DE4338607A1 - Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System - Google Patents

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 x_v = (x_1v, . . . , x_nv), wie z. B. Sollwerten, ausgewählte Prozeßparameter y_v = (y_1v, . . . , y_nv) vorausberechnet. Mit diesen vorausberechneten Prozeßparametern y_v 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 y_v greift die Vorausberechnungseinrichtung 3 nicht nur auf das Modell in der Einheit 2 zu, sondern führt außer­ dem die abgeschätzten Eingangsgrößen x_v dem neuronalen Netz­ werk 8 zu. Dieses erzeugt eine Netzwerkantwort y_vN, die in der Vorausberechnungseinrichtung 3 mit dem von dem Modell M gelieferten Rechenergebnis zur Bildung des jeweils voraus zu­ berechnenden Prozeßparameters y_v 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 y_N 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 x_M erzeugten Rechenergebnisses y_M mit der Netzwerkantwort y_N des mit den Eingangsgrößen x_N beauf­ schlagten neuronalen Netzwerkes 8. Zu den Eingangsgrößen x_N gehören solche, deren Einfluß auf die vorauszuberechnenden Prozeßparameter y_v von dem mathematischen Modell nicht exakt beschrieben werden können; in vielen Fällen ist x_M = x_N. Im einzelnen zeigen Fig. 3 eine additive Verknüpfung y_v = y_M + y_N, Fig. 4 eine multiplikative Verknüpfung y_v = v_M · y_N und Fig. 4 eine duale Verknüpfung y_v = y_M · (1+y_N). Die Voraus­ berechnung der Prozeßparameter y_v erfolgt also näherungsweise durch das Modell M, wobei der verbleibende Modellfehler durch das neuronale Netzwerk 8 korrigiert wird. Die Adaption der Vorausberechnung der Prozeßparameter y_v 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 E_n des Walzgutes im Walz­ gerüst n, die Eintrittstemperatur T_n des Walzgutes der Zug Z_n im Walzgut vor dem Gerüst n, der Zug Z_n+1 im Walzgut hinter dem Gerüst n, der Walzenradius R_N, die Breite B_n und die Dicke D_n des Walzgutes vor dem Gerüst n nachgebildet wird.

Fig. 6 zeigt den Aufbau eines neuronalen Netzwerkes, dem eingangsseitig die genannten Eingangsgrößen x_N = (E_n, . . . , D_n) zugeführt werden und dessen ausgangsseitige Netzwerkantwort y_N entsprechend den Darstellungen in den Fig. 3 und 5 additiv oder dual mit dem von dem mathematischen Modell M gelieferten Rechenergebnis y_M verknüpft wird. Das in Fig. 6 gezeigte neuronale Netzwerk weist eine Eingabeschicht mit jeweils einem Eingabeelement 9 für jede der Eingangsgrößen E_n bis D_n 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 c_i multipliziert und zu der Netzwerkantwort y_N aufsummiert. Das Antwortverhalten jedes einzelnen Elements 10 der versteckten Schicht beschreibt eine entsprechend der An­ zahl der Eingangsgrößen mehrdimensionale Gausglocke mit einem veränderlichen Zentrum t_ÿ einer veränderlichen Breite s_j und einer durch den jeweiligen Gewichtsfaktor c_i 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 y_N mit dem Er­ gebnis der Modellrechnung y_M 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 c_i 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 y_N 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 y_N additiv mit dem Rechenergebnis y_M 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, . . . , G_n bezeichnet sind.

Für Straßenbereiche zwischen zwei zuverlässigen Temperatur­ meßstellen, hier beispielsweise zwischen dem Meßort für die Vorbandtemperatur T_v 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 x_N zugeführt: Summe der Le­ gierungsanteile L im Walzgut, Bandbreite B, Vorbanddicke D_v, Banddicke D₂ nach dem zweiten Gerüst G₂, Vorbandtemperatur T_v, Bandtemperatur T₂ nach dem zweiten Gerüst G₂, Laufzeit t_A vom Meßort der Vorbandtemperatur T_v bis zur Schere 16, Laufzeit t_B vom Zunderwäscher 17 bis zum ersten Gerüst G₁, Kühlintensität I_A des Zunderwäschers 17, Intensität der Preß­ wasser-Bandkühlung I_B zwischen den beiden Gerüsten G₁ und G₂, Intensität I_C 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 x_N = (L, B, D_v, . . . , F₁, F₂) jeweils ein Eingangselement 19 aufweist. Einem zusätzlichen Eingangselement 20 wird ein kon­ stanter Wert, z. B. "1" zugeführt. Die Eingangsgrößen x_N und der konstante Wert werden jeweils mit individuellen Gewichts­ faktoren c_j multipliziert und in einem Ausgangselement 21 zu der Netzwerkantwort y_N 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 x_N werden jeweils mit indivi­ duellen Gewichtsfaktoren w_ÿ 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 (x_M) zumindest ein ausgewählter Prozeßparameter (y_v) 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 (y_v) erfolgt, dadurch gekennzeichnet, daß zur Berechnung des Prozeßparameters (y_v) das Rechener­ gebnis (y_M) des Modells (M) mit der Netzwerkantwort (y_N) eines neuronalen Netzwerkes (8) verknüpft wird, dem ein­ gangsseitig zumindest ein Teil der Eingangsgrößen (x_N) zu­ geführt wird, und daß nach dem Prozeßablauf die Abweichung zwischen dem berechneten Prozeßparameter (y_v) 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 (y_M) des Modells (M) und der Netzwerkantwort (y_N) des neuronalen Netzes (8).

5. Verfahren nach einem der Ansprüche 1 bis 3, gekennzeichnet durch eine multiplika­ tive Verknüpfung des Rechenergebnisses (y_M) des Modells (M) und der Netzwerkantwort (y_N) des neuronalen Netzes (8).

6. Verfahren nach einem der Ansprüche 1 bis 3, gekennzeichnet durch eine duale Ver­ knüpfung des Rechenergebnisses (y_M) des Modells (M) und der Netzwerkantwort (y_N) 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 (y_v) mit einer Re­ cheneinrichtung (2), die ein mathematisches Modell (M) des Prozesses zur Vorausberechnung des Prozeßparameters (y_v) 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 (y_M), wobei das neuronale Netzwerk (8) eingangsseitig mit zumindest einem Teil der gemessenen Eingangsgrößen (x_N) beaufschlagt ist und eine Verknüpfungs­ einrichtung zur Verknüpfung des von dem Modell (M) gelie­ ferten Rechenergebnisses (y_M) mit der Netzwerkantwort (y_N) des neuronalen Netzwerkes (8) vorhanden ist.