JP2021105900A - プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム - Google Patents
プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム Download PDFInfo
- Publication number
- JP2021105900A JP2021105900A JP2019237656A JP2019237656A JP2021105900A JP 2021105900 A JP2021105900 A JP 2021105900A JP 2019237656 A JP2019237656 A JP 2019237656A JP 2019237656 A JP2019237656 A JP 2019237656A JP 2021105900 A JP2021105900 A JP 2021105900A
- Authority
- JP
- Japan
- Prior art keywords
- control
- output
- plant
- learning
- data
- 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
- 238000000034 method Methods 0.000 title claims description 88
- 238000005096 rolling process Methods 0.000 title claims description 74
- 238000013528 artificial neural network Methods 0.000 claims abstract description 207
- 230000000694 effects Effects 0.000 claims abstract description 116
- 238000012549 training Methods 0.000 claims description 17
- 230000001629 suppression Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000003909 pattern recognition Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims 3
- 230000004048 modification Effects 0.000 claims 3
- 238000004904 shortening Methods 0.000 claims 1
- 230000006872 improvement Effects 0.000 abstract description 4
- 230000008859 change Effects 0.000 description 45
- 238000012545 processing Methods 0.000 description 22
- 238000004364 calculation method Methods 0.000 description 19
- 238000011156 evaluation Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 12
- 238000012937 correction Methods 0.000 description 11
- 238000006243 chemical reaction Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 7
- 230000001537 neural effect Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 230000003111 delayed effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 239000002436 steel type Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000005097 cold rolling Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
-
- 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
- B21B37/28—Control of flatness or profile during rolling of strip, sheets or plates
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Mechanical Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Feedback Control In General (AREA)
- Control Of Metal Rolling (AREA)
Abstract
Description
1)圧延中に形状制御を実施しながら新たな制御ルールを発見していく。
2)新たな制御ルールは、予め予想できるものでは無く、全く予測できなかった制御ルールが最適となる場合も有る事から、ランダムに制御操作端を動作させ、それに対する制御結果を見ながら見つけていく。
ことを実現している。
1)基準形状パターンと、それに対する制御操作を予め別々に設定し、制御操作方法を学習していくのではなく、形状パターンと制御操作の組合せを同様の形状に対して、制御操作実施時の制御効果に応じて複数個学習し、この複数個の制御ルールから算出される複数の制御操作の中で制御操作端の状態に応じて最適な操作を選択し、これを用いて制御操作を実施する。最適な操作の選択として、制御操作端の動作範囲に余裕がある場合は、制御効果が小さくても制御操作を実施し、余裕が無い場合には制御効果が小さい制御操作は実施しない。
2)新たな制御ルールは、予め予想できるものでは無く、全く予測できなかった制御ルールが最適となる場合も有る事から、ランダムに制御操作端を動作させ、それに対する制御結果を見ながら見つけていく。
ことが必要となる。
IF(制御操作量出力可否データS4=0)THEN
#1〜#nAS−U位置変更量出力=0
上第1中間シフト位置変更量出力=0
下第1中間シフト位置変更量出力=0
ELSE
#1〜#nAS−U位置変更量出力=#1〜#nAS−U位置変更量
上第1中間シフト位置変更量出力=上第1中間シフト位置変更量
下第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
ENDIF
により決定される。
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。
1)基準形状パターンと、それに対する制御操作を予め別々に設定し、制御操作方法を学習していくのではなく、形状パターンと制御操作の組合せを学習し、それを用いて制御操
作を実施する。
2)新たな制御ルールは、予め予想できるものでは無く、全く予測できなかった制御ルールが最適となる場合も有る事から、ランダムに制御操作端を動作させ、それに対する制御結果を見ながら見つけていく。
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、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、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、
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、実績データが当該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る。
そして、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ものである。
実適用に当たっての問題点は特に無い。
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:出力判定データベース
DB3:学習データデータベース
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)
Claims (16)
- 制御対象プラントの実績データと制御操作の組合せを制御効果に応じて学習し、制御効果の異なる複数のニューラルネットワークを形成する制御方法学習装置で学習したニューラルネットワークの出力に応じて前記制御対象プラントの操作端を制御する制御出力を与える制御実行装置を備えるプラント制御装置であって、
前記制御実行装置は、制御効果が高い場合を学習して形成されたニューラルネットワークの出力が存在し制御効果が高い場合は、その出力に応じて前記制御対象プラントの操作端を制御し、制御効果が低い場合を学習して形成されたニューラルネットワークの出力のみ存在し、かつ前記操作端における操作端位置に余裕がある場合に制御効果が低い場合を学習して形成されたニューラルネットワークの出力に応じて前記制御対象プラントの操作端を制御し、さらに制御効果が低い場合を学習して形成されたニューラルネットワークの出力のみ存在し、かつ前記操作端における操作端位置に余裕がない場合に前記制御対象プラントの操作端を制御しないことを特徴とするプラント制御装置。 - 請求項1に記載のプラント制御装置であって、
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効果に応じた複数のニューラルネットワークからの出力と前記操作端位置を考慮して、最適な制御出力を選択し、与える制御ルール実行部と、前記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、前記制御出力判定部が、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、前記制御結果良否判定部における制御結果の良否と、前記実績データと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し、制御対象プラントの状態が修正前の実績データと制御操作の組合せに類似した場合、修正後の学習データを用いて制御を実施することを特徴とするプラント制御装置。 - 請求項1に記載のプラント制御装置であって、
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、制御することを特徴とするプラント制御装置。 - 請求項1に記載のプラント制御装置であって、
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を第1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実行装置における前記第1のニューラルネットとして使用すること特徴とするプラント制御装置。 - 請求項1に記載のプラント制御装置であって、
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。 - 請求項1に記載のプラント制御装置であって、
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複数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。 - 請求項4に記載のプラント制御装置であって、
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ことを特徴とするプラント制御装置。 - 請求項1に記載のプラント制御装置であって、
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ことを特徴とするプラント制御装置。 - 請求項1に記載のプラント制御装置であって、
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ミュ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ことを特徴とするプラント制御装置。 - 請求項1に記載のプラント制御装置であって、
前記制御実行装置は、複数のニューラルネットワークの出力の有無を判定する出力有無判定部を備え、出力有無判定部は前記制御効果が高い場合は、制御効果が高い場合を学習して形成されたニューラルネットの出力が存在する場合であり、制御効果が低い場合は、制御効果が高い場合を学習して形成されたニューラルネットの出力が存在しない場合かつ制御効果が高い場合を学習して形成されたニューラルネットの出力が存在する場合であると判定することを特徴とするプラント制御装置。 - 請求項1に記載のプラント制御装置を適用した圧延機制御装置であって、
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。 - 制御対象プラントの実績データと制御操作の組合せを制御効果に応じて学習し、制御効果の異なる複数のニューラルネットワークを形成する学習部で学習したニューラルネットワークの出力に応じて前記制御対象プラントの操作端を制御する制御出力を与える制御部を備えるプラント制御方法であって、
前記制御部は、制御効果が高い場合を学習して形成されたニューラルネットワークの出力が存在し制御効果が高い場合は、その出力に応じて前記制御対象プラントの操作端を制御し、制御効果が低い場合を学習して形成されたニューラルネットワークの出力のみ存在し、かつ前記操作端における操作端位置に余裕がある場合に制御効果が低い場合を学習して形成されたニューラルネットワークの出力に応じて前記制御対象プラントの操作端を制御し、さらに制御効果が低い場合を学習して形成されたニューラルネットワークの出力のみ存在し、かつ前記操作端における操作端位置に余裕がない場合に前記制御対象プラントの操作端を制御しないことを特徴とするプラント制御方法。 - 請求項12に記載のプラント制御方法であって、
前記制御部は、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に従って制御効果に応じた複数のニューラルネットワークからの出力と前記操作端位置を考慮して、最適な制御出力を選択して与えるとともに、前記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し、
前記学習部は、前記制御部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、制御結果の良否と、前記実績データと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し、制御対象プラントの状態が修正前の実績データと制御操作の組合せに類似した場合、修正後の学習データを用いて制御を実施することを特徴とするプラント制御方法。 - 請求項12に記載のプラント制御方法を適用した圧延機制御方法であって、
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。 - 制御対象プラントに対して、制御対象プラントの実績データの組合せのパターンを認識して、制御を実施するプラント制御装置を計算機システムにより実現するときのプログラムであって、
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し、制御効果の異なる複数のニューラルネットワークを形成する制御方法学習プログラムと、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プログラムを備え、
前記制御実行プログラムは、制御効果が高い場合を学習して形成されたニューラルネットワークの出力が存在し制御効果が高い場合は、その出力に応じて前記制御対象プラントの操作端を制御し、制御効果が低い場合を学習して形成されたニューラルネットワークの出力のみ存在し、かつ前記操作端における操作端位置に余裕がある場合に制御効果が低い場合を学習して形成されたニューラルネットワークの出力に応じて前記制御対象プラントの操作端を制御し、さらに制御効果が低い場合を学習して形成されたニューラルネットワークの出力のみ存在し、かつ前記操作端における操作端位置に余裕がない場合に前記制御対象プラントの操作端を制御しないことを特徴とするプログラム。 - 請求項15に記載のプログラムであって、
前記制御実行プログラムは、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プログラムと、前記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プログラムに通知する制御出力判定プログラムと、前記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を備え、
前記制御方法学習プログラムは、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と、前記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プログラムを備え、
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。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019237656A JP7328142B2 (ja) | 2019-12-27 | 2019-12-27 | プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム |
CN202011428094.4A CN113050550B (zh) | 2019-12-27 | 2020-12-07 | 工厂设备控制装置及其方法、轧制机控制装置及其方法 |
KR1020200174275A KR102440698B1 (ko) | 2019-12-27 | 2020-12-14 | 플랜트 제어 장치 및 그의 제어 방법, 압연기 제어 장치 및 그의 제어 방법 그리고 프로그램 |
DE102020216130.5A DE102020216130A1 (de) | 2019-12-27 | 2020-12-17 | Anlagenausrüstungsteuervorrichtung und ihr steuerverfahren, walzwerksteuervorrichtung und ihr steuerverfahren |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019237656A JP7328142B2 (ja) | 2019-12-27 | 2019-12-27 | プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021105900A true JP2021105900A (ja) | 2021-07-26 |
JP7328142B2 JP7328142B2 (ja) | 2023-08-16 |
Family
ID=76310438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019237656A Active JP7328142B2 (ja) | 2019-12-27 | 2019-12-27 | プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム |
Country Status (4)
Country | Link |
---|---|
JP (1) | JP7328142B2 (ja) |
KR (1) | KR102440698B1 (ja) |
CN (1) | CN113050550B (ja) |
DE (1) | DE102020216130A1 (ja) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06259103A (ja) * | 1993-03-05 | 1994-09-16 | Hitachi Ltd | 適応制御方法、適応制御装置 |
US5493631A (en) * | 1993-11-17 | 1996-02-20 | Northrop Grumman Corporation | Stabilized adaptive neural network based control system |
JP2018180799A (ja) * | 2017-04-10 | 2018-11-15 | 株式会社日立製作所 | プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム |
JP2018180649A (ja) * | 2017-04-04 | 2018-11-15 | 公立大学法人大阪府立大学 | 情報処理装置、制御装置、制御プログラム、および記録媒体 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS633733A (ja) | 1986-06-23 | 1988-01-08 | 株式会社クボタ | 作物用給水制御装置 |
US5402521A (en) * | 1990-02-28 | 1995-03-28 | Chiyoda Corporation | Method for recognition of abnormal conditions using neural networks |
JP2804161B2 (ja) | 1990-06-04 | 1998-09-24 | 株式会社日立製作所 | センジマーミルの形状制御方法および装置 |
JPH07160661A (ja) * | 1993-12-02 | 1995-06-23 | Hitachi Ltd | ニューラルネットワークの教師データ自動抽出方法と、それを用いたニューラルネットワークシステム、並びに、プラント運転支援装置 |
JP4003733B2 (ja) | 2003-10-22 | 2007-11-07 | 株式会社日立製作所 | プラントシステム,制御装置及び制御方法 |
JP4427074B2 (ja) * | 2007-06-07 | 2010-03-03 | 株式会社日立製作所 | プラントの制御装置 |
US8135653B2 (en) * | 2007-11-20 | 2012-03-13 | Hitachi, Ltd. | Power plant control device which uses a model, a learning signal, a correction signal, and a manipulation signal |
JP2017182319A (ja) * | 2016-03-29 | 2017-10-05 | 株式会社メガチップス | 機械学習装置 |
JP6557198B2 (ja) * | 2016-09-06 | 2019-08-07 | ファナック株式会社 | 数値制御装置 |
JP6899273B2 (ja) * | 2017-08-01 | 2021-07-07 | 株式会社日立製作所 | プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム |
JP6659652B2 (ja) * | 2017-10-31 | 2020-03-04 | ファナック株式会社 | 加工条件調整装置及び機械学習装置 |
KR102021980B1 (ko) * | 2019-05-15 | 2019-09-17 | 서정훈 | 산업용 플랜트 및 반도체 설비 설계 방법 및 장치 |
-
2019
- 2019-12-27 JP JP2019237656A patent/JP7328142B2/ja active Active
-
2020
- 2020-12-07 CN CN202011428094.4A patent/CN113050550B/zh active Active
- 2020-12-14 KR KR1020200174275A patent/KR102440698B1/ko active IP Right Grant
- 2020-12-17 DE DE102020216130.5A patent/DE102020216130A1/de active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06259103A (ja) * | 1993-03-05 | 1994-09-16 | Hitachi Ltd | 適応制御方法、適応制御装置 |
US5493631A (en) * | 1993-11-17 | 1996-02-20 | Northrop Grumman Corporation | Stabilized adaptive neural network based control system |
JP2018180649A (ja) * | 2017-04-04 | 2018-11-15 | 公立大学法人大阪府立大学 | 情報処理装置、制御装置、制御プログラム、および記録媒体 |
JP2018180799A (ja) * | 2017-04-10 | 2018-11-15 | 株式会社日立製作所 | プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム |
Also Published As
Publication number | Publication date |
---|---|
CN113050550A (zh) | 2021-06-29 |
DE102020216130A1 (de) | 2021-07-01 |
KR20210084259A (ko) | 2021-07-07 |
CN113050550B (zh) | 2024-04-16 |
KR102440698B1 (ko) | 2022-09-07 |
JP7328142B2 (ja) | 2023-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6899273B2 (ja) | プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム | |
JP6813416B2 (ja) | プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム | |
JP7033639B2 (ja) | プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム | |
JP7034046B2 (ja) | 制御装置および制御方法 | |
JP2018180799A5 (ja) | ||
CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
Lapkina et al. | Estimation of fluctuations in the performance indicators of equipment that operates under conditions of unstable loading | |
CN108647812A (zh) | 基于主成分自适应bp神经网络的短期电力负荷预测方法 | |
Crawford et al. | A hyperheuristic approach for dynamic enumeration strategy selection in constraint satisfaction | |
US6745169B1 (en) | Learning process for a neural network | |
CN107194604A (zh) | 一种火电机组可靠性评价方法 | |
CN116341605A (zh) | 一种基于反向学习策略的灰狼算法混合优化方法 | |
CN111860971A (zh) | 道岔转辙机剩余寿命预测方法及装置 | |
JP6952018B2 (ja) | 制御装置および制御方法 | |
JP2021105900A (ja) | プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム | |
CN109829115B (zh) | 搜索引擎关键词优化方法 | |
CN105469148B (zh) | 船舶机电设备保障时机确定方法 | |
CN105652666A (zh) | 基于bp神经网络的大型模锻压机上横梁速度预测控制方法 | |
JP7535475B2 (ja) | プラント制御システム、プラント制御方法及びプログラム | |
JP2022095082A (ja) | プラント制御システム、プラント制御方法及びプログラム | |
Fan et al. | Survey of the selection and evaluation for dispatching rules in dynamic job shop scheduling problem | |
Cuznar et al. | Optimization of cold rolling process recipes based on historical data | |
Mou et al. | An improved BP neural network and its application | |
JP5415872B2 (ja) | 層別テーブル数値演算装置および該方法、該装置および該方法を備える制御装置および制御方法ならびに圧延システム | |
Ustenko et al. | Ukrainian banks sustainable development research and management concept |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220824 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230628 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230704 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230712 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230725 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230803 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7328142 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |