DE4338615A1 - 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 in einer Rechen­ einrichtung ein mathematisches Modell des Prozesses mit min­ destens einem veränderlichen Modellparameter implementiert ist, das vor Beginn eines jeden Prozeßablaufes in Abhän­ gigkeit von ihm zugeführten Eingangsgrößen zumindest einen ausgewählten Prozeßparameter vorausberechnet, mit dem eine Voreinstellung des Systems erfolgt, wobei während des Pro­ zeßablaufes die Eingangsgrößen und der Prozeßparameter ge­ messen werden und wobei nach dem Prozeßablauf aufgrund des gemessenen Prozeßparameters und der dem Modell zugeführten gemessenen Eingangsgrößen eine adaptive Verbesserung der Vorausberechnung des Prozeßparameters erfolgt. Die Erfindung betrifft ferner eine entsprechende Vorrichtung.

Aus der DE-A-40 40 360 ist ein derartiges Verfahren bzw. ei­ ne derartige Vorrichtung zur Führung eines Prozesses in ei­ nem geregelten System für eine verfahrenstechnische Anlage bekannt, die quasikontinuierlich arbeitet. Hierzu zählen ty­ pischerweise Walzstraßen, wobei jeder Durchlauf des Walz­ gutes einen Prozeßzyklus, im folgenden Prozeßablauf genannt, bildet. Wie alle realen technischen Prozesse sind diese Pro­ zeßabläufe zeitvariant. Bei der Führung von solchen Prozes­ sen ist es erforderlich, das den Prozeß regelnde System vor jedem Prozeßablauf voreinzustellen, d. h. die Prozeßführung muß im Unterschied zur klassischen Regelung dem tatsächli­ chen Prozeßgeschehen stets zeitlich voraus sein. Ursache hierfür ist, daß in industriellen Prozessen vielfach Regel­ größen 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 mathemati­ scher 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 wäh­ rend 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 der 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.

Bei sehr komplexen Zusammenhängen werden üblicherweise Teil­ aspekte des zu modellierenden Prozesses in Teilmodellen be­ schrieben, wobei das Zusammenwirken der betrachteten Teil­ aspekte des Prozesses durch ein übergeordnetes, die Teil­ modelle miteinander verknüpfendes Modell beschrieben wird. Während die Teilmodelle die entsprechenden Teilaspekte des Prozesses noch hinreichend genau beschreiben können, lassen sich Modellannahmen für die Verknüpfung der Teilmodelle nur schwer erstellen und können zudem stark fehlerbehaftet sein. Insbesondere ist eine Adaption des übergeordneten Modells zusätzlich zu der Adaption der Teilmodelle nur sehr schwer durchzuführen, da die Teilmodelle keine exakten Meßwerte, sondern lediglich Schätzwerte als Eingangsgrößen für das übergeordnete Modell liefern.

Der Erfindung liegt die Aufgabe zugrunde, die Vorausberech­ nung des Prozeßparameters bei einem sehr komplexen Zusammen­ hang zwischen diesem und den Eingangsgrößen zu verbessern.

Gemäß der Erfindung wird die Aufgabe dadurch gelöst, daß ausgehend von dem Verfahren der eingangs angegebenen Art bei einem aus mehreren Teilmodellen bestehenden Modell die Rechenergebnisse der Teilmodelle einem neuronalen Netzwerk zugeführt werden, welches als Netzwerkantwort den voraus zu­ berechnenden Prozeßparameter erzeugt, und daß nach dem Pro­ zeßablauf die Abweichung zwischen der Netzwerkantwort und den gemessenen Prozeßparametern zur Adaption von Netzwerk­ parametern des neuronalen Netzwerkes herangezogen wird. Ent­ sprechend besteht bei der zugehörigen Vorrichtung das Modell aus mehreren Teilmodellen, wobei den Teilmodellen ein neu­ ronales Netzwerk nachgeordnet ist, das die Rechenergebnisse der Teilmodelle zu einem Vorausberechnungswert für den Pro­ zeßparameter verknüpft.

Teilaspekte des zu führenden Prozesses werden also nach wie vor durch Modelle, hier Teilmodelle, beschrieben, wobei jedoch die Verknüpfung der von den Teilmodellen gelieferten Rechenergebnisse durch ein lernfähiges neuronales Netzwerk erfolgt. Gegenüber der Verwendung eines übergeordneten, die Teilmodelle miteinander verknüpfenden Modells, ergibt sich der Vorteil, daß das Design und das Training des neuronalen Netzwerkes weniger aufwendig ist, als die Qualifizierung ei­ nes solchen übergeordneten Modells. Gegenüber der anderen denkbaren Möglichkeit, das mathematische Modell vollständig durch ein neurononales Netzwerk zu ersetzen, ergibt sich der Vorteil, daß die bisherigen Ergebnisse und Erfahrungen zur mathematischen Modellierung von Prozessen weiterhin zur Gel­ tung kommen. Dementsprechend ist auch das in Kombination mit den mathematischen Teilmodellen verwendete neuronale Netz­ werk einfacher, als ein entsprechendes globales neuronales Netzwerk, woraus robustere Lösungen für die Prozeßführung resultieren.

In vorteilhafter Weiterbildung des erfindungsgemäßen Verfah­ rens werden zusätzlich zu den Rechenergebnissen der Teilmo­ delle auch Eingangsgrößen, deren Einflüsse auf den voraus zu­ berechnenden Prozeßparameter nicht im Rahmen von Modellen beschreibbar sind, direkt dem neuronalen Netzwerk zugeführt.

Die Adaption der Netzwerkparameter erfolgt in vorteilhafter Weise on-line, indem nach jedem Prozeßablauf die gemessenen Eingangsgrößen und der gemessene Prozeßparameter zur Adap­ tion der Netzwerkparameter herangezogen werden. Hierdurch wird eine ständige Anpassung des von dem neuronalen Netzwerk gelieferten Vorhersagewertes für den Prozeßparameter an den realen, d. h. zeitvarianten, Prozeß erreicht. Dabei ist die on-line Adaption der Netzwerkparameter des neuronalen Netz­ werkes rechentechnisch weitaus weniger aufwendig, als dies bei einer on-line Adaption der Modellparameter des mathema­ tischen Modells der Fall wäre.

Das erfindungsgemäße Verfahren findet insbesondere bei indu­ striellen verfahrenstechnischen Prozessen Anwendung, bei de­ nen Teile des Prozesses durch entsprechende Modelle be­ schrieben werden können. In diesem Zusammenhang werden mit dem erfindungsgemäßen Verfahren vorzugsweise walztechnische Prozesse geführt. Dabei sind vorzugsweise die Teilmodelle den einzelnen Walzgerüsten einer Walzstraße zugeordnet, wo­ bei das neuronale Netzwerk die von den Teilmodellen für je­ des einzelne Walzgerüst gelieferten Rechenergebnisse zu ei­ nem Voraussagewert des Prozeßparameters für die gesamte Walzstraße verknüpft. Entsprechend einer bevorzugten Anwen­ dung des erfindungsgemäßen Verfahrens berechnen dabei die Teilmodelle die Walzspaltprofile der einzelnen Walzgerüste; das neuronale Netzwerk verknüpft die errechneten Walzspalt­ profile zu einem Voraussagewert für das Banddickenprofil.

Im folgenden wird die Erfindung unter Bezugnahme auf die Figuren der Zeichnung näher erläutert. Dabei zeigen im ein­ zelnen:

Fig. 1 eine bekannte Anordnung zur Führung eines technischen Prozesses, in der mathemati­ sche Modelle des Prozesses zur Voreinstel­ lung eines den Prozeß regelnden Systems implementiert sind,

Fig. 2 ein Beispiel für die erfindungsgemäße Kombi­ nation der mathematischen Modelle mit einem neuronalen Netzwerk,

Fig. 3 ein Blockschaltbild zur Erläuterung der funktionalen Verknüpfung der Modelle mit dem neuronalen Netzwerk und

Fig. 4 das Blockschaltbild eines Teilmodells.

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 gegebenenfalls aus mehre­ ren Teilmodellen bestehendes mathematisches Modell M des Prozesses einschließlich zugehöriger veränderbarer Modellpa­ rameter MP implementiert. Vor Beginn eines jeden Prozeßab­ lauf s holt sich eine Vorausberechnungseinrichtung 3 aus der Recheneinrichtung 2 die jeweils benötigten Modellgleichungen des mathematischen Modells M mit den aktuellen Modellpa­ rametern MP. In der Vorausberechnungseinrichtung 3 werden dann aufgrund der Gleichungen des Modells M und vorgegebenen bzw. geschätzten Eingangsgrößen x_v = (x_1v . . . , x_nv), wie z. B. Sollwerte, ausgewählte Prozeßparameter y_v = (y_1v, . . . , y_mv) vorausberechnet. Mit diesen vorausberechneten Prozeßpara­ metern y_v wird ein System 4 zur Regelung des Prozesses 1 voreingestellt. Während des anschließenden Prozeßablaufs wird, wie dies durch den Pfeil 5 verdeutlicht ist, der Prozeß 1 von dem voreingestellten System 4 gesteuert, wäh­ rend gleichzeitig, wie Pfeil 6 zeigt, alle wesentlichen Pro­ zeßgrößen gemessen werden. Auf der Grundlage der gemessenen Prozeßgrößen erfolgt durch statistische Aufbereitung der gemessenen Größen und durch Berechnung weiterer, nicht un­ mittelbar meßbarer Größen eine wesentlich genauere Bestim­ mung der Eingangsgrößen x und Prozeßparameter y, als dies noch vor dem Prozeßablauf der Fall war. Nach dem Prozeß­ ablauf werden die derart gemessenen Eingangsgrößen x und Prozeßparameter y einer Nachberechnungseinrichtung 7 zu­ geführt, die ihrerseits auf das Modell M mit den aktuellen Modellparametern MP in den Recheneinrichtung 2 zugreift und die Vorausberechnung der Prozeßparameter nunmehr auf der Basis der gemessenen Eingangsgrößen x wiederholt. Die so erhaltenen Rechenergebnisse für die Prozeßparameter werden mit den gemessenen Prozeßparametern verglichen, wobei auf­ grund von ermittelten Abweichungen eine adaptive Veränderung der Modellparameter MP im Sinne einer Verringerung dieser Abweichung erfolgt. Die adaptierten Modellparameter MP wer­ den die alten Werte überschreibend in der Recheneinrichtung 2 abgelegt und für die nächste Vorausberechnung bereit­ gehalten.

Fig. 2 zeigt ein Ausführungsbeispiel für die erfindungsgemäße Kombination der mathematischen Modelle in der Rechenein­ richtung 2 mit einem neuronalen Netzwerk 8 mit veränderbaren Netzwerkparametern NP. Zur Vorausberechnung der Prozeßpara­ meter y_v holt sich die Vorausberechnungseinrichtung 3 aus der Recheneinrichtung 2 zunächst die benötigten Teilmodelle M und führt diesen die Eingangsgrößen xv zu. Die so von den Teilmodellen M erhaltenen Rechenergebnisse π_v werden dem neuronalen Netzwerk 8 zugeführt, das als Netzwerkantwort y_N einen Vorhersagewert für den Prozeßparameter y_v bildet. Nach dem Prozeßablauf werden die gemessenen Eingangsgrößen x in der Nachberechnungseinrichtung 7 den Teilmodellen M zuge­ führt. Die dabei von den Teilmodellen M erzeugten Rechen­ ergebnisse π werden dem neuronalen Netzwerk 8 zugeführt, dessen Netzwerkantwort Y_N in der Nachberechnungseinrichtung 7 mit dem gemessenen Prozeßparameter y verglichen wird. In Abhängigkeit von dem Vergleichsergebnis erfolgt eine adap­ tive Veränderung der Netzwerkparameter NP im Sinne einer Verringerung dieser Abweichung.

Fig. 3 zeigt in einem Blockschaltbild das aus mehreren Teil­ modellen M1, M2, . . . Mk bestehende Modell M des zu führenden Prozesses. Aus der Gesamtmenge aller Eingangsgrößen x werden den Teilmodellen M1 bis Mk unterschiedliche Sätze von Ein­ gangsgrößen x1 bis xk zugeführt. Die von den Teilmodellen M1 bis Mk erzeugten Rechenergebnisse π1 bis πk werden - ge­ gebenenfalls unter Einbeziehung zusätzlicher Eingangsgrößen xp - dem neuronalen Netzwerk 8 aufgegeben, das als Netz­ werkantwort y_N einen Vorhersagewert für den vorauszube­ rechnenden Prozeßparameter y_v liefert.

Bei einer Walzstraße mit k-Walzgerüsten können beispielsweise die Teilmodelle M1 bis Mk jeweils für jedes Walzgerüst das Walzspaltprofil π berechnen. Das neuronale Netzwerk 8 ermittelt aus den so berechneten Lastwalzspaltprofilen π1 bis πk unter Berücksichtigung zusätzlicher Eingangsgrößen xp, wie z. B. die Bandzüge, die Bandbreite, die Einlauf- und Endwalzdicke des Bandes, die Einlauf- und Endwalztemperatur des Bandes, die Warmfestigkeit des Bandes, Walzgeschwin­ digkeit, Walzzeit, Pausenzeit, Summenwalzkraft und Summen­ rückbiegekraft einen Vorhersagewert für das Bandprofil.

In Fig. 4 zeigt ein Beispiel für die Struktur des Teilmodells Mk, mit dem das Walzspaltprofil πk des k-ten Walzgerüsts. Das Teilmodell Mk besteht seinerseits aus einem Verschleißmodell Mkw, das den Einfluß des Walzenverschleißes auf das Walz­ spaltprofil ermittelt, einem Temperaturmodell Mkt, das den Einfluß der unterschiedlichen Walzenerwärmung auf das Walz­ spaltprofil berechnet, und einem Biegemodell Mkb, welches die Walzendurchbiegung berücksichtigt. Da der Verschleiß und die Temperatur der Stützwalzen die Walzendurchbiegung der Arbeitswalze beeinflussen, werden die Rechenergebnisse des Verschleißmodells Mkw und des Temperaturmodells Mkt dem Bie­ gemodell Mkb als zusätzliche Eingangswerte zugeführt. Die Rechenergebnisse aller drei Modelle Mkw, Mkt und Mkb werden additiv zu einem Schätzwert für das Walzspaltprofil πk des k-ten Walzgerüsts verknüpft.

Claims (7)

1. Verfahren zur Führung eines Prozesses in einem geregel­ ten System (4), wobei zu Beginn eines jeden Prozeßablaufes mittels eines in einer Recheneinrichtung (2) implementier­ ten mathematischen Modells (M) des Prozesses in Abhängig­ keit von dem Modell (M) zugeführten Eingangsgrößen (x) zu­ mindest ein ausgewählter Prozeßparameter (y) vorausberech­ net wird, mit dem eine Voreinstellung des Systems (4) er­ folgt, wobei während des Prozeßablaufs die Eingangsgrößen (x) und der Prozeßparameter (y) gemessen werden und wobei nach dem Prozeßablauf aufgrund des gemessenen Prozeßpara­ meters (y) und der dem Modell (M) zugeführten gemessenen Eingangsgrößen (x) eine adaptive Verbesserung der Vorausbe­ rechnung des Prozeßparameters (y) erfolgt, dadurch gekennzeichnet, daß bei einem aus mehreren Teilmodellen (M1, M2 bis Mk) bestehenden Modell (M) die Rechenergebnisse (π1, π2 bis πk) der Teilmodelle einem neuronalen Netzwerk (8) zugeführt werden, welches als Netzwerkantwort (y_N) den vorauszube­ rechnenden Prozeßparameter erzeugt, und daß nach dem Pro­ zeßablauf die Abweichung zwischen der Netzwerkantwort (y_N) und dem gemessenen Prozeßparameter (y) zur Adaption von Netzwerkparametern (NP) des neuronalen Netzwerkes (8) her­ angezogen wird.

2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß Eingangsgrößen (xp), deren Einflüsse auf den vorauszu­ berechnenden Prozeßparameter (y) nicht im Rahmen von Model­ len beschreibbar sind, direkt dem neuronalen Netzwerk (8) zugeführt werden.

3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, daß die Adaption der Netzwerkparameter (NP) on-line er­ folgt, indem nach jedem Prozeßablauf die gemessenen Ein­ gangsgrößen (x) und der gemessene Prozeßparameter (y) zur Adaption der Netzwerkparameter (NP) herangezogen werden.

4. Verfahren nach einem der vorangehenden Ansprüche, gekennzeichnet durch durch die Führung von walztechnischen Prozessen.

5. Verfahren nach Anspruch 4, dadurch gekennzeichnet, daß die Teilmodelle (M1, M2 bis Mk) den einzelnen Walz­ gerüsten einer Walzstraße zugeordnet sind und daß das neu­ ronale Netzwerk (8) die von den Teilmodellen (M1, M2 bis Mk) für jedes einzelne Walzgerüst gelieferten Rechenergeb­ nisse (π1, π2 bis πk) zu einem Voraussagewert des Prozeß­ parameters (y_v) für die gesamte Walzstraße verknüpft.

6. Verfahren nach Anspruch 5, dadurch gekennzeichnet, daß die Teilmodelle (M1, M2 bis Mk) die Walzspaltprofile der einzelnen Walzgerüste berechnen und daß das neuronale Netzwerk (8) die errechneten Walzspaltprofile zu einem Vor­ aussagewert für das Banddickenprofil verknüpft.

7. 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, dadurch gekennzeichnet, daß das Modell (M) aus mehreren Teilmodellen (M1, M2 bis Mk) besteht und daß den Teilmodellen ein neuronales Netz­ werk (8) nachgeordnet ist, das die Rechenergebnisse (π1, π2 bis πk) der Teilmodelle zu einem Vorausberechnungswert für den Prozeßparameter (y_v) verknüpft.