DE4416317A1 - Verfahren und Regeleinrichtung zur Regelung eines materialverarbeitenden Prozesses - Google Patents

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 F_n an dem Gerüst n von der Härte des Walzgutes 7 sowie durch folgende Eingangsgrößen bestimmt: Die relative Dickenabnahme E_n des Walzgutes 7, die Eintrittstemperatur T_n des Walzgutes 10, der Vorwärtszug Z_n im Walzgut vor dem Gerüst n, der Rückwärtszug Z_n+1 im Walzgut 7 hinter dem Gerüst n, der Walzenradius R_n, die Bandbreite Bn und die Eintrittsdicke D_n des Walzgutes 7 vor dem Gerüst n. Die Walzkraft F_n muß vor­ ausgesagt werden, bevor das Walzgut 7 in die Walzstraße ein­ läuft. Aus diesem Grund sind einige der Größen, die die Walzkraft F_n am Gerüst n bestimmen, wie etwa die Eintritts­ temperatur T_n oder die Eintrittsdicke D_n 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 z_nvor, 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 F_nvor für die Walzkraft F_n und gibt das Ergebnis an die Recheneinheit 8 zurück. Diese ermittelt darauf aufbauend eine Voreinstellung in Form einer vor­ ausberechneten Anstellung (lastfreier Walzenabstand) s_nvor für jedes einzelne Walzgerüst n, n = 1,2,3, und übergibt diese gemeinsam mit der vorausberechneten Walzkraft F_n 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 E_n, . . . ,D_n sowie der Walzkraft F_n 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 F_n und den Eingangsgrößen E_n, . . . ,D_n. Das bis hierher kurz beschriebene Verfahren zur Vorhersage der Walzkraft F_n mit neuronalem Netzwerk ist Gegenstand der gleichzeitig einge­ reichten Patentanmeldung 93 P3245 E.

Wie oben bereits erwähnt, setzt die Vorhersage der Walzkraft F_n 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 x_vor = (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 α_N 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 α_N wird der Einheit 9 mit dem Walzkraftalgorithmus übergeben und geht so in die Berechnung der Walzkraft F_n ein. Die Adaption des neuronalen Netzwerkes erfolgt in einer weiteren Rechen­ einheit 13 in Abhängigkeit von direkten oder indirekten Mes­ sungen der tatsächlichen Materialhärte α_nach und dem nachbe­ rechneten Eingangsvektor x_nach, 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 x_vor aus der Vorausberechnung und derjenige aus der Nachberechnung x_nach 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 x_j, j=1, . . . ,20 und x₂₁1 = K werden in jedem Element 20 der ver­ steckten Schicht jeweils mit individuellen Gewichtsfaktoren w_ÿ, 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 y_i der Elemente 20 der versteckten Schicht jeweils mit einem indi­ viduellen Gewichtsfaktor c_i zu dem Vorhersagewert

mit y₁₁ = K = -1,0 aufsummiert.

Die on-line Adaption der Netzwerkparameter w_ÿ und c_i 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 α_nachµ und Vorher­ sagewerten α_{N nach}µ, µ=1, . . . ,p von jeweils p vorteilhaft ausgewählten gewalzten Bändern berechnet. Die Netzwerkpara­ meter werden mit Adaptionsschritten Δ w_ÿ und Δ c_i in Richtung einer Verringerung des Fehlers E_q 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 α_N.

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 (F_n) 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 (w_ÿ, c_i) zugeführt werden, das ausgangsseitig einen Vorher­ sagewert (α_N) für die Materialeigenschaft (α) bildet, daß während des Prozeßablaufs der Prozeßparameter (F_n) gemessen wird, daß nach dem Prozeßablauf aus dem gemessenen Prozeßpa­ rameter (F_n) durch Nachberechnung ein tatsächlicher Wert (α_nach) für die Materialeigenschaft (α) bestimmt wird und daß die Netzwerkparameter (w_ÿ, c_i) in Abhängigkeit von der Abweichung zwischen dem Vorhersagewert (α_N) und dem tat­ sächlichen Wert (α_nach) 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 (x_nach) dem neuronalen Netzwerk zugeführt werden und daß die Abweichung zwischen der so erhaltenen Netzwerkantwort (α_Nnach) und dem tatsächlichen Wert (x_nach) der Material­ eigenschaft zur Adaption der Netzwerkparameter (w_ÿ, c_i) herangezogen wird.

3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, daß die Adaption der Netzwerkparameter (w_ÿ, c_i) on-line er­ folgt, indem nach jedem Prozeßablauf eine Adaption der Netz­ werkparameter (w_ÿ, c_i) erfolgt.

4. Verfahren nach Anspruch 3, dadurch gekennzeichnet, daß für die Adaption der Netzwerkparameter (w_ÿ, c_i) nach jedem einzelnen Prozeßablauf zusätzlich zu der aktuellen Ab­ weichung zwischen der Netzwerkantwort (α_N bzw. α_Nnach) und dem tatsächlichen Wert (α_nach) 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 (F_n) 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 (x_j, j=1, . . . ,20) aufweist, daß der Eingangsschicht eine versteckte Schicht, bestehend aus Elementen (20) nachgeordnet ist, von denen jedes die ihm eingangsseitig zugeführten Zustandsgrößen (x_j) mit individuellen Gewichtsfaktoren (w_ÿ) versehen auf­ summiert und aus der so gebildeten Summe nach einer Funktion mit sigmoidem Verlauf ausgangsseitig eine Antwort (y_i) er­ zeugt, und daß der versteckten Schicht eine Ausgangsschicht mit einem Ausgangselement (22) nachgeordnet ist, das die Antworten (y_i) der Elemente (20) der versteckten Schicht jeweils mit einem individuellen Gewichtsfaktor (c_i) versehen zu dem Vorhersagewert (α_N) 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 (F_n), 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 (w_ÿ, c_i) 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.