JP2624880B2 - 制御装置及び制御方法 - Google Patents

Description

【発明の詳細な説明】 〔産業上の利用分野〕 本発明は、複数のアクチュエータにより動作する制御
対象を制御する制御システムにおいて、前記制御対象と
複数のアクチユエータの動作を総合判断して、個々のア
クチユエータの最適制御量を決定する制御装置及び制御
方法に関する。

〔従来の技術〕

従来の制御装置は、制御対象の動作状態を表す複数の
出力信号を用い、制御を行っているが個別の出力を見て
制御する方式では、制御が局所的になってしまい例えば
タンデム圧延機のような圧延システムではシステム全体
の最適性を考慮できないという欠点があった。

そこで、最近は、複数の信号を用い、全体の最適性を
求める傾向がある。例えば、制御対象として複雑で、単
一な制御装置では制御できない圧延機システムを用い従
来の制御装置及び方法の動作を説明する。

圧延機は対向するロール間隔と、圧延材にかかる張力
を制御することにより所望の板厚の鋼材を得るシステム
である。ところが、圧延時に発生する損失熱による熱変
形や機械的変形等に起因するロール変形により、平坦な
鋼材が得られず、このため、平坦な特性を得るために形
状制御が開発されてきた。

ところが、圧延の物理的特性が個々の要因により大巾
に変化するため、特定の動作点近傍における制御モデル
を作つて制御しても、多くの場合にそのモデルは実際の
圧延機の動作と食い違つてしまう。このため、モデルが
正確であれば良好な結果をもたらすフイードバツク制御
もその能力を充分に発揮できず、勘と経験で操作する熟
練オペレータを超えることができないという問題点があ
つた。

〔発明が解決しようとする課題〕

上記従来技術は熟練オペレータのノウハウを生かす点
に配慮がされておらず、制御性能に問題があつた。

本発明の目的は、熟練オペレータのノウハウを取り入
れた拡張性に富んだ制御装置及び制御方法を提供するこ
とにある。

〔課題を解決するための手段〕

上記目的は、被圧延材を複数の圧延機により圧延する
圧延システムの少なくとも各圧延機に備えられた検出器
からアクチュエータの状態量として検出される圧延機の
ロールを駆動する電動機の速度と被圧延材の板厚を制御
する圧下装置の荷重及び各圧延機の出側に備えられた検
出器から被圧延材の状態量として検出される被圧延材の
温度と張力のうち少なくとも１つの状態量に基づいて前
記複数の圧延機の各々が有する圧下装置の圧下量及び電
動機の速度を制御する制御装置において、前記検出され
る電動機の速度及び圧下装置の荷重及び被圧延材の温度
及び被圧延材の張力のうち少なくとも１つの状態量を前
記各圧延機に備えた検出器又は前記各圧延機の出側に備
えた検出器から入力する入力部と、該入力部から入力さ
れる状態量について生成した複数のパターンを予め記憶
し、該入力される状態量を前記被圧延材の進行方向に沿
って組み合わせて生成したパターンと該予め記憶された
パターンとの類似度を該予め記憶された複数のパターン
のそれぞれについて求め、該記憶された複数のパターン
に対する類似度それぞれ出力する出力部とを備えたパタ
ーン認識手段と、前記パターン認識手段に記憶されてい
る複数のパターンのそれぞれについて確信度と速度パタ
ーンとの関係及び確信度と圧下指令パターンとの関係を
定義したメンバーシップ関数を記憶し、前記パターン認
識手段が出力する類似度を入力すると共に、該類似度を
確信度として前記記憶されたメンバーシップ関数から速
度パターン及び圧下指令パターンを推論し、該推論され
た速度パターン及び圧下指令パターンに基づいて前記各
圧延機の電動機の速度及び圧下装置の圧下量を決定する
指令発生機構とを備えることにより達成することができ
る。

また上記目的は被圧延材を複数の圧延機により圧延す
る圧延システムの少なくとも各圧延機に備えられた検出
器からアクチュエータの状態量として検出される圧延機
のロールを駆動する電動機の速度と被圧延材の板厚を制
御する圧下装置の荷重及び各圧延機の出側に備えられた
検出器から被圧延材の状態量として検出される被圧延材
の温度と張力のうち少なくとも１つの状態量に基づいて
前記複数の圧延機の各々が有する圧下装置の圧下量及び
電動機の速度を制御する制御装置において、前記電動機
の速度及び圧下装置の荷重及び被圧延材の温度及び被圧
延材の張力のうち少なくとも１つの状態量を前記各圧延
機に備えた検出器又は前記各圧延機の出側に備えた検出
器から入力し、予め記憶した該入力される状態量につい
て生成した複数のパターンと、該入力される状態量を前
記被圧延材の進行方向に沿って生成したパターンとの類
似度を求め、前記記憶されている複数のパターンのそれ
ぞれについて確信度と速度パターンとの関係及び確信度
と圧下指令パターンとの関係を定義したメンバーシップ
関数を予め記憶し、前記求められた類似度を入力すると
共に、該類似度を確信度として前記記憶されたメンバー
シップ関数から速度パターン及び圧下指令パターンを推
論し、該推論された速度パターン及び圧下指令パターン
に基づいて前記各圧延機の電動機の速度及び圧下装置の
圧下量を決定することにより達成することができる。

また上記目的は搬送装置により搬送される鋼板を複数
のバーナーで加熱する加熱炉であって、該鋼板が搬送さ
れる搬送速度及び前記炉内の温度を状態量として検出す
る複数の検出器から検出される検出信号に基づいて該バ
ーナーへ供給する燃料を制御する制御装置において、前
記複数の検出器により検出された状態量を入力する入力
部と、前記複数の検出器で検出できる前記炉内の温度又
は前記鋼板の搬送速度の少なくとも一方の状態量を前記
鋼板の進行方向に沿って組み合わせて生成した複数のパ
ターンを予め記憶し、該入力部から入力された状態量と
前記予め記憶したパターンとの類似度を該記憶した複数
のパターンのそれぞれについて求め、該複数のパターン
に対する類似度を出力する出力部とを備えたパターン認
識部と、前記パターン認識手段に記憶されている複数の
パターンのそれぞれについて確信度と前記バーナーの燃
焼パターンとの関係を定義したメンバーシップ関数を記
憶し、前記パターン認識手段が出力する類似度を入力す
ると共に、該類似度を確信度として前記記憶されたメン
バーシップ関数から前記バーナーの燃焼パターンを推論
すると共に該決定された燃焼パターンに基づいて前記各
バーナーへ供給する燃料を決定する指令発生機構とを備
えることにより達成することができる。

〔作用〕

複数の制御対象から得られる複数の状態量を組み合わ
せてパターンとすることにより、複数の制御対象全体を
とらえて、このパターンに含まれる特徴的なパターンの
類似度を求め、各特徴的なパターンの類似度を確信度と
して、確信度と制御対象に対する操作量を予め定義した
関係から制御対象の操作量を決定する。これによって、
システム全体を最適化する操作量を決定することができ
ると共に、熟練オペレータのノウハウをそのまま知識と
して利用できるので最適な制御を行うことができる。

〔実施例〕

以下、本発明の制御システム一実施例を第１図に示
す。

制御対象１は複数のアクチユエータを含み、前記アク
チユエータはアクチユエータごとに制御実行指令を生成
するアクチユエータ制御装置G6により制御される。前記
制御対象１及び複数のアクチユエータの動作はそれぞれ
に配置された種々の検出器から構成される検出装置G14
で検出される。この検出装置G14の複数の検出器出力信
号は最適性判定装置G13へ入力される。最適性判定装置G
13では入力された前記複数の検出器出力信号をパターン
として認識する入力部と前記入力されたパターンを記憶
する記憶機能と、前記入力されパターンを先に記憶され
ている複数のパターンとを照合し先に記憶されたパター
ンとの類似度を出力する処理部と、前記類似度からそれ
ぞれのアクチユエータの操作量を決定し、アクチユエー
タ制御装置G6へ指令信号を発生する指令発生機構12で構
成されている。なお、前記最適性判定装置G13のパター
ン記憶機能へパターンを記憶させるに当つて予めオペレ
ータが入力に対して最適出力を設定し前記最適性判定機
構を動作させ、最良の操作量が出力されることを認識す
る機能と、制御対象１が変更されたり、アクチユエータ
が変更された場合に前記パターン記憶内容を予め変更す
るための表示装置G16が付加できる構成となつている。

これに対して従来システムは最適性判定装置G13がな
く、一般には検出装置G14からアクチユエータ制御装置G
6へ送信され、個々のアクチユエータごとに最適化制御
するシステムとなつていた。このため、システム全体と
しての最適性が図れなかつたが、本発明のようにシステ
ム全体の最適性を判定する最適性判定装置G13を付加す
ることにより、システム全体の最適性を判定できる他、
アクチユエータの１つが故障してもこの判定装置によ
り、前記故障したアクチユエータの働きを他のアクチユ
エータでカバーしたり、又、アクチユエータの変化や、
制御対象の変化にも柔軟に対応できるという効果を有す
る。

次に、本発明の制御システムを圧延機制御に適用した
例を用いて詳細に説明する。

以下、本発明を圧延機制御システムに適用した実施例
を第２図により説明する。

制御対象の圧延機１は対向する１組のワークロール２
の間にはさまれた圧延材３をワークロール２の間に働く
圧延力と圧延材３に働く張力により、いわゆるつぶし
て、引つ張る力により圧延材を薄くし、所望の板厚を得
るものであり、ワークロール２を挟んで中間ロール4,中
間ロール４を挟んでバツクアツプロール５が配置されて
いる。前記バツクアツプロール５には、油圧力等の力を
利用した圧下制御機能６により圧延力が加えられ、その
圧延力はバツクアツプロール５と中間ロール４の接触面
を介し、中間ロール４に伝達され、該中間ロール４に伝
達された圧延力は、中間ロール４とワークロール２、及
びワークロール２と圧延材３の接触面を介し、圧延材３
へ伝達され、該圧延力により圧延材３は塑性変形を生
じ、所望の板厚となる。

ところで、ワークロール2,中間ロール4,バックアップ
ロール５の各ロールのロール巾は圧延材３の板巾より広
く、かつ圧延力が加えられているため、ロールが変形す
る。例えばワークロール２において圧延材の板巾から外
れた部分は該圧延力により曲がつてしまう。

その結果、圧延材３の端部がつぶされ凸形の断面形状
になる。それを防止するためにワークロール２の軸に対
し、その間隔が広がる方向にワークロールベンダ７によ
りワークロールベンデイング力F_Wを加え、圧延材３の端
部がつぶされるのを防止する。同様に中間ロール４の軸
には中間ロールベンダ８により中間ロールベンデイング
F_Iを加える。

更に、中間ロールシフト９は、中間ロール４を板巾方
向に移動する。この移動により、ワークロール2,中間ロ
ール4,バックアップロール５及び圧延材３に加わる力を
非対称にすることにより、圧延材の板厚の形状を制御す
る。

一方、圧延を行なうために圧延機に加えられるエネル
ギーは、圧延材３の塑性変形に費される他に、音，振
動，熱となる。この熱に変化したエネルギーは圧延材３
を介して放散されるとともに、ワークロール２の温度を
上昇させる。この温度上昇に起因し、ワークロールは膨
張し、ロール径が変化するが、そのロール径は一般に不
均一に変形する。そこで、ロール径を均一に制御するた
め、板巾方向に配置された複数個のノズル（図示はして
いない）、及びノズルを介し冷却液をワークロール２に
加えるクーラント制御機構10が設置される。

前記ワークロール２の軸には、圧延材３を移動するた
めの電動機等から構成される速度制御機構11が接続され
ている。

圧延機に対する制御方法は前記圧下制御機構6,ワーク
ロールベンダ7,中間ロールベンダ8,中間ロールシフト9,
クーラント制御機構10,速度制御機構11等のアクチユエ
ータに対する動作指令を発生させる指令発生機構12,前
記指令発生機構12に対し、圧延材３の形状が予め記憶さ
れた複数のパターンのうちどの種類のパターンに属する
かを判断し、該パターンの確信度を出力するパターン認
識機構13,該パターン認識機構13に対し、圧延材３の板
厚形状を検出し、出力する形状検出機構14、前記形状検
出機構14と、指令発生機構12の出力を記憶する記憶機構
15、及び、記憶機構15の情報を用い、パターン認識機構
13のパラメータを学習により変化させる学習機構16から
構成される。

第３図に上記パターン認識機構13の詳細図を示す。形
状検出機構14及び記憶機構15の出力は、前記パターン認
識機構13の入力セル17,18に入力され、該入力セル17で
は入力された信号が関数値で変換され中間層19へ出力さ
れ、中間層19へ入力された該入力セルの出力は中間層19
のセル20,21へ入力される。入力セル17の出力でセル20
に入力された信号は重み関数23でW¹ ₁₁倍され加算器24に
入力されるとともに、入力セル18の出力は重み関数26を
介し、加算器24に入力され、加算器24は上記重み関数2
3,26の出力を加算し、関数器25へ入力され、関数器25で
線形又は非線形の関数演算を行い、次段の中間層27に出
力される。なおセル20は上記重み関数23,26,加算器24及
び関数器25から構成される。

同様に、セル21へは入力セル17,18の出力が入力さ
れ、入力層17の出力は重み関数28でW¹ ₂₁倍化され加算器
89,関数器90を介して次段の中間層27へ出力される。

中間層27は、中間層19と同一の構造であり、入力セル
17,18の出力の代りに中間層19の出力が用いられるもの
である。

ここで、重み関数23,26,28の重みをW^k _ijで表わすと、
W^k _ijはｋ番目の中間層のｉ番目のセルに於て、ｋ−１番
目の中間層（但し、ｋ＝１の時は入力セル）のｉ番目の
出力に掛ける重みを示す。

以上のようにパターン認識機構13に入力された信号
は、入力セル17,18,複数段の中間層19,27,29を介し、中
間層のセルから重み関数と加算器を取り除いた形式の出
力層30を介し、出力される。なお、入力層31は入力セル
17,18を全て纏めたものを表わす。

このパターン認識機構13の特徴は、単純な積和演算で
すみ、フイードバツク等の繰返し演算が無いこと、及
び、中間層の各積和項はハードウエアで実現する場合、
並列に処理ができるため、高速演算が可能である。

このパターン認識機構の出力層30の次に予め各出力パ
ターンに応じて各アクチユエータに対する指令値を記憶
させておき、最も出力パターンに近い指令値を直接アク
チユエータに指示することも可能である。この方式では
応答性は良いが後述の方式に比べて制御の精度は若干悪
くなる。

次にパターン認識機構13の処理結果は第４図に示す処
理機構を経て圧延機１に印加される。すなわち、パター
ン認識機構13の出力は指令発生機構12に設けられている
操作量決定手段32に入力される。操作量決定手段32で
は、内部に複数準備された処理機構のうち、入力信号を
処理するのに最も有効な処理機構を選択し、処理を実行
し操作量を出力する。前記操作量決定手段32の結果を用
い、指令値計算手段33は具体的な各アクチユエータの指
令値、例えば圧下制御機構６に対する圧下指令、中間ロ
ールベンダ８に対する中間ロールベンダ指令等を発生す
る。なお、この指令発生機構12には、パターン認識機構
13を介さずに、形状検出機構14の出力を直接入力して、
前記内部に準備された複数の処理機構のうち最適な処理
機構で処理することも可能である。しかしこの場合、各
種推論機構を用いる場合専門のオペレータの操作方法を
十分反映するには、知識ベースを充実する必要がある。

第５図は、前記操作量決定手段32の構成を示すもので
ある。操作量決定手段32は、形状検出機構14,パターン
認識機構13からの信号を受け、制御機構141を起動す
る。該制御機構141は、問題の種類に応じて、知識ベー
ス36を用い、起動する推論を決定する。即ち該制御機構
141は、三段論法的に原因を求める必要がある場合には
プロダクシヨン推論機構142を起動し、曖昧な要因があ
る場合にはフアジイ推論機構143を起動し、ある程度の
枠組みがある問題に対してはフレーム推論機構144を起
動し、因果関係や機器の構成等の関連がネツトワーク的
になつている問題に対しては意味ネツト推論機構145を
起動し、診断対象が時間的な順序で動作しているような
問題に対してはスクリプト推論機構146を起動する。更
に、該制御機構141は前記各種推論機構で解けない経験
的な問題で、高速に最適な解を求めるための最適化演算
機構111を起動し、パターン的に記憶でき、特徴を抽出
するとともに回答が必要な問題を解くための特徴抽出回
答機構110（Rumelhart型ニユーロコンピユータで構成）
を起動する。操作量決定手段32の処理結果は制御機構14
1を介して指令値計算手段33へ出力される。

第６図に推論に必要な知識である知識ベース36の構成
を示す。前記知識ベースは制御のエキスパートの経験等
に基づく外部から入力される知識106は三段論法的に推
論を実行するためのプロダクシヨンルール147、曖昧な
情報をもとに推論を行なうための知識であるフアジイル
ール148,診断対象の部品構成などのある枠組みで記述で
きる知識のフレーム149,部品と部品の関連や、常識的な
関連を纏めてネツトワークの形で整理している意味ネツ
トワーク150,診断対象が順番にある仕事を進める場合に
それらの仕事を整理して記憶するスクリプト151、及
び、上記知識147〜151で記述できないその他の知識152
に分類されて記憶されている。

第７図に操作量決定手段32の動作の説明図を示す。制
御機構141の処理はパターン認識機構13,形状検出機構1
4,記憶機構15からの情報を整理し、以下の処理に利用で
きるデータに変換する処理ステツプ200、上記ステツプ2
00で準備したデータが無くなる迄取り出し、ステツプ20
2へ渡す繰返し処理ステツプ201、前記ステツプ201で収
集した情報から起動すべき推論機構及び処理を決定する
ための判断ステツプ202、及び、各種推論機構142〜14
6、特徴抽出回答機構110、最適化演算機構111、及び、P
ID制御等の古典制御や多変数制御等の現代制御のアルゴ
リズムを実行する一般制御機構203、及び、上記各ステ
ツプを終了するために必要なフラグ類のリセツト等を実
行する終了処理ステツプ204から構成される。

ここで各処理機構の役割を述べる。プロダクシヨン推
論機構142は、オペレータのエキスパートが断片的なプ
ロダクシヨンルールを用いて、論理的な成立関係を組立
てる制御に適している。フアジイ推論機構143は、制御
対象の注目している状態が変化したならばオペレータは
アクチユエータを少し動かすというように定量化できな
いオペレータのあいまいな知識を計算機で処理できるよ
うに定量化して操作量を決定するのに適している。

フレーム推論機構144は、制御装置間の関係等を記述
するフレームという知識を用い、注目している制御対象
の状態が変化した時に元の状態に戻す場合に、それら装
置間の関係を基に操作を行う処理量を関連する機器毎に
決定するのに適している。

意味ネツト推論機構145は、前記断片的な知識である
フレームを整理し、体系付けてネツトワークを作り上げ
たものであるため、特定のアクチユエータの操作結果が
及ぼす影響を求めることができ、補償系を組むのに適し
ている。

スクリプト推論機構146は特定の状態が発生した時の
手順的な知識を基に推論するため、故障時等に決まつた
手順で対応しなければならないようなシーケンス制御的
な制御に適している。

また、特徴抽出回答機構110は、上記パターン認識機
構13,形状検出機構14,記憶機構15の入力パターンと前記
入力パターンが入力されたときに前記推論機構142〜146
が出力した出力の関係を予め学習させておくと、推論機
構142〜146が推論を行つて出力を決定するのと異なり、
高速に同一の効果が出力できる特徴がある。最適化演算
機構111は、制御対象１は通常非線形性が強いで、何等
かの原因により動作点が変化すると、動作の再設定が必
要になり、その場合、最急傾斜法，ダイナミツクプログ
ラミング，リニアプログラミング，山登り法，共役傾斜
法又はHopfield型ニユーロコンピユータ等のアルゴリズ
ムにより計算され、非線形制御対象に対しても最適な応
答を行なう。

第８図にプロダクシヨン機構142の動作説明図を示
す。制御機構141より起動されるプロダクシヨン推論機
構142は、前記制御機構141から起動時にメモリに記憶す
る入力処理34、前記入力処理34で記憶した情報１個ずつ
取り出し、もし、メモリにパターンの情報が無い時に
は、プロダクシヨン推論機構142の処理を終了させる終
了判断機構35を実行する。前記終了判断機構35で抽出さ
れたパターンの種類とその確信度を用い、知識ベース36
からルールを１個ずつ取り出し、処理37で該入力のパタ
ーンの種類と該ルールの前提部を比較する。その比較結
果を用い、ステツプ38は一致した場合、次の処理39を、
不一致の場合ステツプ37を実行させる。ステツプ39は一
致した時に前記入力を前記ルールの結論部に置換する。
この時の確信度の取扱いはミニ・マツクスの理論で、置
換前の最小値又は最大値で置換える。ステツプ40は前記
置換したルールの結論部が操作指令である場合、ステツ
プ41を、結論部が不一致の場合更に推論を実施させるた
めにステツプ37を実行させる。

前記結論部が操作指令であるときに、処理41は前記指
令値計算手段33へ、結論部及び前記処理ステツプで求め
た確信度を出力する。

第９図は指令計算手段33を示す。指令値計算手段33
は、前記操作量決定手段32で求めた推論結果である指令
及びその確信度を記憶するメモリ42,メモリの指令が全
て処理されたか否かを判断し、処理されていたならば指
令値計算手段33を終了させるステツプ43、処理されてい
なければ圧下制御機構６等のアクチユエータ7,8,9,10,1
1毎の指令を取り出し、各種推論で求まつたアクチユエ
ータ操作の程度と確信度を基に、操作量の重心を求め、
同一アクチユエータの操作量の重心を寄せ集めて新たな
重心を求め対応するアクチユエータの指令とする処理44
から構成される。

このような指令値計算手段33を求めることで各種推論
142〜146,特徴抽出回路機構110,最適化演算機構111,一
般制御機構203で個別に求められたアクチユエータへの
指令を統一的に扱える特徴が有る。

第10図に、前記学習に必要な入力切り換え装置125の
構成を示す。該入力切り換え装置125は、学習機構によ
り制御されるスイツチ機構156を用い、形状検出機構14
の出力と学習機構16の出力の一方を入力層31に出力する
ものである。第10図におけるスイツチ機構156の状態は
学習を行なう状態を示す。

第11図に学習機構16の構成を示す。学習機構16は、入
力パターン発生機構45,出力パターン発生機構47,出力突
合せ機構46、及び、学習制御機構48から構成される。前
記出力突合せ機構46は、出力層30の出力を指令発生機構
12と前記突合せ機構46へ出力するための分配器139の出
力o₁,o_i,o_nと、出力パターン発生機構47の出力o_T1,o_Ti,
o_Tnとの差を加算器161,162,163により、偏差e₁,e_j,e_nと
して求め、学習制御機構48に出力する。なお分配器139
の出力o₁,o_j,o_nは入力パターン発生機構45の出力がパタ
ーン認識機構13（（Rumelhart型ニユーロコンピユー
タ）の入力層31に入力されることにより発生する。この
とき、該入力パターン発生機構45と該出力パターン発生
機構47は前記学習制御機構48に制御される。

第12図に前記学習過程における重み関数W_ij23と学習
制御機構48の関係を示す。前記加算器161の出力である
偏差e_kを受けて、学習制御機構48はパターン認識機構13
を構成するセル20の重み関数W_ij23の値を、前記偏差が
減少する方向に変化させる。

第13図に前記学習制御機構48の処理概要170を示す。
学習機構16が起動されると、学習制御機構48の処理170
が起動される。該処理170は、前記入力パターン発生機
構45,出力パターン発生機構47を起動し、教師信号であ
る入力と、希望出力を発生する前処理171、前記偏差e_k
の値、又は、前記偏差自乗和が許容範囲以内になるまで
以下のステツプ173,174,175を繰り返すステツプ172,出
力層30に近い中間層から入力層31に向けて注目する中間
層を順次抽出するステツプ174、該中間層において順次
注目するセルを抽出するステツプ174、及び偏差e_kが小
さくなる方向へ抽出したセルの重み関数W_ij23を変化さ
せるステツプ175、および、学習過程を終了させるため
のステツプ176から構成される。

このような学習機構を設ける事により、それ迄考慮さ
れなかつた新しい現象が発生し、それに対する対応策が
決定したならば、その知見を反映できる特徴が有る。

第14図は、第２図の記憶機構15の構成を示す。記憶機
構15は、指令発生機構12,形状検出機構14の出力が入力
されるメモリ要素49,メモリ要素49の内容は一定時間経
過に転送されるメモリ要素50、及び順次メモリ要素にデ
ータが転送され特定時間経過後に到達するメモリ要素51
から構成され、各メモリ要素49,50,51の内容はパターン
の微分や積分等を行うための演算機構510を介し、パタ
ーン認識機構13,学習機構16へ力される。

この記憶機構15により、形状検出機構14や、指令発生
機構12の時間的変化を考慮できる、例えば微分，積分等
の動作が行なえるようになる。

第15図には、クーラント制御のノズルの影響が、ノズ
ルの位置から一定長のみに影響を与えるため、ノズル近
傍の入力を使つてパターンを認識する機構示す。形状検
出機構14の出力はパターン認識機構13のメモリ52に入力
され、メモリ52に入力された信号はゲート回路53を介
し、メモリ要素54に入力され、メモリ要素54に入力され
た信号はゲート回路55,56を介しメモリ要素57,58へ入力
され、ゲート回路53,56がオフにするとゲート回路55は
オンとなり、クロツクに同期して、メモリ要素54の情報
はメモリ57へ、又、一定時間経過するとメモリ要素54の
信号がメモリ要素58へ達成し、メモリ要素57の信号がメ
モリ要素54に達し、次のクロツクでメモリ要素54,57,58
の信号が一巡すると、ゲート53,56がオンし、ゲート55
がオフし、メモリ要素54の内容はメモリ要素59に記憶さ
れ、メモリ要素54,57,59の情報は入力層31に入力され
る。

このようなメモリ52を設けることにより、パターン認
識機構13の入力層31,中間層19,27,29,出力層30のセルの
数を大巾に減少できる効果が有る。

第16図に学習機構16の入力パターン発生機構45と出力
パターン発生機構47に制御対象シミユレータ60を用いる
例を示す。

出力パターン発生機構47においてオペレータの操作又
はデータによつて発生した形状パターンは、第２図の指
令発生機構12と同一の機能を持ち、学習機構に別に設け
られた指令発生機構12に入力され、指令発生機構12では
パターンに応じて各種アクチユエーターの指令を発生
し、該指令は入力パターン発生機構45に設けられた制御
対象シミユレータ60に入力され、制御対象である各種ア
クチユエータ6,7,8,9,10,11及び圧延機１を含めた動作
を模擬し、その応答が悪い時には指令発生機構12,制御
対象シミユレータ60のパラメータを変更するためのパラ
メータ調整機構61を用い前記制御対象シミユレータ60の
出力を所望の形状になるように調節し、パターン認識機
構13の入力とする。

以上説明した構成の制御方法の動作を具体例を用いて
以下に述べる。

パターン認識機構13を構成するニユーロコンピユータ
の中間層19,27,29の重み関数W_ij28の値の初期値は当
初，乱数又は適当な値、例えば荷重関数が取り得る値
（０〜1.0とすると）の半分（0.5）に設定する。この時
に、例えば、第17図の入力パターン発生機構45が生成し
た凹型の圧延機形状パターンを入力しても、出力層30の
出力において凹であるという出力線70の出力は１になら
ず、又、出力層30の出力線71の出力である凸である確率
は零にならない。

そこで出力層30の出力線70に対応する学習機構16の出
力パターン発生機構47の出力線72は１を、出力線71に対
応する出力パターン発生機構47の出力線73の出力を零に
出力する。これらの出力を受けて、出力突合せ機構46は
理想的な出力（出力パターン発生機構47）と、パターン
認識機構13の出力の偏差を受け学習制御機構48は、パタ
ーン認識機構13の重み関数W_ijの大きさを該偏差が減少
する方向に、該偏差の大きさに比例して変更させる。こ
のアルゴリズムの代表例として最急傾斜法がある。

第13図の処理に従つて、順次荷重関数の重みを変更
し、第12図のe_kの自乗和が許容範囲内に収まると、学習
機構16の動作が終了する。

学習終了後、第17図の入力パターン発生機構45の出力
パターンと同じ波形が第２図の形状検出機構14から入力
されると、パターン認識機構13は、出力層30出力線70か
ら１を出力し、出力層30の出力線71から零を出力する。

次に、凸型と言われている第18図に示す波形が入力さ
れ、しかも、学習が終了していない場合、パターン認識
機構13の凸型を表現する出力線71の出力が１で、その他
の出力線70が零になるパターンにならない。そこで前述
のように、典型的な凸型のパターンを入力信号として、
出力パターン発生機構47出力は、前記出力線71,70の出
力に対応する値を夫々1,0なるようにする。学習機構16
は、該重み関数W_ijを変化させ、学習が完了した時に、
前記パターン認識機構13に、第18図の凸型の波形が入力
されると、第17図の前記出力層30の出力線71は１に、出
力線70は零になる。

その結果、第19図（ａ）の波形がパターン認識機構13
に入力され、その出力は、出力層30から前述のように予
め入力された凸型の波形であることを示す出力線71によ
りその波形に類似している度合を確信度40％として出力
されると同時に、凹型の波形であることを示す出力線70
から確信度50％として出力される。

第20図に、圧延材の時間的変化を考慮した圧延材形状
を示す。圧延機ワークロール２の直下の状態はt₀で、そ
の時の値はx₀である。記算機のサンプリング周期をT₀と
すると、T₀秒前のt₁時点に於ける板厚の高さはx₁,T₀x₂
秒前のt₂時点に於ける板厚の高さはx₂,…である。

即ち、t₂の時点で、高さx₂が記憶機構15に入力され、
第14図のメモリ要素49に記憶される。次のサンプリング
時点であるt₁の高さx₁が、記憶機構15に入力されると、
そのタイミングでメモリ要素49のデータx₂はメモリ要素
50に転送されるとともに、メモリ要素49の内容は、x₁に
書換えられる。

一方演算機構510は、前記メモリ要素49,50の内容を用
いて各種演算を行なう。例えば、微分値が必要な時に
は、（x₂−x₁）/T₀、積分器が必要な時には（x₁＋x₂）
×T₀となる演算を実行すれば良い。即ち、微分器は、形
状の変化速度を求めることができるので、パターン認識
機構13は変化に対する応答性を向上できる。

一方、積分器は、ノイズ等に対し除去作用が有るなど
の特徴を出す事ができる。

これら、微分器，積分器、及び時間的要素が入つてい
ない比例要素等の機能をパターン認識機構13に持たせる
ことができる。

更に、記憶機構15で記憶されたデータも必要に応じ、
学習時に活用する入力パターン発生機構45に利用でき
る。

ところで、第29図に示すように、t₀時点に於ける圧延
機のロール軸方向の圧延材の板厚をx⁰ ₀,x⁰ ₁,…x⁰ _n-1,x⁰
_nとし、同一位置に於けるT₀（サンプリング周期）前の
板厚の状態を、x¹ ₀,x¹ ₁,…x¹ _n-1,x¹ _nとすると、ある時
点t₀では、第14図のメモリ要素54,57,58に夫夫x⁰ _n,x⁰
_n-1,…x⁰ ₀が記憶される。メモリ要素59には、前述のメ
モリ機構15と同様な動作を行つているので、T₀時点前の
時点t₁のデータであるx¹ ₀,x¹ ₁,…x¹ _nがメモリ要素59他
に記憶されている。

第22図にプロダクシヨンルール又はフアジイルールの
一例を示す。（第６図プロダクシヨンルール147,フアジ
イルール148に対応）。

前記、パターン認識機構13で凹型50％の確信度として
出力を得ると、プロダクシヨンルールの前提部と照合
し、凹型ルール80と一致する。その結果、ベンダを弱め
る（程度はSmall）ルール81が得られる。一方、凸型の
確信度40％で、前提部82と一致し、その結果、ベンダを
強める（程度大）が得られる。

その結果、第23図に示すように指令発生機構12は、前
記ルールとの照合の結果、ベンダの操作量は凸型の確信
度50％なのでＢの斜線部の面積で表される。一方、凹型
の確信度が40％でＳである確信度40％なので、第22図の
Ｓの斜線部の面積となる。次に上記指令発生機構12は斜
線部の重心ＡとＢを合成した重心Ｃの値である65％がベ
ンダの操作量になる。

次に、クーラント制御のようにアクチユエータの影響
がベンダやシフタと異なり局所的なものでは、第15図に
示すように、第24図（ａ）の波形をメモリ要素54,57,58
に記憶する。メモリ要素に記憶された波形の１部（第24
図（ａ）のａの部分）はパターン認識機構13,指令発生
機構12で処理され、クーラント制御機構10の１個のノズ
ルＡを制御することにより冷却液の量が制御され、ロー
ルが平坦化するのである。

さて、ノズルＡに対応する第21図のx⁰ _n-1の両隣り
x⁰ _n,x⁰ _n-2の値と比較した時に、x⁰ _n-1が大きければ、中
心部大という結論85が第15図から得られる。一方、x⁰
_n-1,x¹ _n-1の関係としてx⁰ _n-1,x¹ _n-1が正であれば、x⁰
_n-1は増加傾向になるので微係数が正となり、前提部86
と一致し、その結果、クーラントをONする。その程度は
大（Ｂ）である。その結果、x⁰ _n-1,x⁰ _n-1が殆ど変化し
なくなるのである。

ノズルＡの制御が終ると、第15図のメモリ要素54,57,
58,59の内容を夫々１個ずつシフトする。その結果、パ
ターン認識機構13に入力される波形は、第24図（ａ）の
ｂで示した領域が入力され、パターン認識機構13,指令
発生機構12により、クーラント制御機構10の１個のノズ
ルＢが制御される。

このように処理を行うと第24図（ａ）のパターンＡか
ら出発し、Ｂへたどりつき、更にメモリ内容をシフトす
ると、第24図（ａ）の波形がメモリ52に再現する。前
回、第24図（ａ）のパターンをメモリ52に記憶してから
一定時間経過に第15図のメモリ要素54の内容をメモリ59
へ移り、メモリ要素54に形状検出機構14の波形を記憶さ
せる。

更に、メモリ52と入力層31の間に、第14図で示した演
算機構510を設けると、波形の変化速度等でも制御でき
るようになるのは第14図からも自明である。

次に、パターン認識機構13に基準となるパターンの学
習方法について述べる。

第18図の波形62や63を、第11図の入力パターン発生機
構45で生成し、入力層32へ出力する。このパターンは、
入力パターン発生機構45のメモリに書込むか、又は、第
２図の記憶機構15に記憶されたパターンを用いる。入力
層に入力された信号は中間層19,…,27を介し、出力層30
から出力として現われる。この時中間層の重み関数W^k _ij
は初期値であり、出力パターン発生機構47からは、入力
パターン発生機構45の出力と対応して、パターン認識機
構13より出力して欲しいパターン（例えば、入力パター
ン発生機構45が標準パターンであり、出力層30の出力端
子１本をその標準パターンに割当てると、割当てられた
出力端子が１となり、その他の端子が零になるようなパ
ターン）を出力突合せ機構46に入力される。学習が完了
しない時には、出力層30の出力パターンと、出力パター
ン発生機構47の波形が異なつている。その結果、出力突
合せ機構46の出力はパターン相違の度合に応じた出力を
出す。この値、偏差の２乗平均を求めれば、偏差のパワ
ースペクトラム等が求まる。上記偏差に応じ、出力層に
近い中間層27から順次、入力層31に近い中間層19迄、重
み関数W^k _ijを変更する。関数W^k _ijを変更方式は種々の方
法が考えられるが、上記偏差を最小値になるようにする
という最適化問題で、例えば最急傾斜法等を利用する。
具体的な方法として、着目する重み関数W^k _ijを上の方向
へ微少変動させ、その結果、偏差値が変化する方向をみ
て、減少する方向へ重み関数W^k _ijを移動するとともに、
移動量は、偏差値の変化が小さい時は大きく、反対に偏
差値の変化が大きい時には移動量を小さくする。又は、
入力層31に一番近い中間層19の重み関数W^k _ijの変動が終
了した時点で、再度出力突合せ機構46の偏差値をチエツ
クし、その値が許容誤差範囲になつた時に学習を終了す
る。

この制御は学習制御機構48で実施される。猶、この学
習した結果をパターン判別に利用するパターン認識機構
13は何故パターンの識別ができるか、学習が何故旨くい
くのかという動作が解明されていないが、重み関数の数
が、入力と出力の数に比べ多くなつており、その値の自
由度が有り、多少値が狂つても、又多くのパターンを記
憶させても、良好な認識結果を得ることができると云わ
れている。

一方、この入力パターン発生機構45と出力パターン発
生機構47に対し、どのようなパターンを用いたら良い
か、非常に難しい面が有る。幸い、制御対象１の動作を
ある動作点付近で動作させるとモデルを正確に導き出せ
る方法が制御理論の分野でシステム同定という理論が確
立している。但し全動作領域では非線形性が強い対象で
モデル化が困難である。

そこで、特定の動作領域でモデルを作り、制御を実施
し、その状態で旨くいく制御系の入力と応答の関係をシ
ミユレーシヨンで求め、それを学習用のデータとする。
この手順を、制御系の全動作領域に対し、動作点を順次
移動し、その時々の最適なモデリングと制御指令を求め
学習させる。即ち、第16図の制御対象シミユレータ60の
パラメータを調整し、特定の動作点で正確に制御対象シ
ミユレータ60が動作させる。その後、制御対象が典型的
なパターンを発生するように入力パターン発生機構45,
パラメータ調整機構61,制御対象シミユレータ60,指令発
生機構12を動作させ、これら入力パターン発生機構45と
制御対象シミユレータ60の出力を夫々学習機構16の出力
パターンと入力パターンとする。

このような構成の制御方式はパターン認識機構で対象
の波形を抽象化し、制御機構であいまい性迄含む制御が
実施できる。

次に、第25図に本発明を熱間圧延機に適用する場合の
実施例を示す。熱間圧延システムは圧延スタンド500,50
1,502,503,504,電動、又は、油圧圧下装置505,506,507,
508,509、電動機510,511,512,513,514、ルーパ515,516,
517,518,519、張力検出器520,521,522,523,524、被圧延
材525、入出力インターフェース526、パターン認識機構
13、制御機構528から構成される。圧延スタンド502,503
を拡大すると第25図の下部に示すような構成となり、例
えば、圧延スタンド502はワークロール529,530,中間ロ
ール531,532,バックアップロール533,534,から構成され
る。油圧圧下装置507によって加えられる力は、バック
アップロール533,534,中間ロール531,532,ワークロール
529,530,を介して被圧延材525に加えられ、その板厚が
制御される。また、被圧延材にロールを介して接触し、
その付属する電動機53の回転角度を制御することによっ
て被圧延材525に加わる張力をルーパ517が制御する。

さらに、被圧延材525には、張力計522が接触し、被圧
延材525の張力を計測する。入出力インタフェースには
張力計の出力の張力，油圧圧下装置に付随する荷重計の
出力の荷重、中間ロールに接続され、ロールを駆動する
電動機510〜514の速度，ルーパの位置，各電動機の電流
値等が入出力インタフェースに入力される。入出力イン
タフェース526に入力された制御対象の状態は、ニュー
ラルネットで構成されるパターン認識機構13に入力され
る。パターン制御機構13に入力された各種の信号のパタ
ーン（分布）、例えば、複数の張力計の信号から構成さ
れる張力分布が予め記憶されているパターンのどれに分
流されて、その成分がどのくらい含まれるかを、類似度
として抽出され、制御機構528に出力される。制御機構
では、その類似度を確信度として受け、ファジィ演算を
実施し、各アクチュエータに対する指令を決定し、入出
力インタフェースに送る。

以上の動作を第26図を用いて説明する。、例えば、複
数個の張力検出器520〜524の出力のパターンの張力パタ
ーンが、入出力インタフェース526を介してパターン認
識機構13としてのニューラルネット527に入力される。
同時に、荷重パターン，電動機510〜514の速度が作る速
度パターン，本明細書では図示しないが、圧延スタンド
500〜504の間の随所に設置された被圧延材の温度を計測
する温度計より得られる温度パターン，ルーパの回転角
度から得られる回転角度パターン，電動機の電流パター
ン等が入力される。

ニューラルネット527は各パターンから、予め学習し
ている典型的なパターン成分が含まれる割合を類似度と
して、推論機構から構成される制御機構528に出力す
る。

次に、第27図を用いて、制御機構528の動作を説明す
る。例えば、オペレータのノウハウとして、知識ベース
に示すような、「もし、張力パターンが右下がりで、荷
重パターンが凹型で、速度パターンが凸型で、温度パタ
ーンの急激に右下がりならば、速度パターンを平坦で、
圧下指令パターンを右下がりとする。」ある場合、ニュ
ーラルネット527から張力パターンの右下がりの類似度
と、荷重パターンの凹型の類似度と、速度パターンの凸
型の類似度と、温度パターンの急激に右下がりの類似度
をそれぞれ確信度として得る。

推論処理536は、知識ベース537と、上記複数の確信度
をもとにファジィ推論を実施し、圧下指令が右下がりの
パターンとなることを導く。なお、推論処理は条件部は
ミニ・マックス演算で、ルールとの適合度を求め、結論
部の重心で、アクチュエータの指令を発生する方法を用
いる。指令が、この場合、圧下指令パターンが右下がり
という結論がでたとする。その結論を受けて、指令発生
機構538は右下がりのパターンから具体的な個々の油圧
圧下装置圧下指令を作り出す。個々の指令は、アクチュ
エータの油圧圧下装置に入力される。

第28図に本発明の第25〜27図の構成を加熱炉に適用す
る場合の構成図を示す。なお、ここでは、第25〜27図と
相違する分について述べる。鋼片540は送りピッチ制御
装置541により加熱炉本体542に送りこまれる。加熱炉本
体では、バーナ543の燃焼を制御する燃料制御装置544,
燃焼するための空気を送る送風ファン制御装置545,及
び、炉内の温度分布を計測するための温度分布検出機構
546,から構成される。加熱炉の場合も、温度分布（温度
パターン）や、鋼片の送り装置の速度分布（パターン）
等をニューラルネットに入力すると、後は、熱間圧延シ
ステムと同じように制御するとよいことは自明である。

さらに、連鋳を例に本発明の適用例を述べる。第29図
は連鋳設備を示すものである。転炉から供給された溶解
した鋼材550は複数のロールの間を通ってロールに冷却
されつつ、鋼材となる。第29図ではロール１本に電動機
が接続されているが、実際は各ロール551に電動機552が
接続されている。また、鋼材550の表面温度は直接図示
しないが、複数の温度検出器により、鋼材550の表面温
度分布（パターン）が計測され入出力インタフェースに
入力される。電磁撹拌器553は、鋼材が溶解されている
状態で、電磁力で撹拌し、鋼材の材質を一定にするもの
である。この場合、温度パターン、複数個からなるロー
ル551の速度パターンを検出し、制御する。パターン検
出や制御方法は、熱間圧延と同様である。

なお本発明は、高炉や、鍍金曹等のプロセスラインに
適用できる。

なお、本発明の具体例として鉄鋼システムを用いて実
施例を説明してきたが、制御対象1,各種アクチユエータ
6,7,8,9,10,11は圧延機システムに限定する必要はな
く、一般の制御対象やアクチユエータ及びコントローラ
に適用できるのは自明である。例えば、鉄道運行管理シ
ステムのように、列車ダイヤパターンを認識し、各種の
ダイヤ組替えルールに従つて、遅れた列車を正常ダイヤ
に戻すようなシステムの制御に利用できる。即ち、列車
の運行をダイヤグラムで表現し、パターン認識機構13で
遅れた特徴を抽出する。次に、その特徴量を基に推論機
構は、例えば、列車の追越は駅で実施する等の各種ルー
ルを用いダイヤを作成する。その推論機構の結果を受
け、指令計算機構33は、個別の列車の運転指令を発生す
る。アクチユエータである。列車は、前記指令に従つて
運転する。

〔発明の効果〕

本発明によれば、複数の制御対象から得られる複数の
状態量を組み合わせてパターンとすることにより、複数
の制御対象全体をとらえて、このパターンに含まれる特
徴的なパターンの類似度を求め、各特徴的なパターンの
類似度を確信度として、確信度と制御対象に対する操作
量を予め定義した関数から制御対象の操作量を決定す
る。これによって、システム全体を最適化する操作量を
決定することができると共に、熟練オペレータのノウハ
ウをそのまま知識として利用できるので最適な制御を行
うことができる。

【図面の簡単な説明】

第１図は本発明の一実施例の構成図、第２図は本発明を
圧延機制御システムに適用した実施例、第３図はパター
ン認識構成図、第４図は指令発生機構図、第５図は操作
量決定手段の構成図、第６図は知識ベース構成図、第７
図は操作量決定手段の動作説明図、第８図はプロダクシ
ヨン機構の動作説明図、第９図は指令値計算手段の構成
図、第10図は入力切換え装置の構成、第11図は学習機構
の構成、第12図は学習制御機構とノードの荷重関数との
関連図、第13図は学習制御機構の基本処理図、第14図は
記憶構成の構成図、第15図はパターン認識機構図、第16
図は学習機構にシミユレータを備えた時の構成図、第17
図はパターン認識機構の動作説明図、第18図は入力パタ
ーン例、第19図はパターン認識機構の出力の説明図、第
20図，第21図は圧延材の時間的変化の説明図、第22図は
プロダクシヨンルールとフアジイルールの一例を示した
図、第23図は類似度を操作量へ変換する方法の説明図、
第24図は入力波形の処理状況の説明図、第25図は熱間圧
延システムの構成図、第26図は、熱間システムの特徴抽
出部の具体例、第27図は制御機能の動作図、第28図は加
熱炉の構成図、第29図は連鋳の構成図である。 １……制御対象、13……パターン認識機構、12……指令
発生機構、16……学習機構、19,27,29……中間層、30…
…出力層、31……入力層。

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁶ 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｃ２１Ｄ 9/00 １０１ Ｇ０５Ｂ 13/02 Ｑ 9154−4Ｅ Ｂ２１Ｂ 37/00 １１６Ｂ Ｆ２７Ｂ 9/40 9154−4Ｅ １１６Ｐ Ｇ０５Ｂ 13/02 9154−4Ｅ １３７Ａ 9154−4Ｅ ＢＢＫ 9154−4Ｅ Ｚ (72)発明者 中嶋 正明 茨城県日立市大みか町５丁目２番１号 株式会社日立製作所大みか工場内 (56)参考文献 特開 昭61−180304（ＪＰ，Ａ) 特開 平２−157981（ＪＰ，Ａ) 特開 平２−170906（ＪＰ，Ａ) 特開 平１−183703（ＪＰ，Ａ) 特開 平２−165201（ＪＰ，Ａ) 特開 平３−266007（ＪＰ，Ａ) 特開 平２−244203（ＪＰ，Ａ) 特開 平４−90001（ＪＰ，Ａ) 特開 平４−70906（ＪＰ，Ａ) 特開 平４−90002（ＪＰ，Ａ) 特開 平２−165388（ＪＰ，Ａ) 日立評論 71［８］（平１−８）堺俊 夫ほか５名「ファジィ理論による形状制 御」Ｐ．803−808

Claims (3)

(57)【特許請求の範囲】
1. 【請求項１】被圧延材を複数の圧延機により圧延する圧
   延システムの少なくとも各圧延機に備えられた検出器か
   らアクチュエータの状態量として検出される圧延機のロ
   ールを駆動する電動機の速度と被圧延材の板厚を制御す
   る圧下装置の荷重及び各圧延機の出側に備えられた検出
   器から被圧延材の状態量として検出される被圧延材の温
   度と張力のうち少なくとも１つの状態量に基づいて前記
   複数の圧延機の各々が有する圧下装置の圧下量及び電動
   機の速度を制御する制御装置において、 前記検出される電動機の速度及び圧下装置の荷重及び被
   圧延材の温度及び被圧延材の張力のうち少なくとも１つ
   の状態量を前記各圧延機に備えた検出器又は前記各圧延
   機の出側に備えた検出器から入力する入力部と、該入力
   部から入力される状態量について生成した複数のパター
   ンを予め記憶し、該入力される状態量を前記被圧延材の
   進行方向に沿って組み合わせて生成したパターンと該予
   め記憶されたパターンとの類似度を該予め記憶された複
   数のパターンのそれぞれについて求め、該記憶された複
   数のパターンに対する類似度それぞれ出力する出力部と
   を備えたパターン認識手段と、 前記パターン認識手段に記憶されている複数のパターン
   のそれぞれについて確信度と速度パターンとの関係及び
   確信度と圧下指令パターンとの関係を定義したメンバー
   シップ関数を記憶し、前記パターン認識手段が出力する
   類似度を入力すると共に、該類似度を確信度として前記
   記憶されたメンバーシップ関数から速度パターン及び圧
   下指令パターンを推論し、該推論された速度パターン及
   び圧下指令パターンに基づいて前記各圧延機の電動機の
   速度及び圧下装置の圧下量を決定する指令発生機構と、 を備えたことを特徴とする制御装置。
2. 【請求項２】被圧延材を複数の圧延機により圧延する圧
   延システムの少なくとも各圧延機に備えられた検出器か
   らアクチュエータの状態量として検出される圧延機のロ
   ールを駆動する電動機の速度と被圧延材の板厚を制御す
   る圧下装置の荷重及び各圧延機の出側に備えられた検出
   器から被圧延材の状態量として検出される被圧延材の温
   度と張力のうち少なくとも１つの状態量に基づいて前記
   複数の圧延機の各々が有する圧下装置の圧下量及び電動
   機の速度を制御する制御方法において、 前記電動機の速度及び圧下装置の荷重及び被圧延材の温
   度及び被圧延材の張力のうち少なくとも１つの状態量を
   前記各圧延機に備えた検出器又は前記各圧延機の出側に
   備えた検出器から入力し、 予め記憶した該入力される状態量について生成した複数
   のパターンと、該入力される状態量を前記被圧延材の進
   行方向に沿って生成したパターンとの類似度を求め、 前記記憶されている複数のパターンのそれぞれについて
   確信度と速度パターンとの関係及び確信度と圧下指令パ
   ターンとの関係を定義したメンバーシップ関数を予め記
   憶し、 前記求められた類似度を入力すると共に、該類似度を確
   信度として前記記憶されたメンバーシップ関数から速度
   パターン及び圧下指令パターンを推論し、該推論された
   速度パターン及び圧下指令パターンに基づいて前記各圧
   延機の電動機の速度及び圧下装置の圧下量を決定するこ
   とを特徴とする制御方法。
3. 【請求項３】搬送装置により搬送される鋼板を複数のバ
   ーナーで加熱する加熱炉であって、該鋼板が搬送される
   搬送速度及び前記炉内の温度を状態量として検出する複
   数の検出器から検出される検出信号に基づいて該バーナ
   ーへ供給する燃料を制御する制御装置において、 前記複数の検出器により検出された状態量を入力する入
   力部と、前記複数の検出器で検出できる前記炉内の温度
   又は前記鋼板の搬送速度の少なくとも一方の状態量を前
   記鋼板の進行方向に沿って組み合わせて生成した複数の
   パターンを予め記憶し、該入力部から入力された状態量
   と前記予め記憶したパターンとの類似度を該記憶した複
   数のパターンのそれぞれについて求め、該複数のパター
   ンに対する類似度を出力する出力部とを備えたパターン
   認識部と、 前記パターン認識手段に記憶されている複数のパターン
   のそれぞれについて確信度と前記バーナーの燃焼パター
   ンとの関係を定義したメンバーシップ関数を記憶し、前
   記パターン認識手段が出力する類似度を入力すると共
   に、該類似度を確信度として前記記憶されたメンバーシ
   ップ関数から前記バーナーの燃焼パターンを推論すると
   共に該決定された燃焼パターンに基づいて前記各バーナ
   ーへ供給する燃料を決定する指令発生機構とを備えたこ
   とを特徴とする制御装置。