JP2018180799A5 - - Google Patents
Download PDFInfo
- Publication number
- JP2018180799A5 JP2018180799A5 JP2017077350A JP2017077350A JP2018180799A5 JP 2018180799 A5 JP2018180799 A5 JP 2018180799A5 JP 2017077350 A JP2017077350 A JP 2017077350A JP 2017077350 A JP2017077350 A JP 2017077350A JP 2018180799 A5 JP2018180799 A5 JP 2018180799A5
- Authority
- JP
- Japan
- Prior art keywords
- control
- plant
- data
- controlled
- combination
- 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
- 230000001537 neural Effects 0.000 claims description 19
- 238000005096 rolling process Methods 0.000 claims description 13
- 230000001629 suppression Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims 3
- 238000000034 method Methods 0.000 claims 1
- 238000003909 pattern recognition Methods 0.000 claims 1
- 238000004904 shortening Methods 0.000 claims 1
- 238000004088 simulation Methods 0.000 claims 1
- 239000002436 steel type Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
Description
図３は、本発明の実施例に係る制御ルール学習部１１の具体的な構成事例を示している。制御ルール学習部１１は、入力データ作成部１１４、教師データ作成部１１５、ニューラルネット処理部１１０、ニューラルネット選択部１１３を主たる構成要素として構成されている。また制御ルール学習部１１は、外部からの入力として制御入力データ作成部２からの入力データＳ１を時間遅れさせたデータＳ８ａを、学習データ作成部７からの新規の教師データＳ７ａを得、また制御ルールデータベースＤＢ１および学習データデータベースＤＢ２に蓄積されたデータを参照する。 FIG. 3 shows a specific configuration example of the control rule learning unit 11 according to the embodiment of the present invention. The control rule learning unit 11 is mainly composed of an input data creation unit 114, a teacher data creation unit 115, a neural network processing unit 110, and a neural network selection unit 113. The control rule learning unit 11 obtains data S8a obtained by delaying the input data S1 from the control input data generation unit 2 as external input, obtains new teacher data S7a from the learning data generation unit 7, and performs control. The data stored in the rule database DB1 and the learning data database DB2 are referred to.
また制御ルール学習部１１において、学習データ作成部７からの新規の教師データＳ７ａは、教師データ作成部１１５において学習データデータベースＤＢ２に記憶されている過去の教師データＳ７ｂも含めた合計の教師データＳ７ｃとして、ニューラルネット処理部１１０に与えられる。これらの教師データＳ７ａ、Ｓ７ｂは、適宜、学習データデータベースＤＢ２に記憶されて、利用される。 In the control rule learning unit 11, the new teacher data S7a from the learning data creation unit 7 is used as the total teacher data S7c including the past teacher data S7b stored in the learning data database DB2 in the teacher data creation unit 115. Is given to the neural network processing unit 110. These teacher data S7a and S7b are appropriately stored and used in the learning data database DB2 .
同様に、制御入力データ作成部２からの入力データＳ８ａは、入力データ作成部１１４において学習データデータベースＤＢ２に記憶されている過去の入力データＳ８ｂも含めた合計の入力データＳ８ｃとして、ニューラルネット処理部１１０に与えられる。これらの入力データＳ８ａ、Ｓ８ｂは、適宜、学習データデータベースＤＢ２に記憶されて、利用される。 Similarly, the input data S8a from the control input data generator 2 is used as the total input data S8c including the past input data S8b stored in the learning data database DB2 in the input data generator 114 as the neural network processing unit. 110. These input data S8a and S8b are appropriately stored and used in the learning data database DB2 .
図７に、ニューラルネット１０１、１１１の入力層へ入力するためのデータＳ１（規格化形状偏差２０１、形状偏差段階２０２）を作成する、制御入力データ作成部２の概要を示す。ここでは実績データＳｉとして、制御対象プラント１であるセンヂミア圧延機における圧延時の板形状を検出する、形状検出器の形状検出器データを入力とし、まず、形状偏差ＰＰ値演算部２１０にて各形状検出器ゾーンの検出結果の最大値と最小値の差である形状偏差ＰＰ値（Ｐｅａｋ Ｔｏ Ｐｅａｋ値）ＳＰＰを求める。形状偏差段階演算部２１１では、形状偏差ＰＰ値ＳＰＰにより、形状偏差を大、中、小の３段階に分類する。形状は、被圧延材の伸び率の板幅方向分布であり、伸び率を１０−５単位で表すＩ−ＵＮＩＴが単位として用いられる。例えば、下式のように分類する。 FIG. 7 shows an outline of the control input data creating unit 2 that creates data S1 (normalized shape deviation 201, shape deviation stage 202) to be input to the input layers of the neural networks 101 and 111. Here, as actual data Si detects a plate shape during rolling in Sendzimir rolling mill to be controlled plant 1 inputs the shape detector data shape detector, firstly, each in the shape deviation PP value calculation unit 210 A shape deviation PP value (Peak To Peak value) SPP, which is a difference between the maximum value and the minimum value of the detection result of the shape detector zone, is obtained. In shape deviation stage computing unit 211, the shape deviation PP value SPP, the shape deviation large, medium, classified into three levels of small. The shape is a distribution of the elongation rate of the material to be rolled in the width direction of the sheet, and I-UNIT representing the elongation rate in 10-5 units is used as a unit. For example, they are classified as in the following equation.
ここでは、制御操作量出力可否データＳ４＝０の場合、制御結果良否データＳ６＝−１とする。また閾値上限ＬＣＵと閾値下限ＬＣＬを、閾値条件（ＬＣＵ≧０≧ＬＣＬ）のもとで予め設定しておく。このときに、良否判定評価関数Ｊｃとの比較の結果が、Ｊｃ＞ＬＣＵであれば、制御結果良否データＳ６＝−１（形状が悪くなった）とし、ＬＣＵ≧Ｊｃ≧０であれば、制御結果良否データＳ６＝０（形状が悪くなる方向に変化）とし、０＞Ｊｃ≧ＬＣＬであれば、制御結果良否データＳ６＝１（形状が良くなる方向に変化）とし、Ｊｃ＜ＬＣＬであれば、制御結果良否データＳ６＝０（形状が良くなった）とする。 Here, when the control operation amount output availability data S4 = 0, the control result quality data S6 = −1. The threshold upper limit LCU and the threshold lower limit LCL are set in advance under a threshold condition (LCU ≧ 0 ≧ LCL). At this time, if the result of the comparison with the pass / fail evaluation function Jc is Jc> LCU, the control result pass / fail data S6 = −1 (the shape is deteriorated), and if LCU ≧ Jc ≧ 0, the control is performed. If the result pass / fail data S6 = 0 (change in the direction in which the shape becomes worse), and if 0> Jc ≧ LCL, then the control result pass / fail data S6 = 1 (change in the direction in which the shape becomes better), and if Jc <LCL, It is assumed that the control result pass / fail data S6 = 0 (the shape is improved).
この場合の教師データＳ７ａは、図４に示す、ニューラルネット１１１の出力層からの出力である、ＡＳ−Ｕ操作度合３０１、１中間操作度合３０２となる。学習データ作成部７は、ニューラルネット１０１の出力である制御操作端操作指令Ｓ２（ＡＳ−Ｕ操作度合３０１、１中間操作度合３０２）と、制御操作量出力ＳＯである＃１〜＃ｎＡＳ−Ｕ位置変更量出力、上第１中間シフト位置変更量出力、下第１中間シフト位置変更量出力を用いて、制御ルール学習部１１で使用するニューラルネット１１１に対する教師データＳ７ａを作成する。 The teacher data S7a in this case is an AS-U operation degree 301 and an intermediate operation degree 302, which are outputs from the output layer of the neural network 111 shown in FIG. The learning data creation unit 7 includes a control operation end operation command S2 (AS-U operation degree 301, 1 intermediate operation degree 302 ) which is an output of the neural network 101, and # 1 to # nAS-U which are control operation amount outputs SO. Using the position change amount output, the upper first intermediate shift position change amount output, and the lower first intermediate shift position change amount output, teacher data S7a for the neural network 111 used in the control rule learning unit 11 is created.
図１４は学習データデータベースＤＢ２に保存されたデータ例を示している。ニューラルネット１１１を学習するためには、多数の入力データＳ８ａと教師データＳ７ａの組合せが必要である。従って、学習データ作成部７で作成した教師データＳ７ａ（ＡＳ−Ｕ操作度合教師データ、第１中間操作度合）は、制御実行装置２０にて制御ルール実行部１０に入力された入力データＳ１（規格化形状偏差２０１および形状偏差段階２０２）の時間遅れデータＳ８ａと組み合わせて一組の学習データとして、学習データデータベースＤＢ２に保存される。 FIG. 14 shows an example of data stored in the learning data database DB2. In order to learn the neural network 111, a combination of a large number of input data S8a and teacher data S7a is required. Accordingly, the teacher data S7a (AS-U operation degree teacher data, first intermediate operation degree) created by the learning data creation unit 7 is input data S1 (standard data) input to the control rule execution unit 10 by the control execution device 20. The data are stored in the learning data database DB2 as a set of learning data in combination with the time deviation data S8a of the structured shape deviation 201 and the shape deviation stage 202 ).
なお図１のプラント制御装置においては、各種のデータベースＤＢ１、ＤＢ２、ＤＢ３、ＤＢ４を使用しているが、図１５に各データベースＤＢ１、ＤＢ２、ＤＢ３、ＤＢ４を連系的に管理運用するためのニューラルネット管理テーブルＴＢの構成を示す。管理テーブルＴＢは、仕様の管理テーブルを備えている。具体的には、管理テーブルＴＢは、仕様について（Ｂ１）板幅、（Ｂ２）鋼種、および制御の優先度についての仕様Ａ１、Ａ２に応じて区分けされる。（Ｂ１）板幅としては、例えば、３フィート幅、メータ幅、４フィート幅、５フィート幅の４区分が、鋼種としては、鋼種（１）〜鋼種（１０）の１０区分程度を用いる。また、制御の優先度についての仕様Ａについては、Ａ１およびＡ２の２種類とする。この場合、８０区分となり、８０個のニューラルネットを、圧延条件に応じて使い分けて使用する事となる。 In the plant control device of FIG. 1, various databases DB1, DB2, DB3, and DB4 are used . FIG. 15 shows a neural network for managing and operating the databases DB1, DB2, DB3, and DB4 in an interconnected manner. 4 shows a configuration of a net management table TB. The management table TB includes a specification management table. More specifically, the management table TB is classified according to specifications (B1), (B2) steel type, and specifications A1 and A2 regarding control priority. (B1) As the sheet width, for example, four sections of 3 feet width, meter width, 4 feet width, and 5 feet width are used, and as the steel type, about 10 sections of steel type (1) to steel type (10) are used. In addition, there are two types of specifications A regarding control priority, A1 and A2. In this case, there are 80 sections, and 80 neural nets are selectively used according to the rolling conditions.
１：制御対象プラント
２：制御入力データ作成部
３：制御出力演算部
４：制御出力抑制部
５：制御出力判定部
６：制御結果良否判定部
７：学習データ作成部
１０：制御ルール実行部
１１：制御ルール学習部
２０：制御実行装置
２１：制御方法学習装置
ＤＢ１：制御ルールデータベース
ＤＢ２：学習データデータベース
ＤＢ３：出力判定データベース
Ｓｉ：実績データ
ＳＯ：制御操作量出力
Ｓ１：入力データ
Ｓ２：制御操作端操作指令
Ｓ３：制御操作量
Ｓ４：制御操作量出力可否データ
Ｓ５：良否判定データ
Ｓ６：制御結果良否データ
Ｓ７ａ、Ｓ７ｂ、Ｓ７ｃ：教師データ
Ｓ８ａ、Ｓ８ｂ、Ｓ８ｃ：入力データ（制御ルール学習部用）
1: Control target plant 2: Control input data creating unit 3: Control output calculating unit 4: Control output suppressing unit 5: Control output determining unit 6: Control result good / bad determining unit 7: Learning data creating unit 10: Control rule executing unit 11 : Control rule learning unit 20: control execution device 21: control method learning device DB 1: control rule database
DB2: Learning data database
DB3: output determination database Si: actual data SO: control operation amount output S1: input data S2: control operation end operation command S3: control operation amount S4: control operation amount output availability data S5: pass / fail judgment data S6: control result pass / fail data S7a, S7b, S7c: Teacher data S8a, S8b, S8c: Input data (for control rule learning unit)
Claims (12)
制御対象プラントの実績データと制御操作の組合せを学習する制御方法学習装置と、学習した前記実績データと制御操作の組合せに応じて制御対象プラントの制御を実施する制御実行装置を備え、
前記制御実行装置は、制御対象プラントの実績データと制御操作の定められた組合せに従って制御出力を与える制御ルール実行部と、該制御ルール実行部が出力する制御出力の可否を判定するとともに、当該実績データと制御操作が誤りである事を前記制御方法学習装置に通知する制御出力判定部と、該制御出力判定部が、制御出力を前記制御対象プラントに出力した場合、前記制御対象プラントの前記実績データが悪化すると判断した場合は、制御出力を前記制御対象プラントに出力することを阻止する制御出力抑制部とを備え、
前記制御方法学習装置は、前記制御実行装置が制御出力を実際に、制御対象プラントに出力した場合に、制御効果が実績データに表れるまでの時間遅れ後に、実績データが制御前に比較して良くなったか、悪くなったかについての制御結果の良否を判定する制御結果良否判定部と、該制御結果良否判定部における制御結果の良否と、前記制御出力をもちいて教師データを得る学習データ作成部と、前記実績データと前記教師データを学習データとして学習する制御ルール学習部とを備え、前記制御方法学習装置が学習する事で、前記制御対象プラントの状態に応じて複数の制御目標に対して別個の実績データと制御操作の組合せを得、得られた実績データと制御操作の組合せを前記制御ルール実行部における制御対象プラントの実績データと制御操作の定められた組合せとして使用することを特徴とするプラント制御装置。 For a plant to be controlled, a plant control device that recognizes a pattern of a combination of actual data of the plant to be controlled and performs control,
A control method learning device for learning a combination of the performance data and the control operation of the control target plant, and a control execution device for performing control of the control target plant according to the combination of the learned performance data and the control operation,
The control execution device includes: a control rule execution unit that provides a control output according to a predetermined combination of performance data and control operation of a plant to be controlled; and a control rule execution unit that determines whether the control output is output. A control output determining unit that notifies the control method learning device that the data and the control operation are erroneous, and the control output determining unit outputs a control output to the control target plant. When it is determined that the data is deteriorated, comprising a control output suppression unit that prevents output of the control output to the plant to be controlled,
The control method learning device, when the control execution device actually outputs the control output to the control target plant, after a time delay until the control effect appears in the actual data, the actual data may be compared before the control. A control result good or bad judgment unit for judging whether the control result is good or bad, a control result good or bad in the control result good or bad judgment unit, and a learning data creating unit for obtaining teacher data using the control output. A control rule learning unit that learns the performance data and the teacher data as learning data, and the control method learning device learns, thereby separately controlling a plurality of control targets according to the state of the control target plant. A combination of the actual data and the control operation is obtained, and the obtained combination of the actual data and the control operation is compared with the actual data of the plant to be controlled in the control rule execution unit. Plant control system, characterized in that it uses a combination of a defined control operation.
制御対象プラントの実績データの大小に応じて、実績データと制御操作の組合せを替える為、実績データの大小に関する情報と、実績データを規格化しパターン認識を実施しやすくする情報を用いて、実績データと制御操作の組合せを学習し、制御する事を特徴とするプラント制御装置。 It is a plant control apparatus of Claim 1, Comprising:
In order to change the combination of the actual data and the control operation according to the magnitude of the actual data of the plant to be controlled, the actual data using the information on the magnitude of the actual data and the information that normalizes the actual data and facilitates pattern recognition A plant control device characterized in that it learns and controls a combination of control and operation.
前記制御ルール実行部は、制御対象プラントの実績データと制御操作の定められた組合せを第１のニューラルネットとして保持し、前記制御ルール学習部は、実績データと制御操作の組合せを第２のニューラルネットとして保持し、前記制御方法学習装置における学習の結果得られた第２のニューラルネットを前記制御ルール実行部における前記第１のニューラルネットとして使用することを特徴とするプラント制御装置。 The plant control device according to claim 1 or claim 2,
The control rule execution unit holds a predetermined combination of the performance data of the plant to be controlled and the control operation as a first neural net, and the control rule learning unit stores the combination of the performance data and the control operation in a second neural network. A plant control device, wherein the plant neural network is held as a net, and a second neural net obtained as a result of learning by the control method learning device is used as the first neural net in the control rule execution unit.
前記制御実行装置は、前記制御出力に外乱を与える制御操作外乱発生部を備え、前記制御方法学習装置は、外乱を印加されたときも含めて学習することを特徴とするプラント制御装置。 The plant control device according to any one of claims 1 to 3, wherein
The plant control device, wherein the control execution device includes a control operation disturbance generating unit that gives a disturbance to the control output, and the control method learning device learns when a disturbance is applied.
前記制御方法学習装置は、予め定められた複数の仕様のもとでの学習により、実績データと制御操作の複数の組合せを得ており、前記制御実行装置は、実績データと制御操作の複数の組合せの中から制御対象プラントの運転状態に応じて1つの実績データと制御操作の組合せを選択し前記制御出力を与えることを特徴とするプラント制御装置。 The plant control device according to any one of claims 1 to 4, wherein
The control method learning device obtains a plurality of combinations of performance data and control operations by learning under a plurality of predetermined specifications, and the control execution device obtains a plurality of performance data and a plurality of control operations. A plant control apparatus, wherein one of a combination of actual data and a control operation is selected from the combinations according to the operation state of a plant to be controlled, and the control output is provided.
実績データの大小に応じて、使用する実績データと操作方法の組合せを学習するニューラルネットを変更する事を特徴とするプラント制御装置。 It is a plant control apparatus of Claim 3, Comprising:
A plant control device characterized by changing a neural network for learning a combination of a result data to be used and an operation method according to the size of the result data.
前記制御対象プラントの状態、または制御対象プラントの操作員の経験等にもとづき、制御結果の良否判定基準を変更し、制御対象プラントに対する実績データと操作法の関係をそれぞれ求め、データベースにそれぞれ格納する事で、前記制御対象プラントの状態、または制御対象プラントの操作員の経験等に応じて、異なる制御方法で制御する事を特徴とするプラント制御装置。 The plant control device according to any one of claims 1 to 6, wherein
Based on the state of the plant to be controlled, or the experience of the operator of the plant to be controlled, and the like, change the criterion for the quality of the control result, obtain the relationship between the actual data and the operation method for the plant to be controlled, and store them in the database In this case, a plant control device is controlled by a different control method according to the state of the plant to be controlled or the experience of an operator of the plant to be controlled.
前記実績データと制御操作の組合せを、制御対象プラントでの制御を実施する前に、制御対象プラントの制御モデルを用いてシュミレーションにより作成し、制御対象プラントにおける前記実績データと制御操作の組合せの学習期間を短縮する事を特徴とするプラント制御装置。 The plant control device according to any one of claims 1 to 7, wherein
Before performing the control in the plant to be controlled, the combination of the performance data and the control operation is created by simulation using a control model of the plant to be controlled, and learning of the combination of the performance data and the control operation in the plant to be controlled is performed. A plant control device characterized by shortening the period.
前記制御対象プラントは、圧延機であり、前記実績データは前記圧延機の出側形状であることを特徴とする圧延機制御装置。 A rolling mill control device to which the plant control device according to any one of claims 1 to 8 is applied,
The said control target plant is a rolling mill, and the said performance data is a delivery side shape of the said rolling mill, The rolling mill control apparatus characterized by the above-mentioned.
制御対象プラントの実績データと制御操作の組合せを学習する制御方法学習装置と、学習した前記実績データと制御操作の組合せに応じて制御対象プラントの制御を実施する制御実行装置を備え、
前記制御実行装置は、制御対象プラントの実績データと制御操作の定められた組合せに従って制御出力を与え、該制御出力の可否を判定して、当該実績データと制御操作が誤りである事を前記制御方法学習装置に通知し、制御出力を前記制御対象プラントに出力した場合に前記制御対象プラントの前記実績データが悪化すると判断した場合は、制御出力を前記制御対象プラントに出力することを阻止し、
前記制御方法学習装置は、前記制御実行装置が制御出力を実際に、制御対象プラントに出力した場合に、制御効果が実績データに表れるまでの時間遅れ後に、実績データが制御前に比較して良くなったか、悪くなったかについての制御結果の良否を判定し、該制御結果の良否と、前記制御出力をもちいて教師データを得、前記実績データと前記教師データを学習データとして学習し、学習する事で、前記制御対象プラントの状態に応じて複数の制御目標に対して別個の実績データと制御操作の組合せを得、得られた実績データと制御操作の組合せを前記制御実行装置における制御対象プラントの実績データと制御操作の定められた組合せとして使用することを特徴とするプラント制御方法。 A plant control method for recognizing a pattern of a combination of actual data of a controlled plant for a controlled plant and performing control,
A control method learning device for learning a combination of the performance data and the control operation of the control target plant, and a control execution device for performing control of the control target plant according to the combination of the learned performance data and the control operation,
The control execution device provides a control output in accordance with a predetermined combination of the actual data of the plant to be controlled and the control operation, determines whether the control output is possible, and determines that the actual data and the control operation are erroneous. Notify the method learning device, when it is determined that the performance data of the control target plant is deteriorated when the control output is output to the control target plant, it is prevented to output the control output to the control target plant,
The control method learning device, when the control execution device actually outputs the control output to the control target plant, after a time delay until the control effect appears in the actual data, the actual data may be compared before the control. Determine whether the control result is good or bad, and obtain the teacher data using the control result and the control output, and learn and learn the performance data and the teacher data as learning data. Thus, a combination of the actual data and the control operation is obtained separately for a plurality of control targets according to the state of the plant to be controlled, and the obtained combination of the actual data and the control operation is used as the control target plant in the control execution device. A plant control method characterized in that the plant control method is used as a predetermined combination of actual data and control operations.
前記制御対象プラントは、圧延機であり、前記実績データは前記圧延機の出側形状であることを特徴とする圧延機制御方法。 A rolling mill control method to which the plant control method according to claim 10 is applied,
The control target plant is a rolling mill, and the performance data is an outlet shape of the rolling mill.
計算機システムは、制御対象プラントの実績データと制御操作の組合せを学習する制御方法学習装置と、学習した前記実績データと制御操作の組合せに応じて制御対象プラントの制御を実施する制御実行装置を備え、
前記プログラムは、
前記制御実行装置の処理を達成させるための、制御対象プラントの実績データと制御操作の定められた組合せに従って制御出力を与える制御ルール実行プログラム、該制御ルール実行プログラムが出力する制御出力の可否を判定するとともに、当該実績データと制御操作が誤りである事を前記制御方法学習装置に通知する制御出力判定プログラム、該制御出力判定プログラムが、制御出力を制御対象プラントに出力した場合、制御対象プラントの前記実績データが悪化すると判断した場合は、制御出力を前記制御対象プラントに出力することを阻止する制御出力抑制プログラムであり、
前記制御方法学習装置の処理を達成させるための、制御実行装置が制御出力を実際に、制御対象プラントに出力した場合に、制御効果が実績データに表れるまでの時間遅れ後に、実績データが制御前に比較して良くなったか、悪くなったかについての制御結果の良否を判定する制御結果良否判定の処理を達成させるための制御結果良否判定プログラム、該制御結果良否判定プログラムにおける制御結果の良否と、制御出力をもちいて教師データを得る学習データ作成プログラム、前記実績データと前記教師データを学習データとして学習する制御ルール学習プログラムであり、
制御方法学習装置が学習する事で、前記制御対象プラントの状態に応じて複数の制御目標に対して別個の実績データと制御操作の組合せを得、得られた実績データと制御操作の組合せを前記制御ルール実行プログラムにおける制御対象プラントの実績データと制御操作の定められた組合せとして使用することを特徴とするプログラム。 For a control target plant, a program for recognizing a pattern of a combination of the actual data of the control target plant and implementing a plant control device for performing control by a computer system,
The computer system includes a control method learning device that learns a combination of the performance data and the control operation of the plant to be controlled, and a control execution device that controls the plant to be controlled in accordance with the combination of the learned performance data and the control operation. ,
The program is
A control rule execution program for providing a control output in accordance with a predetermined combination of actual data of a control target plant and a control operation for achieving the processing of the control execution device, and determining whether or not the control output output by the control rule execution program is possible. And a control output determination program that notifies the control method learning device that the performance data and the control operation are incorrect, when the control output determination program outputs a control output to the control target plant, If it is determined that the performance data is deteriorated, a control output suppression program that prevents output of a control output to the control target plant,
When the control execution device actually outputs the control output to the plant to be controlled to achieve the processing of the control method learning device, after a time delay until the control effect appears in the actual data, the actual data is not controlled. A control result good or bad judgment program for achieving a control result good or bad judgment process for judging whether a control result is good or bad as to whether or not the control result is good or bad, A learning data creation program for obtaining teacher data using a control output, a control rule learning program for learning the performance data and the teacher data as learning data,
By learning by the control method learning device, a combination of separate performance data and control operation is obtained for a plurality of control targets according to the state of the plant to be controlled, and the obtained combination of performance data and control operation is described above. A program used as a predetermined combination of actual data of a plant to be controlled and a control operation in a control rule execution program.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017077350A JP6813416B2 (en) | 2017-04-10 | 2017-04-10 | Plant control device and its control method, rolling mill control device and its control method and program |
| DE102018204684.0A DE102018204684A1 (en) | 2017-04-10 | 2018-03-27 | PLANT CONTROL AND ITS CONTROL METHOD, ROLLING STREET CONTROL AND ITS CONTROL PROCEDURE AND PROGRAM |
| CN201810267684.XA CN108687137B (en) | 2017-04-10 | 2018-03-29 | complete equipment control device, rolling mill control device, control method and storage medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017077350A JP6813416B2 (en) | 2017-04-10 | 2017-04-10 | Plant control device and its control method, rolling mill control device and its control method and program |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020209018A Division JP7033639B2 (en) | 2020-12-17 | 2020-12-17 | Plant control device and its control method, rolling mill control device and its control method and program |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JP2018180799A JP2018180799A (en) | 2018-11-15 |
| JP2018180799A5 true JP2018180799A5 (en) | 2019-12-26 |
| JP6813416B2 JP6813416B2 (en) | 2021-01-13 |
Family
ID=63588226
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017077350A Active JP6813416B2 (en) | 2017-04-10 | 2017-04-10 | Plant control device and its control method, rolling mill control device and its control method and program |
Country Status (3)
| Country | Link |
|---|---|
| JP (1) | JP6813416B2 (en) |
| CN (1) | CN108687137B (en) |
| DE (1) | DE102018204684A1 (en) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7328142B2 (en) * | 2019-12-27 | 2023-08-16 | 株式会社日立製作所 | Plant control device and its control method, rolling mill control device and its control method, and program |
| JP7495874B2 (en) | 2020-12-16 | 2024-06-05 | 株式会社日立製作所 | PLANT CONTROL SYSTEM, PLANT CONTROL METHOD, AND PROGRAM |
| CN116125803B (en) * | 2022-12-28 | 2024-06-11 | 淮阴工学院 | Inverter backstepping fuzzy neural network control method based on extreme learning machine |
| CN116027673B (en) * | 2023-03-29 | 2023-06-06 | 中国电子科技集团公司第二十九研究所 | Equipment control autonomous decision-making method based on fuzzy neural network |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS633733A (en) | 1986-06-23 | 1988-01-08 | 株式会社クボタ | Water feed control unit for crops |
| JP2804161B2 (en) * | 1990-06-04 | 1998-09-24 | 株式会社日立製作所 | Method and apparatus for controlling shape of Sendzimir mill |
| JPH04252302A (en) * | 1991-01-28 | 1992-09-08 | Kawasaki Steel Corp | Control model identifying method and control method for continuous rolling mill |
| JP3308630B2 (en) * | 1993-03-12 | 2002-07-29 | 株式会社日立製作所 | Plant control apparatus and method |
| JP3092460B2 (en) * | 1994-09-14 | 2000-09-25 | 株式会社日立製作所 | Width compression machine and rolling mill |
| JP3223856B2 (en) * | 1997-04-17 | 2001-10-29 | 日本鋼管株式会社 | Rolling mill control method and rolling mill control device |
| JP4003733B2 (en) * | 2003-10-22 | 2007-11-07 | 株式会社日立製作所 | PLANT SYSTEM, CONTROL DEVICE AND CONTROL METHOD |
| JP4665815B2 (en) * | 2006-03-31 | 2011-04-06 | 株式会社日立製作所 | Plant control equipment |
| JP5855964B2 (en) * | 2012-02-07 | 2016-02-09 | メタウォーター株式会社 | Optimal control method and optimal control device for plant equipment |
| KR101832653B1 (en) * | 2014-02-17 | 2018-02-26 | 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 | Rolling process learning control device |
-
2017
- 2017-04-10 JP JP2017077350A patent/JP6813416B2/en active Active
-
2018
- 2018-03-27 DE DE102018204684.0A patent/DE102018204684A1/en active Pending
- 2018-03-29 CN CN201810267684.XA patent/CN108687137B/en active Active
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6899273B2 (en) | Plant control device and its control method, rolling mill control device and its control method and program | |
| JP2018180799A5 (en) | ||
| Albrecht et al. | Reasoning about hypothetical agent behaviours and their parameters | |
| CN104463706B (en) | A kind of method and system that voltage dip business reasons are detected for power network | |
| JP2021507323A5 (en) | ||
| CN108687137B (en) | complete equipment control device, rolling mill control device, control method and storage medium | |
| CN103942375B (en) | High-speed press sliding block dimension robust design method based on interval | |
| CN109638815B (en) | Method for determining safety and stability prevention control strategy of medium-and-long-term voltage of power system | |
| CN116468425B (en) | Joint operation and maintenance optimization method for polymorphic system, electronic equipment and computer readable storage medium | |
| JP7034046B2 (en) | Control device and control method | |
| JP7033639B2 (en) | Plant control device and its control method, rolling mill control device and its control method and program | |
| CN106067075B (en) | Building energy load prediction model building and load prediction method and device | |
| CN109961160A (en) | A kind of power grid future operation trend predictor method and system based on trend parameter | |
| JP6952018B2 (en) | Control device and control method | |
| JP7328142B2 (en) | Plant control device and its control method, rolling mill control device and its control method, and program | |
| Petrova et al. | Improved helper-objective optimization strategy for job-shop scheduling problem | |
| JP7495874B2 (en) | PLANT CONTROL SYSTEM, PLANT CONTROL METHOD, AND PROGRAM | |
| Srivastava et al. | A genetic algorithm based augmented lagrangian method for computationally fast constrained optimization | |
| JPWO2021090473A5 (en) | Object detection device, learning method, and program | |
| JP2019057077A (en) | Prediction device, method, and program of product characteristics, and control system of manufacturing process | |
| JP2022182538A (en) | Plant control system, plant control method and program | |
| JP6954218B2 (en) | Steel material mountain division plan creation device, steel material mountain division plan creation method, and program | |
| JP2015162189A (en) | optimization system | |
| Kondo et al. | Hybrid feedback GMDH-type neural network self-selecting various neurons and its application to medical image diagnosis of lung cancer | |
| Hekmatnia et al. | New method for solving fuzzy linear programming problem |