DE4416317A1 - Verfahren und Regeleinrichtung zur Regelung eines materialverarbeitenden Prozesses - Google Patents
Verfahren und Regeleinrichtung zur Regelung eines materialverarbeitenden ProzessesInfo
- Publication number
- DE4416317A1 DE4416317A1 DE4416317A DE4416317A DE4416317A1 DE 4416317 A1 DE4416317 A1 DE 4416317A1 DE 4416317 A DE4416317 A DE 4416317A DE 4416317 A DE4416317 A DE 4416317A DE 4416317 A1 DE4416317 A1 DE 4416317A1
- Authority
- DE
- Germany
- Prior art keywords
- state variables
- material property
- neural network
- network
- rolling
- 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
-
- 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
-
- 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
- B21B37/16—Control of thickness, width, diameter or other transverse dimensions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B2261/00—Product parameters
- B21B2261/22—Hardness
-
- 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)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mechanical Engineering (AREA)
- Control Of Metal Rolling (AREA)
Description
Die Erfindung betrifft ein Verfahren zur Regelung eines ma
terialverarbeitenden Prozesses in einem geregelten System,
wobei zu Beginn eines jeden Prozeßablaufs eine Voreinstellung
des Systems in Abhängigkeit von einem vorausberechneten Pro
zeßparameter erfolgt, in dessen Vorausberechnung eine von Zu
standsgrößen des Materials, wie seiner Zusammensetzung und
Temperatur, abhängige prozeßrelevante Materialeigenschaft
eingeht. Die Erfindung betrifft ferner eine entsprechende Re
geleinrichtung.
Aus der DE-A-41 31 765 ist ein derartiges Verfahren bzw. eine
derartige Regeleinrichtung zur Regelung eines Prozesses in
einer industriellen Anlage, z. B. einer Walzstraße, bekannt.
Die eigentliche Regelgröße, nämlich die Dicke des aus der An
lage austretenden Walzgutes ist im Walzspalt nicht meßbar,
sondern nur mittelbar als Funktion der Stellgröße, hier der
Anstellung in dem jeweiligen Walzgerüst, und einem oder meh
reren Prozeßparametern, z. B. der Walzkraft, erfaßbar. Während
des Prozeßablaufs, d. h. Walzgutdurchlaufs ist die Walzkraft
meßbar, so daß der aktuelle Wert der Regelgröße jederzeit be
rechenbar und somit der Regelung zur Erzeugung der Stellgröße
zuführbar ist. In der Anfangsphase eines jeden Prozeßablauf s,
also zu Beginn jedes einzelnen Walzvorgangs, muß jedoch die
Regelung zunächst einschwingen, was zu fehlerhaften Dicken im
Anfangsbereich des Walzgutes führt. Um die Einschwingphase
der Regelung und damit den Anfangsbereich des Walzgutes mit
fehlerhafter Dicke zu minimieren, erfolgt bei dem bekannten
Verfahren vor dem Einlauf des Walzgutes in die Walzstraße
eine Voreinstellung der Stellgrößen in Abhängigkeit von einem
Sollwert für die Regelgröße (Walzgutdicke) und einem vor
ausberechneten Wert für den Prozeßparameter (Walzkraft). Da
bei erfolgt die Vorausberechnung der Walzkraft unter Zuhilfe
nahme eines rechnerischen Modells, mit dem die Abhängigkeit
zwischen der Walzkraft und diese beeinflussenden Eingangs
größen, wie z. B. Breite, Dicke und Temperatur des Walzgutes
nachgebildet wird, wobei für die Eingangsgrößen Sollwerte
oder Schätzwerte ermittelt werden, soweit noch keine Meßwerte
zur Verfügung stehen. Sobald das Walzgut in die Walzstraße
eingelaufen ist, werden Messungen der Walzkraft und der Ein
gangsgrößen vorgenommen. Die so erhaltenen Meßwerte werden im
Rahmen einer Nachberechnung beispielsweise statistisch auf
bereitet und anschließend zur adaptiven Anpassung des Modells
an die nachberechneten Größen herangezogen.
Bei der Vorausberechnung des Prozeßparameters zur Vorein
stellung von materialverarbeitenden Prozessen spielen darüber
hinaus die Eigenschaften des zu verarbeitenden Materials eine
entscheidende Rolle. Je nach Art des Verarbeitungsprozesses
hängt die erforderliche Voreinstellung von der spezifischen
Wärme, der Wärmeleitfähigkeit, der Viskosität, der Härte usw.
des Materials ab. Für eine optimale Voreinstellung des
Verarbeitungsprozesses ist es daher notwendig, die jeweils
relevante Materialeigenschaft zu einem gegebenen Zeitpunkt zu
kennen. In der Regel kann jedoch die jeweilige Ma
terialeigenschaft nicht direkt gemessen werden, sondern muß
indirekt über die Zustandsgrößen des Materials bestimmt wer
den. Zu den intensiven, d. h. geometrieunabhängigen, thermo
dynamischen Zustandsgrößen gehören unter anderem die Tempe
ratur, der Druck und die chemische Zusammensetzung des Mate
rials. Befindet sich das Material im thermodynamischen
Gleichgewicht, so bestimmen die zum jeweiligen Zeitpunkt ak
tuellen Werte der Zustandsgrößen die für die betrachtete
Problemstellung relevante Materialeigenschaft. Befindet sich
das Material nicht im thermodynamischen Gleichgewicht, wie es
häufig der Fall ist, so geht neben den aktuellen Werten der
Zustandsgrößen auch noch deren Vorgeschichte in die Material
eigenschaft ein. Sind die aktuellen Werte der Zustandsgrößen
und eventuell noch deren Vorgeschichte gegeben, so liegen die
Materialeigenschaften fest. Um diese, basierend auf den Zu
standsgrößen, vorhersagen zu können, muß der physikalische
Zusammenhang zwischen den Zustandsgrößen und der jeweiligen
Materialeigenschaft bekannt sein. Eine Möglichkeit zur Vor
hersage der Materialeigenschaft besteht nun darin, den Zu
sammenhang zwischen den Zustandsgrößen und der Materialei
genschaft in einer Recheneinrichtung mittels eines Modells
nachzubilden, dessen Modellparameter in Abhängigkeit von Mes
sungen während des Prozesses adaptiert werden. Die Physik der
zu verarbeitenden Materialien ist jedoch in der Regel zu kom
plex, um mit physikalischen Modellen ausreichend genau be
schrieben werden zu können. Außerdem ist das Konzipieren phy
sikalischer Modelle zeitaufwendig, erfordert das Ausmessen
der Modellparameter und muß zudem auch noch für jede Materi
alsorte von Grund auf neu durchgeführt werden.
Der Erfindung liegt daher die Aufgabe zugrunde, eine Voraus
sage der jeweiligen Materialeigenschaft zu ermöglichen, ohne
daß hierzu die Erstellung von Modellannahmen erforderlich ist
und wobei eine hohe Genauigkeit erzielt wird.
Gemäß der Erfindung wird die Aufgabe dadurch gelöst, daß bei
dem Verfahren der eingangs angegebenen Art vor Beginn des
Prozeßablaufs die Zustandsgrößen einem neuronalen Netzwerk
mit veränderbaren Netzwerkparametern aufgegeben werden, das
ausgangsseitig einen Vorhersagewert für die Materialeigen
schaft bildet, daß während des Prozeßablaufs der Prozeßpa
rameter gemessen wird, daß nach dem Prozeßablauf aus dem ge
messenen Prozeßparameter durch Nachberechnung ein tatsäch
licher Wert für die Materialeigenschaft bestimmt wird und daß
die Netzwerkparameter in Abhängigkeit von der Abweichung
zwischen dem Vorhersagewert und dem tatsächlichen Wert der
Materialeigenschaft adaptiv im Sinne einer Verringerung
dieser Abweichung verändert werden. Entsprechend weist die
zugehörige Regeleinrichtung ein neuronales Netzwerk mit
veränderbaren Netzwerkparametern zur adaptiven Nachbildung
der Abhängigkeit zwischen der Materialeigenschaft und den
Zustandsgrößen auf.
Die Vorhersage der jeweiligen Materialeigenschaft erfolgt al
so direkt in einem aufgrund der Adaption der Netzwerkpara
meter selbstlernenden neuronalen Netzwerk, ohne daß dabei
Modellannahmen für den Zusammenhang zwischen den Zustands
größen und der Materialeigenschaft getroffen werden müssen.
Hierbei konnte gegenüber bisherigen Verfahren eine signifi
kante Verbesserung der Vorhersagegüte erzielt werden.
Vorzugsweise werden nach jedem einzelnen Prozeßablauf auf
grund der während des Prozeßablaufs getätigten Messungen die
Zustandsgrößen nachberechnet und dann dem neuronalen Netzwerk
zugeführt, wobei die Abweichung zwischen der dabei erhaltenen
Netzwerkantwort und dem tatsächlichen Wert der Materialeigen
schaft zur Adaption der Netzwerkparameter herangezogen wird.
Dadurch, daß bei der Adaption der Netzwerkparameter anstelle
der ursprünglichen Zustandsgrößen die nach dem Prozeßablauf
aufgrund der getätigten Messungen nachberechneten Zustands
größen verwendet werden, wird eine Erhöhung der Genauigkeit
bei der Adaption erzielt.
Um eine schritthaltende Anpassung der Netzwerkparameter an
den zeitvarianten, d. h. sich von Ablauf zu Ablauf ändernden
Prozeß zu gewährleisten, erfolgt die Adaption der Netzwerk
parameter on-line, indem nach jedem Prozeßablauf eine Adap
tion der Netzwerkparameter erfolgt.
Wie bereits erwähnt, erfolgt die Adaption der Netzwerkpara
meter im Sinne einer Verringerung, d. h. Minimierung der Ab
weichung zwischen dem ermittelten tatsächlichen Wert und dem
Vorhersagewert für die Materialeigenschaft. Wenn außerhalb
des zugehörigen Minimums noch andere lokale Minima existie
ren, besteht die Gefahr, daß der Adaptionsprozeß sich in ei
nem dieser lokalen Minima festläuft. Um dies zu verhindern,
können im Rahmen der Erfindung für die Adaption der Netzwerk
parameter nach jedem einzelnen Prozeßablauf zusätzlich zu der
aktuellen Abweichung zwischen der Netzwerkantwort und dem
tatsächlichen Wert für die Materialeigenschaft weitere Ab
weichungen aus den vorangegangenen Prozeßzyklen herangezogen
werden (Batchtraining).
Entsprechend einer vorteilhaften Weiterbildung des erfin
dungsgemäßen Verfahrens ist vorgesehen, daß das neuronale
Netzwerk vor dem allerersten Prozeßablauf mit simulierten
oder betrieblichen Prozeßwerten für die Zustandsgrößen und
die Materialeigenschaft voradaptiert wird.
Das erfindungsgemäße Verfahren kann bei unterschiedlichen ma
terialverarbeitenden Prozessen Verwendung finden. Ein Bei
spiel hierfür ist das Einschmelzen von Schmelzmaterialien,
wobei mit Hilfe des erfindungsgemäßen Verfahrens die materi
alspezifische Einschmelzenergie in Abhängigkeit von der Zu
sammensetzung des einzuschmelzenden Materials vorhergesagt
werden kann. Von besonderem Vorteil ist das erfindungsgemäße
Verfahren bei der Steuerung eines Walzprozesses, wobei mit
tels des neuronalen Netzwerkes eine Vorhersage der Material
festigkeit des Walzgutes als Grundlage zur Vorausberechnung
der Walzkraft erfolgt. Dabei werden als Zustandsgrößen des
Walzgutes vorzugsweise die Konzentrationen von chemischen
Elementen, wie insbesondere C, Si, Mn, P, S, Al, N, Cu, Cr,
Ni, Sn, V, Mo, Ti, Nb und B herangezogen. Da die wirksame
Materialfestigkeit des Walzgutes auch noch von anderen Para
metern abhängt, werden vorzugsweise zusätzlich Temperaturen
und geometrische Abmessungen des Walzgutes sowie die Walzge
schwindigkeit als Zustandsgrößen herangezogen.
Das verwendete neuronale Netzwerk weist vorzugsweise eine
Eingangsschicht mit jeweils einem Eingangselement für jede
Zustandsgröße auf; der Eingangsschicht ist eine versteckte
Schicht, bestehend aus Elementen, nachgeordnet, von denen je
des die ihm eingangsseitig zugeführten Zustandsgrößen mit in
dividuellen Gewichtsfaktoren versehen aufsummiert und aus der
so gebildeten Summe nach einer Funktion mit sigmoidem Verlauf
ausgangsseitig eine Antwort erzeugt; der versteckten Schicht
ist eine Ausgangsschicht mit einem Ausgangselement nachge
ordnet, das die Antworten der Elemente der versteckten
Schicht, jeweils mit einem individuellen Gewichtsfaktor ver
sehen, zu dem Vorhersagewert aufsummiert.
Die Eingangsschicht und die versteckte Schicht weisen in vor
teilhafter Weise jeweils ein zusätzliches Element auf, dem
eingangsseitig ein konstanter Wert zugeführt wird.
Entsprechend den vorstehend angegebenen Ausbildungen des er
findungsgemäßen Verfahrens weist die Regeleinrichtung ent
sprechende, das erfindungsgemäße Verfahren durchführende Mit
tel, d. h. insbesondere eine entsprechend programmierte Re
cheneinrichtung, auf.
Im folgenden wird die Erfindung unter Bezugnahme auf die Fi
guren der Zeichnung am Beispiel einer Walzwerksregelung näher
erläutert. Dabei zeigen
Fig. 1 ein Blockschaltbild für die erfindungsgemäße Regel
einrichtung und
Fig. 2 ein Beispiel für das verwendete neuronale Netzwerk.
Fig. 1 zeigt in stark schematischer Darstellung eine Walz
straße mit drei Walzgerüsten n, n=1,2,3, wobei jedem der Ge
rüste n jeweils eine Regeleinheit 4, 5, 6 zur Einstellung der
Banddicke des durchlaufenden Walzgutes 7 zugeordnet ist. Bei
dem dargestellten Beispiel wird die erforderliche Walzkraft
Fn an dem Gerüst n von der Härte des Walzgutes 7 sowie durch
folgende Eingangsgrößen bestimmt: Die relative Dickenabnahme
En des Walzgutes 7, die Eintrittstemperatur Tn des Walzgutes
10, der Vorwärtszug Zn im Walzgut vor dem Gerüst n, der
Rückwärtszug Zn+1 im Walzgut 7 hinter dem Gerüst n, der
Walzenradius Rn, die Bandbreite Bn und die Eintrittsdicke Dn
des Walzgutes 7 vor dem Gerüst n. Die Walzkraft Fn muß vor
ausgesagt werden, bevor das Walzgut 7 in die Walzstraße ein
läuft. Aus diesem Grund sind einige der Größen, die die
Walzkraft Fn am Gerüst n bestimmen, wie etwa die Eintritts
temperatur Tn oder die Eintrittsdicke Dn nicht bekannt, son
dern müssen auf der Basis von Modellannahmen abgeschätzt
werden. Diese Vorausberechnung geschieht in einer den Regel
einheiten 4, 5 und 6 übergeordneten Recheneinheit 8. Die
gemessenen und vorausberechneten Eingangsgrößen bilden einen
Eingangsvektor znvor, der für jedes einzelne Gerüst n einer
der Recheneinheit 8 zugeordneten Einheit 9 mit einem darin
implementierten Walzkraftalgorithmus oder alternativ dazu
einem neuronalen Netzwerk zugeführt wird. Der Walzkraftalgo
rithmus bzw. das vorzugsweise bereits aufgrund von zufällig
erzeugten Eingangsgrößen voradaptierte neuronale Netzwerk
erzeugt aus den ihm zugeführten Eingangsgrößen jeweils einen
Vorhersagewert Fnvor für die Walzkraft Fn und gibt das
Ergebnis an die Recheneinheit 8 zurück. Diese ermittelt
darauf aufbauend eine Voreinstellung in Form einer vor
ausberechneten Anstellung (lastfreier Walzenabstand) snvor
für jedes einzelne Walzgerüst n, n = 1,2,3, und übergibt
diese gemeinsam mit der vorausberechneten Walzkraft Fn vor
paarweise den Regeleinheiten 4, 5 und 6. Sobald das Walzgut 7
in die Walzstraße eingelaufen ist und der Walzvorgang ein
gesetzt hat, können mit Hilfe von entlang der Walzstraße an
geordneten Sensoren 10 zusätzliche Messungen vorgenommen wer
den, die für jedes Walzgerüst n in einer nachgeordneten Ein
richtung zur Nachberechnung 11 eine wesentliche genauere Ab
schätzung der Eingangsgrößen En, . . . ,Dn sowie der Walzkraft Fn
erlauben. Die Nachberechnung umfaßt z. B. eine statistische
Aufbereitung der gemessenen Größen, u. a. der Walzkraft, sowie
eine Berechnung von nicht meßbaren Größen, wie z. B. der Tem
peraturen des Walzgutes 7 zwischen den einzelnen Gerüsten n
in Abhängigkeit von der gemessenen Temperatur vor dem ersten
und hinter dem letzten Walzgerüst. Mit diesen nachberech
neten, d. h. im Vergleich zur Vorausberechnung wesentlich ge
naueren Größen erfolgt nach Ablauf des Walzprozesses für den
nächsten Walzprozeß eine Adaption des Walzkraftalgorithmus
bzw. des neuronalen Netzwerks in der Einheit 9. Dabei model
liert der Walzkraftalgorithmus bzw. das neuronale Netzwerk
den prozeßbedingten Zusammenhang zwischen der Walzkraft Fn
und den Eingangsgrößen En, . . . ,Dn. Das bis hierher kurz
beschriebene Verfahren zur Vorhersage der Walzkraft Fn mit
neuronalem Netzwerk ist Gegenstand der gleichzeitig einge
reichten Patentanmeldung 93 P3245 E.
Wie oben bereits erwähnt, setzt die Vorhersage der Walzkraft
Fn die Kenntnis der Härte des Walzgutes 7 voraus. Für deren
Ermittlung ist eine zusätzliche Einheit 12 mit einem neuro
nalen Netzwerk vorgesehen, das in Abhängigkeit von einem aus
mehreren Zustandsgrößen zusammengesetzten Eingangsvektor xvor
= (C, Si, Mn, P, S, Al, N, Cu, Cr, Ni, Sn, V, Mo, Ti, Nb, B,
EBD, EBB, T1, T8) eine die Härte des Materials beschreibende
Ausgangsgröße αN erzeugt. Die Zustandsgrößen C, . . . ,B geben
die Konzentrationen von 16 chemischen Elementen wie Koh
lenstoff, Silizium, Mangan, . . . und Bor an; die Zustandsgrö
ßen EBD und EBB bezeichnen die Enddicke und Endbreite und T1
und T8 die Temperaturen des Walzgutes 7 vor und nach dem
Walzvorgang. Der in der Einheit 12 ermittelte Härtefaktor αN
wird der Einheit 9 mit dem Walzkraftalgorithmus übergeben und
geht so in die Berechnung der Walzkraft Fn ein. Die Adaption
des neuronalen Netzwerkes erfolgt in einer weiteren Rechen
einheit 13 in Abhängigkeit von direkten oder indirekten Mes
sungen der tatsächlichen Materialhärte αnach und dem nachbe
rechneten Eingangsvektor xnach, wobei im letzteren Fall der
Istwert der Materialhärte durch Nachberechnung von den über
die Sensoren 10 gemessenen Prozeßgrößen in der Nach
berechnungseinrichtung 11 erfolgt. Der Eingangsvektor xvor
aus der Vorausberechnung und derjenige aus der Nachberechnung
xnach sind bezüglich der chemischen Zusammensetzung jeden
falls identisch.
Das in Fig. 2 gezeigte neuronale Netz der Einheit 12 enthält
eine Eingangsschicht, die entsprechend der Anzahl der Zu
standsgrößen C, . . . ,T8 zwanzig Eingangselemente 18 aufweist.
Bevor die zwanzig Zustandsgrößen C, . . . ,T8 dem neuronalen
Netzwerk zugeführt werden, findet eine Normierung der ein
zelnen Größen auf den Wertebereich zwischen null und eins
statt. Durch diese vorherige Normierung wird erreicht, daß
Eingangsgrößen, welche kleine Zahlenwerte annehmen, denjeni
gen Eingangsgrößen, welche hohe Zahlenwerte annehmen, von Be
ginn an gleichgestellt sind und mit gleicher Gewichtung in
den weiter unten beschriebenen Adaptionsprozeß eingehen. Au
ßer den mit 18 bezeichneten Eingangselementen weist die Ein
gangsschicht ein zusätzliches Eingangselement 19 auf, dem ein
konstanter, z. B. auf den Wert -1,0 gesetzter Wert K zu
geführt wird. Der Eingabeschicht ist eine versteckte Schicht,
bestehend aus mehreren, hier zehn Elementen 20, nachgeordnet,
von denen jedes Element 20 ein Antwortverhalten mit einem
sigmoiden Verlauf zwischen -1,0 und +1,0 aufweist. Die den
Elementen 20 eingangsseitig zugeführten Zustandsgrößen xj,
j=1, . . . ,20 und x₂₁1 = K werden in jedem Element 20 der ver
steckten Schicht jeweils mit individuellen Gewichtsfaktoren
wÿ, i=1, . . . ,10, j=1, . . . ,21 versehen aufsummiert und aus der
so gebildeten Summe ausgangsseitig die Antwort
mit i = 1, . . . ,10 erzeugt. Die versteckte Schicht weist ein
zusätzliches Element 21 auf, das als Eingabeelement für einen
konstanten Wert x₂₁ = K, z. B. K = -1,0 dient und ein ent
sprechendes Ausgangssignal y₁₁ = -1,0 erzeugt.
Der versteckten Schicht ist eine Ausgangsschicht mit einem
Ausgangselement 22 nachgeordnet, das die Antworten yi der
Elemente 20 der versteckten Schicht jeweils mit einem indi
viduellen Gewichtsfaktor ci zu dem Vorhersagewert
mit y₁₁ = K = -1,0 aufsummiert.
Die on-line Adaption der Netzwerkparameter wÿ und ci erfolgt
nach jedem Walzprozeß, d. h. nach jedem Walzgutdurchlauf, in
der Recheneinheit 13 (Fig. 1) auf der Grundlage der Fehler
funktion
die sich aus den nachberechneten Istwerten αnachµ und Vorher
sagewerten αN nachµ, µ=1, . . . ,p von jeweils p vorteilhaft
ausgewählten gewalzten Bändern berechnet. Die Netzwerkpara
meter werden mit Adaptionsschritten Δ wÿ und Δ ci in
Richtung einer Verringerung des Fehlers Eq verändert. Dabei
ergeben sich die Adaptionsschritte zu
wobei l die Adaptionsschrittweite bzw. Lernrate für jeden
Adaptionsschritt bezeichnet. Die Lernrate l wird dabei vor
zugsweise nicht konstant gehalten, sondern für jeden Adap
tionsschritt, beispielsweise nach dem sogenannten line-
search-Verfahren, neu berechnet. Auf diese Weise erfolgt eine
adaptive Nachbildung des Zusammenhangs zwischen den Zu
standsgrößen, repräsentiert durch den Eingangsvektor x und
der Materialeigenschaft, hier der Materialhärte α, reprä
sentiert durch die Netzwerkausgabe αN.
Claims (12)
1. Verfahren zur Steuerung eines materialverarbeitenden Pro
zesses in einem geregelten System, wobei zu Beginn eines
jeden Prozeßablaufs eine Voreinstellung des Systems in Abhän
gigkeit von einem vorausberechneten Prozeßparameter (Fn) er
folgt, in dessen Vorausberechnung eine von Zustandsgrößen (x
= (C, . . .T8)) des Materials, wie seiner chemischen Zusammen
setzung und Temperatur, abhängige prozeßrelevante Materialei
genschaft (α) eingeht,
dadurch gekennzeichnet,
daß vor Beginn des Prozeßablaufs die Zustandsgrößen (x) einem
neuronalen Netzwerk mit veränderbaren Netzwerkparametern
(wÿ, ci) zugeführt werden, das ausgangsseitig einen Vorher
sagewert (αN) für die Materialeigenschaft (α) bildet, daß
während des Prozeßablaufs der Prozeßparameter (Fn) gemessen
wird, daß nach dem Prozeßablauf aus dem gemessenen Prozeßpa
rameter (Fn) durch Nachberechnung ein tatsächlicher Wert
(αnach) für die Materialeigenschaft (α) bestimmt wird und
daß die Netzwerkparameter (wÿ, ci) in Abhängigkeit von der
Abweichung zwischen dem Vorhersagewert (αN) und dem tat
sächlichen Wert (αnach) der Materialeigenschaft adaptiv im
Sinne einer Verringerung dieser Abweichung verändert werden.
2. Verfahren nach Anspruch 1,
dadurch gekennzeichnet,
daß nach dem Prozeßablauf aufgrund der während des Prozeß
ablauf s getätigten Messungen die Zustandsgrößen (x) nachbe
rechnet werden, daß die nachberechneten Zustandsgrößen
(xnach) dem neuronalen Netzwerk zugeführt werden und daß die
Abweichung zwischen der so erhaltenen Netzwerkantwort
(αNnach) und dem tatsächlichen Wert (xnach) der Material
eigenschaft zur Adaption der Netzwerkparameter (wÿ, ci)
herangezogen wird.
3. Verfahren nach Anspruch 1 oder 2,
dadurch gekennzeichnet,
daß die Adaption der Netzwerkparameter (wÿ, ci) on-line er
folgt, indem nach jedem Prozeßablauf eine Adaption der Netz
werkparameter (wÿ, ci) erfolgt.
4. Verfahren nach Anspruch 3,
dadurch gekennzeichnet,
daß für die Adaption der Netzwerkparameter (wÿ, ci) nach
jedem einzelnen Prozeßablauf zusätzlich zu der aktuellen Ab
weichung zwischen der Netzwerkantwort (αN bzw. αNnach) und
dem tatsächlichen Wert (αnach) für die Materialeigenschaft
weitere Abweichungen aus vorangegangenen Prozeßzyklen heran
gezogen werden.
5. Verfahren nach einem der vorangehenden Ansprüche,
dadurch gekennzeichnet,
daß das neuronale Netzwerk vor dem allerersten Prozeßablauf
mit simulierten oder betrieblichen Prozeßwerten für die Zu
standsgrößen (x) und die Materialeigenschaft (α) voradap
tiert wird.
6. Verfahren nach einem der vorangehenden Ansprüche,
dadurch gekennzeichnet,
daß für einen Walzprozeß mittels des neuronalen Netzwerkes
eine Vorhersage der Materialfestigkeit (α) des Walzgutes (7)
als Grundlage zur Vorausberechnung der Walzkraft (Fn) er
folgt.
7. Verfahren nach Anspruch 6,
dadurch gekennzeichnet,
daß als Zustandsgrößen des Walzgutes (7) die Konzentrationen
von chemischen Elementen, wie insbesondere C, Si, Mn, P, S,
Al, N, Cu, Cr, Ni, Sn, V, Mo, Ti, Nb und B herangezogen
werden.
8. Verfahren nach Anspruch 7,
dadurch gekennzeichnet,
daß als Zustandsgrößen zusätzlich Temperaturen und geometri
sche Abmessungen des Walzgutes (7) sowie die Walzgeschwin
digkeit herangezogen werden.
9. Verfahren nach einem der vorangehenden Ansprüche,
dadurch gekennzeichnet,
daß das neuronale Netzwerk eine Eingangsschicht mit jeweils
einem Eingangselement (18) für jede Zustandsgröße (xj,
j=1, . . . ,20) aufweist, daß der Eingangsschicht eine versteckte
Schicht, bestehend aus Elementen (20) nachgeordnet ist, von
denen jedes die ihm eingangsseitig zugeführten Zustandsgrößen
(xj) mit individuellen Gewichtsfaktoren (wÿ) versehen auf
summiert und aus der so gebildeten Summe nach einer Funktion
mit sigmoidem Verlauf ausgangsseitig eine Antwort (yi) er
zeugt, und daß der versteckten Schicht eine Ausgangsschicht
mit einem Ausgangselement (22) nachgeordnet ist, das die
Antworten (yi) der Elemente (20) der versteckten Schicht
jeweils mit einem individuellen Gewichtsfaktor (ci) versehen
zu dem Vorhersagewert (αN) aufsummiert.
10. Verfahren nach Anspruch 9,
dadurch gekennzeichnet,
daß die Eingangsschicht und die versteckte Schicht jeweils
ein zusätzliches Element (19, 21) aufweisen, dem eingangs
seitig ein konstanter Wert (K) zugeführt wird.
11. Regeleinrichtung zur Regelung eines materialverarbei
tenden Prozesses in einem geregelten System mit einer Ein
richtung zur Voreinstellung des Systems zu Beginn eines jeden
Prozeßablaufs in Abhängigkeit von einem vorausberechneten
Prozeßparameter (Fn), in dessen Vorausberechnung eine von
Zustandsgrößen (x = (C, . . . ,T8)) des Materials, wie seiner
chemischen Zusammensetzung und Temperatur, abhängige prozeß
relevante Materialeigenschaft (α) eingeht,
gekennzeichnet durch ein neuronales Netzwerk
mit veränderbaren Netzwerkparametern (wÿ, ci) zur adaptiven
Nachbildung der Abhängigkeit zwischen der Materialeigenschaft
(α) und den Zustandsgrößen (x).
12. Regeleinrichtung mit das Verfahren nach einem der
Ansprüche 1 bis 10 durchführenden Mitteln.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP93108016.2 | 1993-05-17 | ||
EP93108016 | 1993-05-17 |
Publications (2)
Publication Number | Publication Date |
---|---|
DE4416317A1 true DE4416317A1 (de) | 1994-11-24 |
DE4416317B4 DE4416317B4 (de) | 2004-10-21 |
Family
ID=8212913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE4416317A Expired - Fee Related DE4416317B4 (de) | 1993-05-17 | 1994-05-09 | Verfahren und Regeleinrichtung zur Regelung eines materialverarbeitenden Prozesses |
Country Status (2)
Country | Link |
---|---|
US (1) | US5778151A (de) |
DE (1) | DE4416317B4 (de) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19728979A1 (de) * | 1997-07-07 | 1998-09-10 | Siemens Ag | Verfahren und Einrichtung zur Steuerung bzw. Voreinstellung eines Walzgerüstes |
DE19731980A1 (de) * | 1997-07-24 | 1999-01-28 | Siemens Ag | Verfahren zur Steuerung und Voreinstellung eines Walzgerüstes oder einer Walzstraße zum Walzen eines Walzbandes |
DE19738955A1 (de) * | 1997-09-05 | 1999-03-18 | Audi Ag | Verfahren zur Regelung eines Umformprozesses |
WO1999024182A1 (de) * | 1997-11-10 | 1999-05-20 | Siemens Aktiengesellschaft | Verfahren und einrichtung zur steuerung einer hüttentechnischen anlage |
DE10120476A1 (de) * | 2001-04-25 | 2002-11-21 | Bayer Ag | Hybridmodell und Verfahren zur Bestimmung von Eigenschaften hinsichtlich der Herstellung eines Spritzgießformteils |
DE102017131025A1 (de) | 2016-12-23 | 2018-06-28 | Engel Austria Gmbh | Verfahren zur Optimierung eines Prozessoptimierungssystems und Verfahren zum Simulieren eines Formgebungsprozesses |
CN115032891A (zh) * | 2022-08-11 | 2022-09-09 | 科大智能物联技术股份有限公司 | 一种基于时间序列预测的多晶硅还原炉控制方法 |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE69710201T3 (de) * | 1996-10-04 | 2007-07-05 | Fisher Controls International Llc (N.D.Ges.D.Staates Delaware) | Netzwerkzugangs-interface für prozesssteuerungsnetzwerk |
US6047222A (en) * | 1996-10-04 | 2000-04-04 | Fisher Controls International, Inc. | Process control network with redundant field devices and buses |
CA2276299A1 (en) * | 1996-12-31 | 1998-07-09 | Rosemount Inc. | Device in a process system for validating a control signal from a field device |
EP1163062B1 (de) * | 1999-03-23 | 2002-11-13 | Siemens Aktiengesellschaft | Verfahren und einrichtung zur bestimmung der walzkraft in einem walzgerüst |
FI115406B (fi) * | 2000-06-13 | 2005-04-29 | Metso Paper Inc | Paperikoneen tai kartonkikoneen tai vastaavan kuiturainakoneen telaston, kuten kalanterin, kuormituslaskentajärjestelmä |
DE10118748A1 (de) * | 2001-04-17 | 2002-10-31 | Siemens Ag | Verfahren und Vorrichtung zur prozessgesteuerten Modellierung einer verfahrenstechnischen Anlage |
GB0119023D0 (en) * | 2001-08-03 | 2001-09-26 | Norsk Hydro As | Method and apparatus for distorting a workpiece |
DE10339766A1 (de) * | 2003-08-27 | 2005-04-07 | Siemens Ag | Verfahren und Einrichtung zur Steuerung einer Anlage zur Herstellung von Stahl |
WO2008000845A1 (es) * | 2006-06-19 | 2008-01-03 | Fundacion Labein | Método y sistema de optimización de procesos de laminación de acero |
US7840297B1 (en) * | 2008-03-14 | 2010-11-23 | Tuszynski Steve W | Dynamic control system for manufacturing processes including indirect process variable profiles |
DE102022212627A1 (de) * | 2022-11-25 | 2024-05-29 | Sms Group Gmbh | Verfahren zum Herstellen eines Stahlbandes aus einem Vorprodukt, bei dem die Sollwerte über die Länge eines einzelnen Stahlbandes und / oder zeitlich in Bezug auf eine einzelne Produktionsanlage einer Walzstraße variabel vorgegeben werden |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE534221C (de) * | 1926-12-30 | 1931-09-24 | Cie I G Brill | Aufhaengung an Drehgestellen, bei welchen das Gewicht des Wagenkastens auf Laengstraegern unter Vermittlung querstehender Doppelblattfedern ruht |
US5119468A (en) * | 1989-02-28 | 1992-06-02 | E. I. Du Pont De Nemours And Company | Apparatus and method for controlling a process using a trained parallel distributed processing network |
US5303385A (en) * | 1989-03-17 | 1994-04-12 | Hitachi, Ltd. | Control system having optimality decision means |
JP2656637B2 (ja) * | 1989-11-22 | 1997-09-24 | 株式会社日立製作所 | プロセス制御システム及び発電プラントプロセス制御システム |
CA2031765C (en) * | 1989-12-08 | 1996-02-20 | Masahide Nomura | Method and system for performing control conforming with characteristics of controlled system |
EP0460892B1 (de) * | 1990-06-04 | 1996-09-04 | Hitachi, Ltd. | Steuerungsvorrichtung für die Steuerung einer gesteuerten Anlage und Steuerungsverfahren dafür |
US5159660A (en) * | 1990-08-09 | 1992-10-27 | Western Thunder | Universal process control using artificial neural networks |
US5175678A (en) * | 1990-08-15 | 1992-12-29 | Elsag International B.V. | Method and procedure for neural control of dynamic processes |
JPH04131600A (ja) * | 1990-09-19 | 1992-05-06 | Hitachi Ltd | 都市エネルギーシステム |
US5581459A (en) * | 1990-09-26 | 1996-12-03 | Hitachi, Ltd. | Plant operation support system |
US5402519A (en) * | 1990-11-26 | 1995-03-28 | Hitachi, Ltd. | Neural network system adapted for non-linear processing |
US5204872A (en) * | 1991-04-15 | 1993-04-20 | Milltech-Hoh, Inc. | Control system for electric arc furnace |
US5268834A (en) * | 1991-06-24 | 1993-12-07 | Massachusetts Institute Of Technology | Stable adaptive neural network controller |
JP3242950B2 (ja) * | 1991-08-14 | 2001-12-25 | 株式会社東芝 | 予測制御方法 |
DE4130164A1 (de) * | 1991-09-11 | 1993-03-18 | Bodenseewerk Geraetetech | Regler, insbesondere flugregler |
DE4131765A1 (de) * | 1991-09-24 | 1993-03-25 | Siemens Ag | Regelparameter-verbesserungsverfahren fuer industrielle anlagen |
JPH05342191A (ja) * | 1992-06-08 | 1993-12-24 | Mitsubishi Electric Corp | 経済時系列データ予測及び解析システム |
US5353207A (en) * | 1992-06-10 | 1994-10-04 | Pavilion Technologies, Inc. | Residual activation neural network |
DE4416364B4 (de) * | 1993-05-17 | 2004-10-28 | Siemens Ag | Verfahren und Regeleinrichtung zur Regelung eines Prozesses |
-
1994
- 1994-05-09 DE DE4416317A patent/DE4416317B4/de not_active Expired - Fee Related
- 1994-05-16 US US08/242,934 patent/US5778151A/en not_active Expired - Lifetime
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999002282A1 (de) * | 1997-07-07 | 1999-01-21 | Siemens Aktiengesellschaft | Verfahren und einrichtung zur steuerung bzw. voreinstellung eines walzgerüstes |
DE19728979A1 (de) * | 1997-07-07 | 1998-09-10 | Siemens Ag | Verfahren und Einrichtung zur Steuerung bzw. Voreinstellung eines Walzgerüstes |
US6807449B1 (en) | 1997-07-24 | 2004-10-19 | Siemens Aktiengessellscaft | Method for controlling and pre-setting a steelworks or parts of a steelworks |
DE19731980A1 (de) * | 1997-07-24 | 1999-01-28 | Siemens Ag | Verfahren zur Steuerung und Voreinstellung eines Walzgerüstes oder einer Walzstraße zum Walzen eines Walzbandes |
WO1999005577A1 (de) * | 1997-07-24 | 1999-02-04 | Siemens Aktiengesellschaft | Verfahren zur steuerung und voreinstellung eines stahlwerkes oder von teilen eines stahlwerkes |
DE19881041B4 (de) * | 1997-07-24 | 2013-08-22 | 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 |
DE19738955A1 (de) * | 1997-09-05 | 1999-03-18 | Audi Ag | Verfahren zur Regelung eines Umformprozesses |
DE19738955C2 (de) * | 1997-09-05 | 2003-01-09 | Audi Ag | Verfahren zur Regelung eines Umformprozesses |
US6546310B1 (en) | 1997-11-10 | 2003-04-08 | Siemens Aktiengesellschaft | Process and device for controlling a metallurgical plant |
AT414316B (de) * | 1997-11-10 | 2007-02-15 | Siemens Ag | Verfahren und einrichtung zur steuerung einer hüttentechnischen anlage |
WO1999024182A1 (de) * | 1997-11-10 | 1999-05-20 | Siemens Aktiengesellschaft | Verfahren und einrichtung zur steuerung einer hüttentechnischen anlage |
DE19881711C5 (de) * | 1997-11-10 | 2019-02-14 | Primetals Technologies Germany Gmbh | Verfahren und Einrichtung zur Steuerung einer Hüttentechnischen Anlage |
DE10120476A1 (de) * | 2001-04-25 | 2002-11-21 | Bayer Ag | Hybridmodell und Verfahren zur Bestimmung von Eigenschaften hinsichtlich der Herstellung eines Spritzgießformteils |
DE102017131025A1 (de) | 2016-12-23 | 2018-06-28 | Engel Austria Gmbh | Verfahren zur Optimierung eines Prozessoptimierungssystems und Verfahren zum Simulieren eines Formgebungsprozesses |
CN115032891A (zh) * | 2022-08-11 | 2022-09-09 | 科大智能物联技术股份有限公司 | 一种基于时间序列预测的多晶硅还原炉控制方法 |
CN115032891B (zh) * | 2022-08-11 | 2022-11-08 | 科大智能物联技术股份有限公司 | 一种基于时间序列预测的多晶硅还原炉控制方法 |
Also Published As
Publication number | Publication date |
---|---|
DE4416317B4 (de) | 2004-10-21 |
US5778151A (en) | 1998-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE4416364B4 (de) | Verfahren und Regeleinrichtung zur Regelung eines Prozesses | |
DE4338608B4 (de) | Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System | |
DE4416317B4 (de) | Verfahren und Regeleinrichtung zur Regelung eines materialverarbeitenden Prozesses | |
DE4338615B4 (de) | Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System | |
DE102016207692B4 (de) | Vorrichtung und Verfahren zum Steuern der Liefertemperatur eines Warmwalz-Fertigwalzwerks | |
EP0534221B1 (de) | Regelparameter-Verbesserungsverfahren für industrielle Anlagen | |
EP2076824B1 (de) | Verfahren zur steuerung und/oder regelung eines industriellen prozesses | |
AT414316B (de) | Verfahren und einrichtung zur steuerung einer hüttentechnischen anlage | |
DE19522494C2 (de) | Verfahren zum Walzen eines Metallbandes | |
DE112004002759T5 (de) | Verfahren und Vorrichtung zum Steuern der Materialqualität in einem Walz-, Schmiede- oder Nivellierungsverfahren | |
DE4338607B4 (de) | Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System | |
DE102006047718A1 (de) | Verfahren zur Nachverfolgung des physikalischen Zustands eines Warmblechs oder Warmbands im Rahmen der Steuerung einer Grobblechwalzstraße zur Bearbeitung eines Warmblechs oder Warmbands | |
DE4040360A1 (de) | Regelung eines mehrgeruestigen warm- und/oder kaltband-walzwerks | |
DE2256136A1 (de) | Computergesteuertes walzwerk | |
DE19881041B4 (de) | Verfahren zur Steuerung und Voreinstellung eines Stahlwerkes oder von Teilen eines Stahlwerkes | |
EP1711283A1 (de) | Regelverfahren und regler für ein walzgerüst | |
WO1998015882A1 (de) | Verfahren und einrichtung zur identifikation bzw. vorausberechnung von prozessparametern eines industriellen zeitvarianten prozesses | |
EP3642372B1 (de) | Verfahren zum betreiben eines glühofens | |
EP4061552B1 (de) | Verfahren, steuervorrichtung sowie walzanlage zur einstellung einer auslauftemperatur eines aus einer walzstrasse auslaufenden metallbands | |
DE19740691A1 (de) | Verfahren und Einrichtung zur Kühlung von Metallen in einem Hüttenwerk | |
EP3787811A1 (de) | Verfahren zum betreiben einer kühlstrecke und anlage zum herstellen von walzprodukten | |
EP4124398B1 (de) | Verfahren zur bestimmung mechanischer eigenschaften eines walzgutes mit hilfe eines hybriden modells | |
EP4130895A1 (de) | Verfahren zum ermitteln eines steuerparameters zum steuern einer walzanlage | |
AT503568B1 (de) | Verfahren zum messen und/oder regeln der planheit eines bandes beim walzen | |
DE10118748A1 (de) | Verfahren und Vorrichtung zur prozessgesteuerten Modellierung einer verfahrenstechnischen Anlage |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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: 20121201 |