
Prozeß möglich, indem zumindest nach mehreren Prozeßabläufen
zusätzlich eine adaptive Veränderung von veränderbaren Mo
dellparametern des mathematischen Modells in Abhängigkeit von
der Abweichung zwischen den von dem Modell gelieferten Re
chenergebnissen und den gemessenen Prozeßparametern erfolgt.
Hierbei erfolgt die Adaption des Modells vorzugsweise off
line aufgrund von über eine Vielzahl von Prozeßabläufen ge
sammelten Meßwerten der Eingangsgrößen und Prozeßparameter.
Für die Verknüpfung des Rechenergebnisses des Modells mit der
Netzwerkantwort des neuronalen Netzwerkes sind viele Varian
ten denkbar, wobei sich insbesondere eine additive Verknüp
fung, multiplikative Verknüpfung und duale Verknüpfung als
vorteilhaft herausgestellt haben.
Das erfindungsgemäße Verfahren findet insbesondere bei indu
striellen verfahrenstechnischen Prozessen Anwendung, bei de
nen der Prozeß näherungsweise durch ein Modell beschrieben
werden kann. In diesem Zusammenhang werden mit dem erfin
dungsgemäßen Verfahren vorzugsweise walztechnische Prozesse
geführt, wobei das erfindungsgemäße Verfahren, insbesondere
zur Vorausberechnung und Voreinstellung der Walzkraft in den
Walzgerüsten einer Walzstraße und/oder zur Vorausberechnung
und Voreinstellung des Temperaturverlaufes im Walzgut dient.
Das erfindungsgemäße Verfahren arbeitet bei der Führung von
quasikontinuierlichen Prozessen wie ein Regelkreis, der im
natürlichen Zyklus der Prozeßabläufe getaktet wird. In ana
loger Weise ist natürlich auch eine Prozeßführung konti
nuierlicher Prozesse durch Einführung von fiktiven Prozeß
zyklen möglich. Ebenso kann auch der natürliche Prozeßzyklus
quasikontinuierlicher Prozesse durch eine zweckmäßige zeit
liche Segmentierung in noch kürzere fiktive Prozeßzyklen un
terteilt werden.
Im folgenden wird die Erfindung unter Bezugnahme auf die
Figuren der Zeichnung näher erläutert. Dabei zeigen im
einzelnen:
Fig. 1 eine bekannte Anordnung zur Führung eines
technischen Prozesses, in der ein mathema
tisches Modell des Prozesses zur Vorein
stellung eines den Prozeß regelnden Systems
implementiert ist,
Fig. 2 ein Beispiel für die erfindungsgemäße Kombi
nation des mathematischen Modells mit einem
neuronalen Netzwerk,
Fig. 3 ein Beispiel für eine additive Verknüpfung
der Netzwerkantwort mit dem Rechenergebnis
des Modells,
Fig. 4 ein Beispiel für eine multiplikative Verknüp
fung der Netzwerkantwort mit dem Rechenergeb
nis des Modells,
Fig. 5 ein Beispiel für eine duale Verknüpfung der
Netzwerkantwort mit dem Rechenergebnis des
Modells,
Fig. 6 bis 9 unterschiedliche Beispiele für neuronale
Netzwerke, und
Fig. 10 ein der Erläuterung dienendes Beispiel einer
Walzstraße.
Fig. 1 zeigt eine herkömmliche Anordnung zur Führung eines
technischen Prozesses, beispielsweise eines Walzprozesses,
der hier durch einen Funktionsblock 1 symbolisiert ist. In
einer Recheneinrichtung 2 ist ein mathematisches Modell M des
Prozesses einschließlich zugehöriger Modellparameter MP im
plementiert. Vor Beginn eines jeden Prozeßablaufs holt sich
ein Vorausberechnungseinrichtung 3 aus der Recheneinrichtung
2 die jeweils benötigten Modellgleichungen des mathematischen
Modells M mit den aktuellen Modellparametern MP. In der
Vorausberechnungseinrichtung 3 werden dann aufgrund der Mo
dellgleichungen und vorgegebenen bzw. geschätzten Eingangs
größen xv = (x1v, . . . , xnv), wie z. B. Sollwerten, ausgewählte
Prozeßparameter yv = (y1v, . . . , ynv) vorausberechnet. Mit
diesen vorausberechneten Prozeßparametern yv wird ein System
4 zur Regelung des Prozesses 1 voreingestellt. Während des
anschließenden Prozeßablaufs wird, wie durch den Pfeil 5 ver
deutlicht ist, der Prozeß 1 von dem voreingestellten System 4
gesteuert, während gleichzeitig, wie Pfeil 6 zeigt, alle
wesentlichen Prozeßgrößen gemessen werden. Auf der Grundlage
der gemessenen Prozeßgrößen erfolgt durch statistische Aufbe
reitung der gemessenen Größen oder durch Berechnung weiterer,
nicht unmittelbar meßbarer Größen eine wesentlich genauere
Bestimmung der Eingangsgrößen x und Prozeßparameter y, als
dies noch vor dem Prozeßablauf der Fall war. Nach dem
Prozeßablauf werden die derart gemessenen Eingangsgrößen x
und Prozeßparameter y einer Nachberechnungseinrichtung 7
zugeführt, die ihrerseits auf das Modell M mit den aktuellen
Modellparametern MP in der Recheneinrichtung 2 zugreift und
die Vorausberechnung der Prozeßparameter nunmehr auf der Ba
sis der gemessenen Eingangsgrößen x wiederholt. Die so er
haltenen Rechenergebnisse für die Prozeßparameter werden mit
den gemessenen Prozeßparametern y verglichen, wobei aufgrund
von ermittelten Abweichungen eine adaptive Veränderung der
Modellparameter MP im Sinne einer Verringerung dieser Ab
weichungen erfolgt. Die adaptierten Modellparameter MP werden
die alten Werte überschreibend in der Recheneinrichtung 2
abgelegt und für die nächste Vorausberechnung bereit gehal
ten.
Fig. 2 zeigt ein Ausführungsbeispiel für die erfindungsgemäße
Kombination des mathematischen Modells in der Rechenein
richtung 2 mit einem neuronalen Netzwerk 8 mit veränderbaren
Netzwerkparametern NP. Bei der Vorausberechnung der Prozeß
parameter yv greift die Vorausberechnungseinrichtung 3 nicht
nur auf das Modell in der Einheit 2 zu, sondern führt außer
dem die abgeschätzten Eingangsgrößen xv dem neuronalen Netz
werk 8 zu. Dieses erzeugt eine Netzwerkantwort yvN, die in
der Vorausberechnungseinrichtung 3 mit dem von dem Modell M
gelieferten Rechenergebnis zur Bildung des jeweils voraus zu
berechnenden Prozeßparameters yv verknüpft wird. Mit den
vorausberechneten Prozeßparametern erfolgt in der Weise, wie
dies in Verbindung mit Fig. 1 bereits beschrieben worden ist,
eine Voreinstellung des Systems 4 zur Regelung des Prozesses
1. Nach Prozeßablauf werden die gemessenen Eingangsgrößen x
sowohl in der Nachberechnungseinrichtung 7 dem mathematischen
Modell M zugeführt als auch dem neuronalem Netzwerk 8 auf
gegeben. Anschließend werden in der Einrichtung 7 das so
erhaltene Rechenergebnis des Modells M und die Netzwerk
antwort yN miteinander verknüpft und das Ergebnis der Ver
knüpfung mit den gemessenen Prozeßparametern y verglichen. In
Abhängigkeit von der dabei ermittelten Abweichung werden die
Netzwerkparameter NP des neuronalen Netzwerkes 8 im Sinne
einer Verringerung dieser Abweichung adaptiv verändert. Im
Unterschied zu der nach jedem Prozeßablauf "on-line" erfol
genden Adaption des neuronalen Netzwerks 8 ist eine "on-line"
Adaption des Modells M nicht vorgesehen. Es ist jedoch mög
lich, die Meßergebnisse aus mehreren Prozeßabläufen zu sam
meln und zu gegebenen Zeitpunkten eine "off-line" Adaption
des Modells M durchzuführen, wie dies durch die gestrichelt
dargestellte Verbindung zwischen den Einrichtungen 2 und 7
zur Übergabe der aktualisierten Modellparameter MP angedeutet
ist.
Die Fig. 3, 4, 5 zeigen unterschiedliche Bespiele für die Ver
knüpfung des von dem Modell M aufgrund der ihm zugeführten
Eingangsgrößen xM erzeugten Rechenergebnisses yM mit der
Netzwerkantwort yN des mit den Eingangsgrößen xN beauf
schlagten neuronalen Netzwerkes 8. Zu den Eingangsgrößen xN
gehören solche, deren Einfluß auf die vorauszuberechnenden
Prozeßparameter yv von dem mathematischen Modell nicht exakt
beschrieben werden können; in vielen Fällen ist xM = xN. Im
einzelnen zeigen Fig. 3 eine additive Verknüpfung yv = yM +
yN, Fig. 4 eine multiplikative Verknüpfung yv = vM · yN und
Fig. 4 eine duale Verknüpfung yv = yM · (1+yN). Die Voraus
berechnung der Prozeßparameter yv erfolgt also näherungsweise
durch das Modell M, wobei der verbleibende Modellfehler durch
das neuronale Netzwerk 8 korrigiert wird. Die Adaption der
Vorausberechnung der Prozeßparameter yv an das reale Prozeß
geschehen erfolgt durch adaptive Veränderung der Netzwerk
parameter des neuronalen Netzwerkes 8.
In den Fig. 6-9 sind unterschiedliche Beispiele für neuronale
Netzwerke dargestellt, deren Verwendung in Kombination mit
mathematischen Modellen zur Prozeßbeschreibung im folgenden
näher erläutert wird.
Ein Beispiel für die Regelung technischer Prozesse ist die
Prozeßautomatisierung in einem Walzwerk. Dabei ist die ei
gentliche Regelgröße, nämlich die Dicke des aus der Walz
straße austretenden Walzgutes im Walzspalt nicht meßbar, son
dern nur mittelbar als Funktion der Stellgröße, hier der
Anstellung in dem jeweiligen Walzgerüst, und einem oder
mehreren Prozeßparametern, z. B. der Walzkraft, erfaßbar.
Während des Prozeßablaufs ist die Walzkraft meßbar, so daß
der aktuelle Wert der Regelgröße jederzeit berechenbar und
somit der Regelung zur Erzeugung der Stellgröße zuführbar
ist. In der Anfangsphase eines jeden Prozeßablaufs, also zu
Beginn jedes einzelnen Walzvorganges, muß jedoch die Regelung
zunächst einschwingen, was zu fehlerhaften Dicken im Anfangs
bereich des Walzgutes führt. Um die Einschwingphase der Re
gelung und damit den Anfangsbereich des Walzgutes mit feh
lerhafter Dicke zu minimieren, erfolgt vor dem Einlauf des
Walzgutes in die Walzstraße eine Voreinstellung der Stell
größen in Abhängigkeit von einem Sollwert für die Regelgröße
(Walzgutdicke) und einem vorausberechneten Wert für den Pro
zeßparameter (Walzkraft). Dabei erfolgt die Vorausberechnung
der Walzkraft unter zu Hilfenahme eines mathematischen Mo
dells, mit dem die Abhängigkeit zwischen der Walzkraft (Pro
zeßparameter y) und diese beeinflussenden Eingangsgrößen x
wie der relativen Dickenabnahme En des Walzgutes im Walz
gerüst n, die Eintrittstemperatur Tn des Walzgutes der Zug Zn
im Walzgut vor dem Gerüst n, der Zug Zn+1 im Walzgut hinter
dem Gerüst n, der Walzenradius RN, die Breite Bn und die
Dicke Dn des Walzgutes vor dem Gerüst n nachgebildet wird.
Fig. 6 zeigt den Aufbau eines neuronalen Netzwerkes, dem
eingangsseitig die genannten Eingangsgrößen xN = (En, . . . , Dn)
zugeführt werden und dessen ausgangsseitige Netzwerkantwort
yN entsprechend den Darstellungen in den Fig. 3 und 5 additiv
oder dual mit dem von dem mathematischen Modell M gelieferten
Rechenergebnis yM verknüpft wird. Das in Fig. 6 gezeigte
neuronale Netzwerk weist eine Eingabeschicht mit jeweils
einem Eingabeelement 9 für jede der Eingangsgrößen En bis Dn
auf. Der Eingabeschicht ist eine versteckte Schicht bestehend
aus i Elementen 10 mit jeweils gaußfunktionsförmigem Antwort
verhalten nachgeordnet. Die Antworten der einzelnen Elemente
10 werden in einem Ausgangselement 11 mit jeweils einem Ge
wichtsfaktor ci multipliziert und zu der Netzwerkantwort yN
aufsummiert. Das Antwortverhalten jedes einzelnen Elements 10
der versteckten Schicht beschreibt eine entsprechend der An
zahl der Eingangsgrößen mehrdimensionale Gausglocke mit einem
veränderlichen Zentrum tÿ einer veränderlichen Breite sj und
einer durch den jeweiligen Gewichtsfaktor ci veränderbaren
Amplitude. Mit diesen Netzwerkparametern erfolgt die adaptive
Anpassung des neuronalen Netzwerkes an das tatsächliche Pro
zeßgeschehen.
Das in Fig. 7 gezeigte neuronale Netzwerk ist für eine mul
tiplikative Verknüpfung der Netzwerkantwort yN mit dem Er
gebnis der Modellrechnung yM geeignet und unterscheidet sich
von dem in Fig. 6 gezeigtem Netzwerk durch eine zweite ver
steckte Schicht bestehend aus zwei Summierelementen 12 und
13, von denen das mit 12 bezeichnete Summierelement die Ant
worten der einzelnen Elemente 10 der ersten versteckten
Schicht ungewichtet aufsummiert, während das mit 13 bezeich
nete Summierelement jede dieser Antworten mit dem jeweiligen
Gewichtsfaktor ci auf summiert. Der zweiten versteckten
Schicht ist ein Ausgangselement 14 nachgeordnet, daß aus den
Verhältnis der von den Summierelementen 12 und 13 gelieferten
Antworten die Netzwerkantwort yN bildet.
Die Fig. 8 und 9 zeigen zwei Beispiele für neuronale Netz
werke, die in Kombination mit mathematischen Modellen zur Mo
dellierung des Temperaturverlaufs im Walzgut beim Durchlauf
durch die Walzstraße verwendet werden können und deren Netz
werkeantwort yN additiv mit dem Rechenergebnis yM des Modells
verknüpft wird. Das zugehörige Temperaturmodell besteht aus
mehreren Teilmodellen, wie z. B. für die Temperaturentwicklung
innerhalb eines Walzgerüsts und die Abkühlung des Walzgutes
außerhalb der Walzgerüste. Zur näheren Erläuterung zeigt Fig.
10 einen Ausschnitt aus einer Walzstraße mit einer Vorstraße
15, einer Schere 16, einem Zunderwäscher 17 und einer Fer
tigstraße 18, deren einzelne Walzgerüste mit G₁, G₂, . . . , Gn
bezeichnet sind.
Für Straßenbereiche zwischen zwei zuverlässigen Temperatur
meßstellen, hier beispielsweise zwischen dem Meßort für die
Vorbandtemperatur Tv und dem Meßort für die Bandtemperatur T₂
nach dem zweiten Walzgerüst G₂, soll der Temperaturkoeffi
zient durch das mathematische Temperaturmodell ermittelt wer
den, wobei das verwendete neuronale Netzwerk der Fehlerkom
pensation dient. Hierzu werden dem neuronalen Netzwerk vor
zugsweise folgende Eingangsgrößen xN zugeführt: Summe der Le
gierungsanteile L im Walzgut, Bandbreite B, Vorbanddicke Dv,
Banddicke D₂ nach dem zweiten Gerüst G₂, Vorbandtemperatur
Tv, Bandtemperatur T₂ nach dem zweiten Gerüst G₂, Laufzeit tA
vom Meßort der Vorbandtemperatur Tv bis zur Schere 16,
Laufzeit tB vom Zunderwäscher 17 bis zum ersten Gerüst G₁,
Kühlintensität IA des Zunderwäschers 17, Intensität der Preß
wasser-Bandkühlung IB zwischen den beiden Gerüsten G₁ und G₂,
Intensität IC der Walzenkühlung und die Walzgeschwindigkeiten
v₁ und v₂ sowie die Walzkräfte F₁ und F₂ in den Walzgerüsten
G₁ und G₂.
Das in Fig. 8 gezeigte neuronale Netzwerk weist eine Ein
gangsschicht auf, die für jede der genannten Eingangsgrößen
xN = (L, B, Dv, . . . , F₁, F₂) jeweils ein Eingangselement 19
aufweist. Einem zusätzlichen Eingangselement 20 wird ein kon
stanter Wert, z. B. "1" zugeführt. Die Eingangsgrößen xN und
der konstante Wert werden jeweils mit individuellen Gewichts
faktoren cj multipliziert und in einem Ausgangselement 21 zu
der Netzwerkantwort yN aufsummiert.
Das in Fig. 9 gezeigte neuronale Netzwerk unterscheidet sich
von dem in Fig. 8 durch eine Zwischenschicht, bestehend aus
i (z. B. i = 20) Elementen 22, die jeweils ein Antwort
verhalten mit einem sigmoiden Verlauf zwischen -1,0 und +1,0
aufweisen. Die Eingangsgrößen xN werden jeweils mit indivi
duellen Gewichtsfaktoren wÿ multipliziert und anschließend
aufsummiert, bevor sie den einzelnen Elementen 22 zugeführt
werden. Die versteckte Schicht weist ein zusätzliches Element
23 auf, das als Eingabeelement für einen konstanten Wert,
z. B. "1" dient.
Claims (10)
1. Verfahren zur Führung eines Prozesses in einem gere
gelten System (4), wobei zu Beginn eines jeden Prozeßab
laufs mittels eines in einer Recheneinrichtung (2) imple
mentierten mathematischen Modells (M) des Prozesses in Ab
hängigkeit von dem Modell (M) zugeführten Eingangsgrößen
(xM) zumindest ein ausgewählter Prozeßparameter (yv) vor
ausberechnet wird, mit dem eine Voreinstellung des Systems
(4) erfolgt, wobei während des Prozeßablaufs die Eingangs
größen (x) und der Prozeßparameter (y) gemessen werden und
wobei nach dem Prozeßablauf aufgrund des gemessenen Prozeß
parameters (y) und der dem Modell (M) zugeführten gemesse
nen Eingangsgrößen (x) eine adaptive Verbesserung der Vor
ausberechnung des Prozeßparameters (yv) erfolgt,
dadurch gekennzeichnet,
daß zur Berechnung des Prozeßparameters (yv) das Rechener
gebnis (yM) des Modells (M) mit der Netzwerkantwort (yN)
eines neuronalen Netzwerkes (8) verknüpft wird, dem ein
gangsseitig zumindest ein Teil der Eingangsgrößen (xN) zu
geführt wird, und daß nach dem Prozeßablauf die Abweichung
zwischen dem berechneten Prozeßparameter (yv) und dem ge
messenen Prozeßparameter (y) zur Adaption von veränderbaren
Netzwerkparametern (c, w) des neuronalen Netzwerkes (8) im
Sinne einer Verringerung der Abweichung herangezogen wird.
2. Verfahren nach Anspruch 1,
dadurch gekennzeichnet,
daß die Adaption der Netzwerkparameter (c, w) on-line er
folgt, indem nach jedem Prozeßablauf die gemessenen Ein
gangsgrößen (x) und der gemessene Prozeßparameter (y) zur
Adaption der Netzwerkparameter (c, w) herangezogen werden.
3. Verfahren nach Anspruch 1 oder 2,
dadurch gekennzeichnet,
daß zumindest nach mehreren Prozeßabläufen zusätzlich eine
adaptive Veränderung von veränderbaren Modellparametern (MP)
des mathematischen Modells (M) in Abhängigkeit von der Ab
weichung zwischen den von dem Modell (M) gelieferten Re
chenergebnissen und den gemessenen Prozeßparametern (y) er
folgt.
4. Verfahren nach einem der Ansprüche 1 bis 3,
gekennzeichnet durch eine additive Ver
knüpfung des Rechenergebnisses (yM) des Modells (M) und der
Netzwerkantwort (yN) des neuronalen Netzes (8).
5. Verfahren nach einem der Ansprüche 1 bis 3,
gekennzeichnet durch eine multiplika
tive Verknüpfung des Rechenergebnisses (yM) des Modells (M)
und der Netzwerkantwort (yN) des neuronalen Netzes (8).
6. Verfahren nach einem der Ansprüche 1 bis 3,
gekennzeichnet durch eine duale Ver
knüpfung des Rechenergebnisses (yM) des Modells (M) und der
Netzwerkantwort (yN) des neuronalen Netzes (8).
7. Verfahren nach einem der vorangehenden Ansprüche,
gekennzeichnet durch die Führung von
walztechnischen Prozessen.
8. Verfahren nach Anspruch 7,
gekennzeichnet durch die Vorausberech
nung und Voreinstellung der Walzkraft in den Walzgerüsten
einer Walzstraße.
9. Verfahren nach Anspruch 7,
gekennzeichnet durch die Vorausberech
nung und Voreinstellung des Temperaturverlaufes im Walzgut.
10. Vorrichtung zur Führung eines Prozesses in einem gere
gelten System (4) mit einer Einrichtung (3) zur Vorein
stellung des Systems (4) in Abhängigkeit von zumindest ei
nem vorausberechneten Prozeßparameter (yv) mit einer Re
cheneinrichtung (2), die ein mathematisches Modell (M) des
Prozesses zur Vorausberechnung des Prozeßparameters (yv) in
Abhängigkeit von Eingangsgrößen (x) enthält und mit Meß
einrichtungen (6) zur Messung der Eingangsgrößen (x) und
des Prozeßparameters (y) während des Prozeßablaufs,
gekennzeichnet durch ein neuronales
Netzwerk (8) mit veränderbaren Netzwerkparametern (c, w)
zur adaptiven Verbesserung des von dem Modell (M) geliefer
ten Rechenergebnisses (yM), wobei das neuronale Netzwerk
(8) eingangsseitig mit zumindest einem Teil der gemessenen
Eingangsgrößen (xN) beaufschlagt ist und eine Verknüpfungs
einrichtung zur Verknüpfung des von dem Modell (M) gelie
ferten Rechenergebnisses (yM) mit der Netzwerkantwort (yN)
des neuronalen Netzwerkes (8) vorhanden ist.
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE4338607A DE4338607B4 (de) | 1993-11-11 | 1993-11-11 | Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System |
JP30039694A JP3330758B2 (ja) | 1993-11-11 | 1994-11-09 | 調節されるシステムにおけるプロセスの制御方法および装置 |
US08/337,660 US5600758A (en) | 1993-11-11 | 1994-11-10 | Method and device for conducting a process in a controlled system with at least one precomputed process parameter. |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE4338607A DE4338607B4 (de) | 1993-11-11 | 1993-11-11 | Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System |
Publications (2)
Publication Number | Publication Date |
---|---|
DE4338607A1 true DE4338607A1 (de) | 1995-06-14 |
DE4338607B4 DE4338607B4 (de) | 2005-10-06 |
Family
ID=6502404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE4338607A Expired - Fee Related DE4338607B4 (de) | 1993-11-11 | 1993-11-11 | Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System |
Country Status (3)
Country | Link |
---|---|
US (1) | US5600758A (de) |
JP (1) | JP3330758B2 (de) |
DE (1) | DE4338607B4 (de) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19644131A1 (de) * | 1996-10-23 | 1998-04-30 | Siemens Ag | Verfahren zum Optimieren der Bandbreitenverteilung an den Enden eines eine Walzstraße in einem oder mehreren Stichen durchlaufenden Bandes |
EP0875808A2 (de) * | 1997-04-30 | 1998-11-04 | Schenck Panel Production Systems GmbH | Verfahren und System zur Generierung eines Prozessmodells eines technischen Prozesses |
WO1999005577A1 (de) * | 1997-07-24 | 1999-02-04 | Siemens Aktiengesellschaft | Verfahren zur steuerung und voreinstellung eines stahlwerkes oder von teilen eines stahlwerkes |
WO2000056477A1 (de) * | 1999-03-23 | 2000-09-28 | Siemens Aktiengesellschaft | Verfahren und einrichtung zur bestimmung der walzkraft in einem walzgerüst |
DE19914910A1 (de) * | 1999-04-01 | 2000-10-26 | Bayerische Motoren Werke Ag | Hybridmodell zur Modellierung eines Gesamtprozesses in einem Fahrzeug |
DE10113538A1 (de) * | 2001-03-20 | 2002-09-26 | Bayerische Motoren Werke Ag | Regelvorrichtung und Regelverfahren |
DE19980248B4 (de) * | 1998-02-18 | 2008-02-07 | Siemens Ag | Verfahren und Einrichtung zur Bestimmung eines Zwischenprofils eines Metallbandes |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6745169B1 (en) * | 1995-07-27 | 2004-06-01 | Siemens Aktiengesellschaft | Learning process for a neural network |
DE19618712B4 (de) * | 1996-05-09 | 2005-07-07 | Siemens Ag | Regelverfahren für ein Walzgerüst zum Walzen eines Bandes |
EP0906594B1 (de) * | 1996-06-21 | 2001-09-12 | Siemens Aktiengesellschaft | Verfahren und system zur inbetriebsetzung von industrieanlagen, insbesondere der grundstoffindustrie |
DE19642918C2 (de) * | 1996-10-17 | 2003-04-24 | Siemens Ag | System zur Berechnung des Enddickenprofils eines Walzbandes |
US5859964A (en) * | 1996-10-25 | 1999-01-12 | Advanced Micro Devices, Inc. | System and method for performing real time data acquisition, process modeling and fault detection of wafer fabrication processes |
DE69921602T2 (de) | 1998-07-21 | 2005-12-01 | Dofasco Inc., Hamilton | Auf einem multivariablen statistischen modell basierendes system zur darstellung des betriebs einer stranggiessanlage und detektion bevorstehender durchbrüche |
FI115406B (fi) * | 2000-06-13 | 2005-04-29 | Metso Paper Inc | Paperikoneen tai kartonkikoneen tai vastaavan kuiturainakoneen telaston, kuten kalanterin, kuormituslaskentajärjestelmä |
DE10036971A1 (de) * | 2000-07-28 | 2002-02-28 | Siemens Ag | Verfahren zur Ferndiagnose eines technologischen Prozesses |
US7362892B2 (en) | 2003-07-02 | 2008-04-22 | Lockheed Martin Corporation | Self-optimizing classifier |
US6885907B1 (en) | 2004-05-27 | 2005-04-26 | Dofasco Inc. | Real-time system and method of monitoring transient operations in continuous casting process for breakout prevention |
DE102007025447A1 (de) * | 2006-10-09 | 2008-04-17 | Siemens Ag | Verfahren zur Steuerung und/oder Regelung eines industriellen Prozesses |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU442459A1 (ru) * | 1972-12-20 | 1974-09-05 | Московский Ордена Трудового Красного Знамени Институт Пищевой Промышленности | Система автоматического регулировани |
SU807211A1 (ru) * | 1978-07-19 | 1981-02-23 | Киевский Ордена Ленина Политехни-Ческий Институт Им. 50-Летиявеликой Октябрьской Социалисти-Ческой Революции | Устройство дл идентификациилиНЕйНыХ Об'ЕКТОВ упРАВлЕНи |
DE4111354A1 (de) * | 1991-04-09 | 1992-10-22 | Bodenseewerk Geraetetech | Einrichtung zur fuehrung des endeffektors eines roboters laengs einer sollbahn |
DE4130164A1 (de) * | 1991-09-11 | 1993-03-18 | Bodenseewerk Geraetetech | Regler, insbesondere flugregler |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5253328A (en) * | 1989-11-17 | 1993-10-12 | Microelectronics & Computer Technology Corp. | Neural-network content-addressable memory |
DE69128996T2 (de) * | 1990-10-10 | 1998-09-10 | Honeywell Inc | Identifizierung eines Prozesssystems |
DE4040360A1 (de) * | 1990-12-17 | 1991-06-27 | Siemens Ag | Regelung eines mehrgeruestigen warm- und/oder kaltband-walzwerks |
JPH05171890A (ja) * | 1991-12-25 | 1993-07-09 | Nippon Telegr & Teleph Corp <Ntt> | トンネルロボットの方向修正量モデル形成法 |
-
1993
- 1993-11-11 DE DE4338607A patent/DE4338607B4/de not_active Expired - Fee Related
-
1994
- 1994-11-09 JP JP30039694A patent/JP3330758B2/ja not_active Expired - Lifetime
- 1994-11-10 US US08/337,660 patent/US5600758A/en not_active Expired - Lifetime
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU442459A1 (ru) * | 1972-12-20 | 1974-09-05 | Московский Ордена Трудового Красного Знамени Институт Пищевой Промышленности | Система автоматического регулировани |
SU807211A1 (ru) * | 1978-07-19 | 1981-02-23 | Киевский Ордена Ленина Политехни-Ческий Институт Им. 50-Летиявеликой Октябрьской Социалисти-Ческой Революции | Устройство дл идентификациилиНЕйНыХ Об'ЕКТОВ упРАВлЕНи |
DE4111354A1 (de) * | 1991-04-09 | 1992-10-22 | Bodenseewerk Geraetetech | Einrichtung zur fuehrung des endeffektors eines roboters laengs einer sollbahn |
DE4130164A1 (de) * | 1991-09-11 | 1993-03-18 | Bodenseewerk Geraetetech | Regler, insbesondere flugregler |
Non-Patent Citations (2)
Title |
---|
SILVESTRINI, Massimo et.al.: Autoadaptive processcontrol of a Sendzimir mill at ILVA. In: Iron and Steel Engeneer, Aug. 1993, S. 50-55 * |
SUN, K.T.; FU, H.C.: A Hybrid Neural Network Modelfor Solving Optimization Problems. In: IEEE Trans-actions on Computers, Vol. 42, No.2, Febr. 1993, S. 218-227 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19644131A1 (de) * | 1996-10-23 | 1998-04-30 | Siemens Ag | Verfahren zum Optimieren der Bandbreitenverteilung an den Enden eines eine Walzstraße in einem oder mehreren Stichen durchlaufenden Bandes |
DE19644131C2 (de) * | 1996-10-23 | 2002-09-19 | Siemens Ag | Verfahren zum Optimieren der Bandbreitenverteilung an den Enden eines eine Walzstraße in einem oder mehreren Stichen durchlaufenden Bandes |
EP0875808A2 (de) * | 1997-04-30 | 1998-11-04 | Schenck Panel Production Systems GmbH | Verfahren und System zur Generierung eines Prozessmodells eines technischen Prozesses |
EP0875808A3 (de) * | 1997-04-30 | 1998-11-18 | Schenck Panel Production Systems GmbH | Verfahren und System zur Generierung eines Prozessmodells eines technischen Prozesses |
WO1999005577A1 (de) * | 1997-07-24 | 1999-02-04 | Siemens Aktiengesellschaft | Verfahren zur steuerung und voreinstellung eines stahlwerkes oder von teilen eines stahlwerkes |
AT500860B1 (de) * | 1997-07-24 | 2006-04-15 | Siemens Ag | Verfahren zur steuerung und voreinstellung eines stahlwerkes oder von teilen eines stahlwerkes |
US6807449B1 (en) | 1997-07-24 | 2004-10-19 | Siemens Aktiengessellscaft | Method for controlling and pre-setting a steelworks or parts of a steelworks |
DE19980248B4 (de) * | 1998-02-18 | 2008-02-07 | Siemens Ag | Verfahren und Einrichtung zur Bestimmung eines Zwischenprofils eines Metallbandes |
US6722173B2 (en) | 1999-03-23 | 2004-04-20 | Siemens Aktiengesellschaft | Method and device for determining the rolling force in a roll stand |
WO2000056477A1 (de) * | 1999-03-23 | 2000-09-28 | Siemens Aktiengesellschaft | Verfahren und einrichtung zur bestimmung der walzkraft in einem walzgerüst |
EP1041264A3 (de) * | 1999-04-01 | 2002-08-07 | Bayerische Motoren Werke Aktiengesellschaft | Hybridmodell zur Modellierung eines Gesamtprozesses in einem Fahrzeug |
DE19914910A1 (de) * | 1999-04-01 | 2000-10-26 | Bayerische Motoren Werke Ag | Hybridmodell zur Modellierung eines Gesamtprozesses in einem Fahrzeug |
DE10113538A1 (de) * | 2001-03-20 | 2002-09-26 | Bayerische Motoren Werke Ag | Regelvorrichtung und Regelverfahren |
DE10113538B4 (de) * | 2001-03-20 | 2012-03-01 | Bayerische Motoren Werke Aktiengesellschaft | Regelvorrichtung und Regelverfahren |
Also Published As
Publication number | Publication date |
---|---|
JPH07191711A (ja) | 1995-07-28 |
US5600758A (en) | 1997-02-04 |
JP3330758B2 (ja) | 2002-09-30 |
DE4338607B4 (de) | 2005-10-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE4338615B4 (de) | Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System | |
DE4338607A1 (de) | Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System | |
DE4416364B4 (de) | Verfahren und Regeleinrichtung zur Regelung eines Prozesses | |
DE4338608B4 (de) | Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System | |
DE10127790B4 (de) | Adaptives Vorhersagemodell in einem Prozeßsteuerungssystem | |
DE102016116076B4 (de) | Anlagensteuerungsvorrichtung, Walzsteuerungsvorrichtung, Anlagensteuerungsverfahren und Anlagensteuerungsprogramm | |
EP0663632B1 (de) | Verfahren und Vorrichtung zur Führung eines Prozesses | |
DE19522494C2 (de) | Verfahren zum Walzen eines Metallbandes | |
EP0534221B1 (de) | Regelparameter-Verbesserungsverfahren für industrielle Anlagen | |
DE4416317B4 (de) | Verfahren und Regeleinrichtung zur Regelung eines materialverarbeitenden Prozesses | |
WO1998015882A1 (de) | Verfahren und einrichtung zur identifikation bzw. vorausberechnung von prozessparametern eines industriellen zeitvarianten prozesses | |
DE19642918C2 (de) | System zur Berechnung des Enddickenprofils eines Walzbandes | |
DE19881041B4 (de) | Verfahren zur Steuerung und Voreinstellung eines Stahlwerkes oder von Teilen eines Stahlwerkes | |
DE3832789A1 (de) | Stoerungsfolgevorrichtung | |
DE19528426C2 (de) | Verfahren zur Ermittlung von Zustandsparametern eines chemischen Reaktors unter Verwendung künstlicher neuronaler Netze | |
DE3436991C2 (de) | ||
DE1527610A1 (de) | Walzverfahren und Vorrichtung zur Durchfuehrung desselben | |
EP1163062B1 (de) | Verfahren und einrichtung zur bestimmung der walzkraft in einem walzgerüst | |
AT410407B (de) | Verfahren und einrichtung zur bestimmung eines zwischenprofils eines metallbandes | |
DE19642919C2 (de) | System zur Berechnung des Enddickenprofils eines Walzbandes | |
DE3834059A1 (de) | Verfahren und vorrichtung zur steuerung der banddicke in walzstrassen | |
DE19642921C2 (de) | System zur Bestimmung des Dickenprofils eines Walzbandes | |
DE19740691A1 (de) | Verfahren und Einrichtung zur Kühlung von Metallen in einem Hüttenwerk | |
DE10059567A1 (de) | Verfahren und Vorrichtung zur Berechnung von Prozessgrößen eines industriellen Prozesses | |
EP0575636A1 (de) | Verfahren zur Regelung totzeitbehafteter Regelstrecken |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OM8 | Search report available as to paragraph 43 lit. 1 sentence 1 patent law | ||
8110 | Request for examination paragraph 44 | ||
8364 | No opposition during term of opposition | ||
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee |
Effective date: 20130601 |