JP4543684B2 - 学習制御方法 - Google Patents
学習制御方法 Download PDFInfo
- Publication number
- JP4543684B2 JP4543684B2 JP2004009858A JP2004009858A JP4543684B2 JP 4543684 B2 JP4543684 B2 JP 4543684B2 JP 2004009858 A JP2004009858 A JP 2004009858A JP 2004009858 A JP2004009858 A JP 2004009858A JP 4543684 B2 JP4543684 B2 JP 4543684B2
- Authority
- JP
- Japan
- Prior art keywords
- learning
- component
- gain
- dependent
- time
- 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.)
- Expired - Fee Related
Links
- 230000013016 learning Effects 0.000 title claims description 309
- 238000000034 method Methods 0.000 title claims description 50
- 238000004519 manufacturing process Methods 0.000 claims description 135
- 230000001419 dependent effect Effects 0.000 claims description 86
- 230000036962 time dependent Effects 0.000 claims description 70
- 238000012937 correction Methods 0.000 claims description 35
- 238000003860 storage Methods 0.000 claims description 14
- 230000014509 gene expression Effects 0.000 claims description 12
- 239000000654 additive Substances 0.000 claims description 8
- 230000000996 additive effect Effects 0.000 claims description 8
- 238000005553 drilling Methods 0.000 description 67
- 238000004364 calculation method Methods 0.000 description 33
- 239000000463 material Substances 0.000 description 20
- 238000004080 punching Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 9
- 230000006866 deterioration Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000005096 rolling process Methods 0.000 description 6
- 238000007796 conventional method Methods 0.000 description 5
- 238000002789 length control Methods 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000002436 steel type Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Feedback Control In General (AREA)
- Control Of Metal Rolling (AREA)
Description
本発明は、一定の精度が要求される製品を製造するための設備に係る設備モデルの学習制御方法に関し、特に、継目無管を製造する際の穿孔機、圧延機などを利用する製造設備モデルにおける学習制御方法に関する。
一般に、継目無管を製造する設備における制御誤差には、経時的な物性等の変化に基づく誤差の成分（例えば、ロール・ディスク等の摩耗に起因する穿孔肉厚誤差がある。以下「経時変化依存成分」という。）と、個々の使用工具に起因する誤差やビレット取り数差などのように製造設備の個体差に起因する誤差の成分（以下「製造条件依存成分」という。）があるため、製品の寸法精度や品質等を良好に保つためには、両者の誤差に応じて適切に、製造設備における制御目標値の設定を修正する必要がある。
従来知られている技術（例えば、特許文献１参照）を継目無管の製造設備に応用すれば、前述の経時変化依存成分と製造条件依存成分を切り分けて学習制御を行うことが可能である。このように、学習された誤差に応じて、穿孔機、圧延機などの製造設備の諸設定を変更する技術は、公知の技術である。
上記特許文献１の実施例には、１回圧延する度に、製造設備モデルの誤差（以下、「製造設備モデルの誤差」を単に「制御モデル誤差」ともいう。）の経時変化依存成分と製造条件依存成分を、以下に示す式(１)〜式(５)のように制御対象を切り分け、それらの制御対象毎に学習を行う方法が開示されている。
上記特許文献１の実施例には、１回圧延する度に、製造設備モデルの誤差（以下、「製造設備モデルの誤差」を単に「制御モデル誤差」ともいう。）の経時変化依存成分と製造条件依存成分を、以下に示す式(１)〜式(５)のように制御対象を切り分け、それらの制御対象毎に学習を行う方法が開示されている。
Ｆ ＝Ｙact／Ｙcal (１)
Ｆt ＝Ｆ／Ｆg0 (２)
ＦtN ＝αＦt＋（１−α）Ｆt0 (３)
Ｆg ＝Ｆ／Ｆt0 (４)
ＦgN ＝βＦg＋（１−β）Ｆg0 (５)
ＹsetN＝ＦtN×ＦgN×ＹcalN (６)
ここで、
Ｆ ：制御モデル誤差
Ｙact ：制御対象量の実績値
Ｙcal ：制御対象量のモデル予測値
Ｆt ：制御モデル誤差の経時変化依存成分の推定量
Ｆt0 ：補正前の制御モデル誤差の経時変化依存成分の学習量
ＦtN ：補正後の制御モデル誤差の経時変化依存成分の学習量
Ｆg ：制御モデル誤差の製造条件依存成分の推定量
Ｆg0 ：補正前の制御モデル誤差の製造条件依存成分の学習量
ＦgN ：補正後の制御モデル誤差の製造条件依存成分の学習量
α、β：学習ゲイン（０＜α、β＜１）
ＹsetN：次材の制御対象量の設定値
ＹcalN：次材の制御対象量のモデル予測値
特開平４−３６７９０１号公報
Ｆt ＝Ｆ／Ｆg0 (２)
ＦtN ＝αＦt＋（１−α）Ｆt0 (３)
Ｆg ＝Ｆ／Ｆt0 (４)
ＦgN ＝βＦg＋（１−β）Ｆg0 (５)
ＹsetN＝ＦtN×ＦgN×ＹcalN (６)
ここで、
Ｆ ：制御モデル誤差
Ｙact ：制御対象量の実績値
Ｙcal ：制御対象量のモデル予測値
Ｆt ：制御モデル誤差の経時変化依存成分の推定量
Ｆt0 ：補正前の制御モデル誤差の経時変化依存成分の学習量
ＦtN ：補正後の制御モデル誤差の経時変化依存成分の学習量
Ｆg ：制御モデル誤差の製造条件依存成分の推定量
Ｆg0 ：補正前の制御モデル誤差の製造条件依存成分の学習量
ＦgN ：補正後の制御モデル誤差の製造条件依存成分の学習量
α、β：学習ゲイン（０＜α、β＜１）
ＹsetN：次材の制御対象量の設定値
ＹcalN：次材の制御対象量のモデル予測値
しかしながら、上記特許文献１の従来技術では、ロール交換時のように、経時変化依存成分が大きく変わる場合や、新しい工具を投入した場合のように、製造条件が変わり、学習対象となる製造条件では十分に学習がなされていない場合に、制御モデル誤差の経時変化依存成分の学習量Ｆt0、製造条件依存成分の学習量Ｆg0が実際の値と異なるので、式(２)および式(４)の制御モデル誤差の経時変化依存成分の推定量Ｆt、製造条件依存成分の推定量Ｆgが実際の値から大きく外れるため、学習精度の劣化が生じるという問題点がある。
また、制御対象量のモデル誤差が大きいと、最終的に反映される学習量ＦtN×ＦgNが安定しないという欠点もある。
そこで、本発明は、上記課題に鑑み、経時変化依存成分が大きく変わる場合や製造条件が大きく変わり、未だ学習が十分なされていない場合の学習精度の劣化を防止することを目的とする。さらに、本発明は、制御対象量のモデル誤差が大きい場合の学習精度の劣化を防止することを第２の目的とする。
そこで、本発明は、上記課題に鑑み、経時変化依存成分が大きく変わる場合や製造条件が大きく変わり、未だ学習が十分なされていない場合の学習精度の劣化を防止することを目的とする。さらに、本発明は、制御対象量のモデル誤差が大きい場合の学習精度の劣化を防止することを第２の目的とする。
本願の発明者らは、経時変化依存成分が大きく変わる場合や、新しい工具を投入した場合のように、製造条件が大きく変わり、未だ学習が十分なされていない場合など、制御モデル誤差の経時変化依存成分および製造条件依存成分の推定量が実際の値から大きく外れると推測されるときは、誤差の傾向が変化した誤差成分の学習ゲインを上げて、それ以外の誤差成分の学習ゲインを下げれば良いことに気付いた。また、その推測の方法として、下記の方法を導出した。
(１)学習量を用いて補正した製造設備モデルの誤差の履歴を記録しておき、その履歴に応じて学習ゲインを決定する（即ち、学習ゲインのフィードバック制御である）。
(２)経時変化依存成分の学習量の学習回数、製造条件毎の製造条件依存成分の学習量の学習回数を記録しておき、学習回数に応じて学習ゲインを決定する。経時変化依存成分が大きく変わる場合や、製造条件が以前の履歴から大きく変わる場合には、対応する誤差成分の学習回数を０クリアする（即ち、学習ゲインのフィードフォワード制御である）。
(３)上記(１)および(２)を併用する。つまり、製造条件が大きく変化した場合は(２)のフィードフォワード制御によって学習ゲインを決定し、学習回数が増えるに従って(１)のフィードバック制御を考慮した学習ゲインの決定方法を適用する。
(１)学習量を用いて補正した製造設備モデルの誤差の履歴を記録しておき、その履歴に応じて学習ゲインを決定する（即ち、学習ゲインのフィードバック制御である）。
(２)経時変化依存成分の学習量の学習回数、製造条件毎の製造条件依存成分の学習量の学習回数を記録しておき、学習回数に応じて学習ゲインを決定する。経時変化依存成分が大きく変わる場合や、製造条件が以前の履歴から大きく変わる場合には、対応する誤差成分の学習回数を０クリアする（即ち、学習ゲインのフィードフォワード制御である）。
(３)上記(１)および(２)を併用する。つまり、製造条件が大きく変化した場合は(２)のフィードフォワード制御によって学習ゲインを決定し、学習回数が増えるに従って(１)のフィードバック制御を考慮した学習ゲインの決定方法を適用する。
また、学習の対象となるモデル誤差が大きい場合に最終的に反映される学習量が安定しないのは、上記の式(１)〜式(５)が不適切なためであると気が付いた。つまり、学習量ＦtN、ＦgNが「１．０」に近ければ、最終的に反映される学習量の積「ＦtN×ＦgN」も指数平滑学習式となるが、そうでなければ、式(１)〜式(５)から導かれる以下の近似式の精度が悪化するためである。
ＦtN×ＦgN ≒ logＦtN＋logＦgN ≒ ＦtN＋ＦgN
＝αＦt＋（１−α）Ｆt0＋βＦg＋（１−β）Ｆg0
≒αlogＦt＋（１−α）logＦt0＋βlogＦg＋（１−β）logＦg0
＝（α＋β）logＦ＋｛１−（α＋β）｝（logＦg0＋logＦt0）
≒（α＋β）Ｆ＋｛１−（α＋β）｝（Ｆg0×Ｆt0）
∴ＦtN×ＦgN ≒（α＋β）Ｆ＋｛１−（α＋β）｝（Ｆg0×Ｆt0） (７)
＝αＦt＋（１−α）Ｆt0＋βＦg＋（１−β）Ｆg0
≒αlogＦt＋（１−α）logＦt0＋βlogＦg＋（１−β）logＦg0
＝（α＋β）logＦ＋｛１−（α＋β）｝（logＦg0＋logＦt0）
≒（α＋β）Ｆ＋｛１−（α＋β）｝（Ｆg0×Ｆt0）
∴ＦtN×ＦgN ≒（α＋β）Ｆ＋｛１−（α＋β）｝（Ｆg0×Ｆt0） (７)
上記で説明したように、制御モデル誤差の経時変化依存成分、製造条件依存成分の推定量が実際の値から大きく外れると推測されるときは、誤差の傾向が変化した成分の学習ゲインを上げて、それ以外の成分の学習ゲインを下げれば、次のようにして学習精度の劣化を防ぐことができる。具体的には、次のようにすればよい。
Ａ．学習値が外れる前に学習ゲインを変えた場合（学習ゲインのフィードフォワード制御）
例えば、経時変化依存成分の推定量が大きく外れる場合は、
(ａ)経時変化依存成分の学習ゲインを１、製造条件依存成分の学習ゲインを０とすれば、学習量は次のように更新される。
Ｆ ＝Ｙact／Ｙcal (８)
Ｆt ＝Ｆ／Ｆg0 (９)
ＦtN ＝Ｆt (10)
ＦgN ＝Ｆg0 (11)
(ｂ)ここで、制御モデル誤差の製造条件依存成分の学習量Ｆg0については十分学習されているので、式(９)の制御モデル誤差の経時変化依存成分の推定量Ｆtも、ほぼ正確な値となる。よって、式(１０)の制御モデル誤差の経時変化依存成分の学習量ＦtNも、ほぼ正確な値に更新されることになる。
(ｃ)また、制御モデル誤差の製造条件依存成分の学習量は式(11)のようにそのまま保存されるので、経時変化依存成分の推定量が大きく外れることに対する影響を受けない。
(ｄ)よって、次材の制御対象量の設定値ＹsetNも正しく修正される。
ＹsetN ＝ＦtN×ＦgN×ＹcalN (12)
Ａ．学習値が外れる前に学習ゲインを変えた場合（学習ゲインのフィードフォワード制御）
例えば、経時変化依存成分の推定量が大きく外れる場合は、
(ａ)経時変化依存成分の学習ゲインを１、製造条件依存成分の学習ゲインを０とすれば、学習量は次のように更新される。
Ｆ ＝Ｙact／Ｙcal (８)
Ｆt ＝Ｆ／Ｆg0 (９)
ＦtN ＝Ｆt (10)
ＦgN ＝Ｆg0 (11)
(ｂ)ここで、制御モデル誤差の製造条件依存成分の学習量Ｆg0については十分学習されているので、式(９)の制御モデル誤差の経時変化依存成分の推定量Ｆtも、ほぼ正確な値となる。よって、式(１０)の制御モデル誤差の経時変化依存成分の学習量ＦtNも、ほぼ正確な値に更新されることになる。
(ｃ)また、制御モデル誤差の製造条件依存成分の学習量は式(11)のようにそのまま保存されるので、経時変化依存成分の推定量が大きく外れることに対する影響を受けない。
(ｄ)よって、次材の制御対象量の設定値ＹsetNも正しく修正される。
ＹsetN ＝ＦtN×ＦgN×ＹcalN (12)
ここで、学習ゲインがそれぞれちょうど「１」や「０」でなくても、それぞれの学習ゲインを調整すれば、調整量に応じて上記効果を得ることができる。
また、逆に製造条件依存成分の推定量が大きく外れる場合も同様である。
Ｂ．学習値が外れた後に学習ゲインを変えた場合（学習ゲインのフィードバック制御）
例えば、経時変化依存成分の推定量が大きく外れた場合は、
(ａ)学習ゲインを変える前は、一旦、次の学習式で学習量を更新する。
Ｆ ＝Ｙact／Ｙcal (13)
Ｆt ＝Ｆ／Ｆg0 (14)
Ｆt1 ＝αＦt＋（１−α）Ｆt0 (15)
Ｆg ＝Ｆ／Ｆt0 (16)
Ｆg1 ＝βＦg＋（１−β）Ｆg0 (17)
ここで、異常データや外乱の影響を排除するため、学習ゲインα、βは通常、小さな数値に設定されるので、１回の学習のみでは学習量の劣化は小さい。学習方式が式(15)や式(17)のような指数平滑でなくとも、通常の学習では異常データや外乱の影響を排除するフィルタを入れるため、１回の学習のみでは学習量の劣化は小さい。
(ｂ)その後、経時変化依存成分の学習ゲインを「１」、製造条件依存成分の学習ゲインを「０」とすれば、学習量は次のように更新される。
Ｆ ＝Ｙact／Ｙcal (18)
Ｆt ＝Ｆ／Ｆg1 (19)
ＦtN ＝Ｆt (20)
ＦgN ＝Ｆg1 (21)
(ｃ)ここで、制御モデル誤差の製造条件依存成分の学習量Ｆg1については、概ね妥当な数値に近いので、式(９)の制御モデル誤差の経時変化依存成分の推定量Ｆtも、ほぼ妥当な値となる。よって、式(10)の制御モデル誤差の経時変化依存成分の学習量ＦtNも、ほぼ妥当な値に更新されることになる。
(ｄ)また、制御モデル誤差の製造条件依存成分の学習量は、式(11)のようにそのまま保存されるので、経時変化依存成分の推定量が大きく外れることに対する影響を受けない。
また、逆に製造条件依存成分の推定量が大きく外れる場合も同様である。
Ｂ．学習値が外れた後に学習ゲインを変えた場合（学習ゲインのフィードバック制御）
例えば、経時変化依存成分の推定量が大きく外れた場合は、
(ａ)学習ゲインを変える前は、一旦、次の学習式で学習量を更新する。
Ｆ ＝Ｙact／Ｙcal (13)
Ｆt ＝Ｆ／Ｆg0 (14)
Ｆt1 ＝αＦt＋（１−α）Ｆt0 (15)
Ｆg ＝Ｆ／Ｆt0 (16)
Ｆg1 ＝βＦg＋（１−β）Ｆg0 (17)
ここで、異常データや外乱の影響を排除するため、学習ゲインα、βは通常、小さな数値に設定されるので、１回の学習のみでは学習量の劣化は小さい。学習方式が式(15)や式(17)のような指数平滑でなくとも、通常の学習では異常データや外乱の影響を排除するフィルタを入れるため、１回の学習のみでは学習量の劣化は小さい。
(ｂ)その後、経時変化依存成分の学習ゲインを「１」、製造条件依存成分の学習ゲインを「０」とすれば、学習量は次のように更新される。
Ｆ ＝Ｙact／Ｙcal (18)
Ｆt ＝Ｆ／Ｆg1 (19)
ＦtN ＝Ｆt (20)
ＦgN ＝Ｆg1 (21)
(ｃ)ここで、制御モデル誤差の製造条件依存成分の学習量Ｆg1については、概ね妥当な数値に近いので、式(９)の制御モデル誤差の経時変化依存成分の推定量Ｆtも、ほぼ妥当な値となる。よって、式(10)の制御モデル誤差の経時変化依存成分の学習量ＦtNも、ほぼ妥当な値に更新されることになる。
(ｄ)また、制御モデル誤差の製造条件依存成分の学習量は、式(11)のようにそのまま保存されるので、経時変化依存成分の推定量が大きく外れることに対する影響を受けない。
よって、次材以降の制御対象量の設定値ＹsetNも、外れる前にゲインを変えた場合と同様に正しく修正される。ここで、学習ゲインがそれぞれちょうど「１」や「０」でなくても、それぞれの学習ゲインを調整すれば、調整量に応じて上記効果を得ることができる。また、逆に製造条件依存成分の推定量が大きく外れる場合も同様である。
制御モデル誤差の経時変化依存成分や製造条件依存成分の推定量が実際の値から大きく外れると推測できた後は、上記のようにして、学習精度の劣化を防ぐことができる。
制御モデル誤差の経時変化依存成分や製造条件依存成分の推定量が実際の値から大きく外れると推測できた後は、上記のようにして、学習精度の劣化を防ぐことができる。
次に、如何にして制御モデル誤差の経時変化依存成分や製造条件依存成分の推定量が実際の値から大きく外れると推測できるかについて説明する。
Ａ．方法１：学習ゲインをフィードバック制御する。
学習量で補正した対象量の誤差の履歴を記録しておき、以下のように判断する。
(１)学習量で補正した対象量の誤差が大きく、どの製造条件でもその誤差がほぼ同じであれば、制御モデル誤差の経時変化依存成分が大きく変化したと判断する。
(２)学習量で補正した対象量の誤差が大きく、製造条件によりその誤差が変化する場合は、モデル誤差の製造条件依存成分が大きく変化したと判断する。
(３)学習量で補正した対象量の誤差が大きくない場合は、制御モデル誤差の経時変化成分や製造条件依存成分が共に大きく変化していないと判断する。
Ａ．方法１：学習ゲインをフィードバック制御する。
学習量で補正した対象量の誤差の履歴を記録しておき、以下のように判断する。
(１)学習量で補正した対象量の誤差が大きく、どの製造条件でもその誤差がほぼ同じであれば、制御モデル誤差の経時変化依存成分が大きく変化したと判断する。
(２)学習量で補正した対象量の誤差が大きく、製造条件によりその誤差が変化する場合は、モデル誤差の製造条件依存成分が大きく変化したと判断する。
(３)学習量で補正した対象量の誤差が大きくない場合は、制御モデル誤差の経時変化成分や製造条件依存成分が共に大きく変化していないと判断する。
(１) の場合は、制御モデル誤差の変化量をγ倍されたと仮定すると、制御モデル誤差の経時変化依存成分が大きく変化したと判断されるので、経時変化依存成分の学習ゲインを「１」、製造条件依存成分の学習ゲインを「０」に変更して、学習量を次のように更新する。
Ｆ ＝Ｙact／Ｙcal ＝Ｆ0×γ (22)
Ｆt ＝Ｆ／Ｆg0 ＝Ｆ0／Ｆg0×γ (23)
Ｆt1 ＝Ｆt (24)
Ｆg1 ＝Ｆg0 (25)
Ｙsen ＝Ｆt1×Ｆg1×Ｙcal＝Ｆ0×γ×Ｙcal＝Ｙact (26)
それ以降の設定値も、経時変化依存成分の学習量が既にγ倍されているので、どの製造条件でも正しく誤差をγ倍に修正することができる。
Ｂ．方法２：学習ゲインをフィードフォワード制御する。
ロールを交換する場合など、物理的に制御モデル誤差の経時変化依存成分、製造条件変化成分が変わることが予想されるときは、直ちに各成分の推定量が実際の値から大きく外れると推測できることは言うまでもない。また、製造条件依存成分については、今まで製造に使用したことのない条件であっても、学習回数を記録しておけば未学習であることが判別でき、先に述べたように製造条件依存成分の学習ゲインを上げて、経時変化依存成分の学習ゲインを下げれば、式(８)〜式(12)式に従って、各学習値は、ほぼ正確な値に更新される。
Ｆ ＝Ｙact／Ｙcal ＝Ｆ0×γ (22)
Ｆt ＝Ｆ／Ｆg0 ＝Ｆ0／Ｆg0×γ (23)
Ｆt1 ＝Ｆt (24)
Ｆg1 ＝Ｆg0 (25)
Ｙsen ＝Ｆt1×Ｆg1×Ｙcal＝Ｆ0×γ×Ｙcal＝Ｙact (26)
それ以降の設定値も、経時変化依存成分の学習量が既にγ倍されているので、どの製造条件でも正しく誤差をγ倍に修正することができる。
Ｂ．方法２：学習ゲインをフィードフォワード制御する。
ロールを交換する場合など、物理的に制御モデル誤差の経時変化依存成分、製造条件変化成分が変わることが予想されるときは、直ちに各成分の推定量が実際の値から大きく外れると推測できることは言うまでもない。また、製造条件依存成分については、今まで製造に使用したことのない条件であっても、学習回数を記録しておけば未学習であることが判別でき、先に述べたように製造条件依存成分の学習ゲインを上げて、経時変化依存成分の学習ゲインを下げれば、式(８)〜式(12)式に従って、各学習値は、ほぼ正確な値に更新される。
また、制御対象量のモデル誤差が大きい場合は、以下の学習更新式を適用すれば、常に、最終的に反映される学習量ＦtN×ＦgNも指数平滑学習式となる。
［方法Ａ］
Ｆ ＝Ｙact／Ｙcal−１ (27)
Ｆt ＝Ｆ−Ｆg0 (28)
ＦtN ＝αＦt＋（１−α）Ｆt0 (29)
Ｆg ＝Ｆ−Ｆt0 (30)
ＦgN ＝βＦg＋（１−β）Ｆg0 (31)
ＹsetN＝（１＋ＦtN＋ＦgN）×Ｙcal (32)
ここで、
Ｆ ：制御モデル誤差
Ｙact ：制御対象量の実績値
Ｙcal ：制御対象量のモデル予測値
Ｆt ：制御モデル誤差の経時変化依存成分の推定量
Ｆt0 ：補正前の制御モデル誤差の経時変化依存成分の学習量
ＦtN ：補正後の制御モデル誤差の経時変化依存成分の学習量
Ｆg ：制御モデル誤差の製造条件依存成分の推定量
Ｆg0 ：補正前の制御モデル誤差の製造条件依存成分の学習量
ＦgN ：補正後の制御モデル誤差の製造条件依存成分の学習量
α、β：学習ゲイン（０＜α、β＜１）
ＹsetN：次材の制御対象量設定値
ＹcalN：次材の制御対象量のモデル予測値
［方法Ｂ］
Ｆ ＝Ｙact−Ｙcal (33)
Ｆt ＝Ｆ−Ｆg0 (34)
ＦtN ＝αＦt＋（１−α）Ｆt0 (35)
Ｆg ＝Ｆ−Ｆt0 (36)
ＦgN ＝βＦg＋（１−β）Ｆg0 (37)
ＹsetN＝ＹcalN＋ＦtN＋ＦgN (38)
なお、上記の方法Ａ、方法Ｂのどちらの更新式でも、常に次式が成り立つ。
［方法Ａ］
Ｆ ＝Ｙact／Ｙcal−１ (27)
Ｆt ＝Ｆ−Ｆg0 (28)
ＦtN ＝αＦt＋（１−α）Ｆt0 (29)
Ｆg ＝Ｆ−Ｆt0 (30)
ＦgN ＝βＦg＋（１−β）Ｆg0 (31)
ＹsetN＝（１＋ＦtN＋ＦgN）×Ｙcal (32)
ここで、
Ｆ ：制御モデル誤差
Ｙact ：制御対象量の実績値
Ｙcal ：制御対象量のモデル予測値
Ｆt ：制御モデル誤差の経時変化依存成分の推定量
Ｆt0 ：補正前の制御モデル誤差の経時変化依存成分の学習量
ＦtN ：補正後の制御モデル誤差の経時変化依存成分の学習量
Ｆg ：制御モデル誤差の製造条件依存成分の推定量
Ｆg0 ：補正前の制御モデル誤差の製造条件依存成分の学習量
ＦgN ：補正後の制御モデル誤差の製造条件依存成分の学習量
α、β：学習ゲイン（０＜α、β＜１）
ＹsetN：次材の制御対象量設定値
ＹcalN：次材の制御対象量のモデル予測値
［方法Ｂ］
Ｆ ＝Ｙact−Ｙcal (33)
Ｆt ＝Ｆ−Ｆg0 (34)
ＦtN ＝αＦt＋（１−α）Ｆt0 (35)
Ｆg ＝Ｆ−Ｆt0 (36)
ＦgN ＝βＦg＋（１−β）Ｆg0 (37)
ＹsetN＝ＹcalN＋ＦtN＋ＦgN (38)
なお、上記の方法Ａ、方法Ｂのどちらの更新式でも、常に次式が成り立つ。
ＦtN＋ＦgN
＝（α＋β）Ｆ＋｛１−（α＋β）｝（Ｆt0＋Ｆg0） (39)
Ｆt、Ｆgが上記のように加法的に組み合わさるのではなく、積の形で現れる場合には、下記のように対数をとれば、上の加法的な式に帰着させることができる。 つまり、積の形で現れる場合でも、上記の方法で対応することができる。
＝（α＋β）Ｆ＋｛１−（α＋β）｝（Ｆt0＋Ｆg0） (39)
Ｆt、Ｆgが上記のように加法的に組み合わさるのではなく、積の形で現れる場合には、下記のように対数をとれば、上の加法的な式に帰着させることができる。 つまり、積の形で現れる場合でも、上記の方法で対応することができる。
加法的に反映させる場合
ＹsetN＝ＹcalN＋ＦtN＋ＦgN (40)
積の形で反映させる場合
ＹsetN＝（ＦtN×ＦgN）×ＹcalN (41)
∴logＹsetN＝logＹcalN＋logＦtN＋logＦgN (42)
（これは、加法の形となっている。）
上記目的を達成するために、本発明に係る学習制御方法は、製造設備モデルの誤差を、経時変化依存成分と製造条件依存成分とに切り分けて学習する学習制御方法であって、所定の加法形式で表現された式における前記経時変化依存成分と製造条件依存成分とに基づいて、前記誤差を定義することを特徴とする。
ＹsetN＝ＹcalN＋ＦtN＋ＦgN (40)
積の形で反映させる場合
ＹsetN＝（ＦtN×ＦgN）×ＹcalN (41)
∴logＹsetN＝logＹcalN＋logＦtN＋logＦgN (42)
（これは、加法の形となっている。）
上記目的を達成するために、本発明に係る学習制御方法は、製造設備モデルの誤差を、経時変化依存成分と製造条件依存成分とに切り分けて学習する学習制御方法であって、所定の加法形式で表現された式における前記経時変化依存成分と製造条件依存成分とに基づいて、前記誤差を定義することを特徴とする。
さらに、上記目的を達成するために、本発明に係る学習制御方法は、製造設備モデルの誤差を経時変化依存成分と製造条件依存成分とに切り分けて学習する学習制御方法であって、前記経時変化依存成分と前記製造条件依存成分についての学習ゲインを随時変更させてもよい。
本発明に係る学習制御方法により、経時変化依存成分が大きく変わる場合や、新しい工具を投入した場合のように製造条件が大きく変わり、未だ学習が十分なされていない場合の学習精度の劣化を防止することが可能となる。さらに、制御対象量のモデル誤差が大きい場合の学習精度の劣化を防止することができる。
以下、本発明の実施の形態について、図面を用いながら説明する。
図１は、本実施の形態に係る学習制御システム１０の機能構成を示すブロック図である。
図１に示されるように、学習制御システム１００は、穿孔後の鋼管の長さ（以下、単に「穿孔後長さ」という。）の制御を行うシステムであり、学習演算装置１０、製造条件設定装置２０、穿孔機設定装置３０、長さ計４０、穿孔機５０、芯金６０プラグ７０などを備える。
図１は、本実施の形態に係る学習制御システム１０の機能構成を示すブロック図である。
図１に示されるように、学習制御システム１００は、穿孔後の鋼管の長さ（以下、単に「穿孔後長さ」という。）の制御を行うシステムであり、学習演算装置１０、製造条件設定装置２０、穿孔機設定装置３０、長さ計４０、穿孔機５０、芯金６０プラグ７０などを備える。
学習演算装置１０は、前回の制御結果に基づいて制御モデルを修正して更に制御を行う、所謂学習制御を行うための中核を担う部署であり、製造条件判定部１１、穿孔後長さ予測値計算部１２、穿孔機設定補正量計算部１３、学習計算部１４、穿孔後長さ実績部計算部１５および学習情報記憶部１６を備えている。
製造条件判定部１１は、製造条件設定装置２０から製造条件を受信して学習計算部１４に送信する。その際、製造条件判定部１１は、製造条件の範囲をチェックする。
製造条件判定部１１は、製造条件設定装置２０から製造条件を受信して学習計算部１４に送信する。その際、製造条件判定部１１は、製造条件の範囲をチェックする。
穿孔後長さ予測値計算部１２は、製造条件設定装置２０から製造条件を受信し、この製造条件に基づいて穿孔後の鋼管の長さを予測する。
穿孔機設定補正量計算部１３は、学習計算部１４において計算された学習量に基づいて、穿孔機における種々の設定値の補正を行う。
学習計算部１４は、製造条件判定部１１から受信した製造条件、穿孔後長さ予測値計算部１２から受信した長さ予測値および学習情報記憶部１６に記憶されている個々の制御対象値の学習量や学習回数に基づいて、制御対象値の新たな学習量を算出する。
穿孔機設定補正量計算部１３は、学習計算部１４において計算された学習量に基づいて、穿孔機における種々の設定値の補正を行う。
学習計算部１４は、製造条件判定部１１から受信した製造条件、穿孔後長さ予測値計算部１２から受信した長さ予測値および学習情報記憶部１６に記憶されている個々の制御対象値の学習量や学習回数に基づいて、制御対象値の新たな学習量を算出する。
穿孔後長さ実績部計算部１５は、長さ計４０を用いて穿孔後の長さの実績値を算出する。学習情報記憶部１６は、個々の制御対象値毎に学習量および学習回数などを対応付けて記憶する。
製造条件設定装置２０は、操作者からの指示又は予めプログラム等によって設定された値で製造条件を設定する。穿孔機設定装置３０は、穿孔機設定補正量計算部１３から受信した補正量に基づいて穿孔機における各設定値の補正を行う。
製造条件設定装置２０は、操作者からの指示又は予めプログラム等によって設定された値で製造条件を設定する。穿孔機設定装置３０は、穿孔機設定補正量計算部１３から受信した補正量に基づいて穿孔機における各設定値の補正を行う。
長さ形４０は、穿孔後の鋼管の長さを測定する。穿孔機５０は、芯金６０およびプラグ７０を用いて、管材に対して穿孔加工を行う。
次に、以上のように構成される学習制御システム１００の動作について説明する。ここでは、継目無管製造工程における、使用されるプラグ７０の個体差を考慮した穿孔機５０の長さ制御を例に挙げて説明する。なお、以下では、本発明の特徴を明確にするために実施例１、実施例２および実施例３（さらに、従来例と）を対比させながら説明することとする。
次に、以上のように構成される学習制御システム１００の動作について説明する。ここでは、継目無管製造工程における、使用されるプラグ７０の個体差を考慮した穿孔機５０の長さ制御を例に挙げて説明する。なお、以下では、本発明の特徴を明確にするために実施例１、実施例２および実施例３（さらに、従来例と）を対比させながら説明することとする。
（実施例１）
実施例１における長さ制御のフローを図５および図６に示す。図５は、学習制御がない場合の制御フローであり、図６は、学習制御を加える場合の制御フローである。
Ａ．学習制御がない場合
最初に、製造条件設定装置２０は、操作者の指示により、管の外径や肉厚などの諸元と穿孔機の下工程（例えば、マンドレルミル、ストレッチレデューサ等）の設備制約などが勘案された穿孔後長さの目標値を設定する（Ｓ１０１）。
実施例１における長さ制御のフローを図５および図６に示す。図５は、学習制御がない場合の制御フローであり、図６は、学習制御を加える場合の制御フローである。
Ａ．学習制御がない場合
最初に、製造条件設定装置２０は、操作者の指示により、管の外径や肉厚などの諸元と穿孔機の下工程（例えば、マンドレルミル、ストレッチレデューサ等）の設備制約などが勘案された穿孔後長さの目標値を設定する（Ｓ１０１）。
次に、製造条件設定装置２０は、目標とする穿孔後長さが得られるように、穿孔機の諸設定を計算する。この場合の計算方法は従来の方法を用いることとする（Ｓ１０２）。
さらに、製造条件設定装置２０は、計算された穿孔機５０における設定値を穿孔機設定装置３０に送信する（Ｓ１０３）。
これにより、穿孔機設定装置３０は、受信した設定値に穿孔機５０の諸設定を変更する（Ｓ１０４）。最後に、穿孔機５０は、管材（ビレット）を穿孔する（Ｓ１０５）。
Ｂ．学習制御を加える場合
最初に、穿孔後長さ予測値計算部１２は、上記の手順で管材に穿孔加工を行う際、製造条件設定装置２０で計算された諸圧延条件に基づいて、穿孔される管材の穿孔後長さを予め予測する（Ｓ２０１）。
さらに、製造条件設定装置２０は、計算された穿孔機５０における設定値を穿孔機設定装置３０に送信する（Ｓ１０３）。
これにより、穿孔機設定装置３０は、受信した設定値に穿孔機５０の諸設定を変更する（Ｓ１０４）。最後に、穿孔機５０は、管材（ビレット）を穿孔する（Ｓ１０５）。
Ｂ．学習制御を加える場合
最初に、穿孔後長さ予測値計算部１２は、上記の手順で管材に穿孔加工を行う際、製造条件設定装置２０で計算された諸圧延条件に基づいて、穿孔される管材の穿孔後長さを予め予測する（Ｓ２０１）。
次に、長さ計４０は、穿孔後の管長さを計測し、学習演算装置１０内の穿孔後長さ実績値計算部１５で穿孔後長さおよび肉厚の実績値を推定する（Ｓ２０２）。
この後、学習計算部１４は、穿孔対象の管材について使用したプラグ７０に対応する穿孔後長さ予測モデル誤差の製造条件依存成分の学習量と学習回数、および穿孔後長さ予測モデル誤差の経時変化依存成分の学習量と学習回数を学習情報記憶部１６から取り出す（Ｓ２０３）。
この後、学習計算部１４は、穿孔対象の管材について使用したプラグ７０に対応する穿孔後長さ予測モデル誤差の製造条件依存成分の学習量と学習回数、および穿孔後長さ予測モデル誤差の経時変化依存成分の学習量と学習回数を学習情報記憶部１６から取り出す（Ｓ２０３）。
これにより、製造条件判定部１１は、ロール交換やプラグ交換などの製造条件変化があるか否かを判定し、使用する工具に関する製造条件の変化、もしくは経時変化に影響する製造条件の変化がある場合は（Ｓ２０４：Ｙｅｓ）、対応する成分の学習回数を「０」にクリアする（Ｓ２０５）。
さらに、学習計算部１４において、以下に示す計算を行う。経時変化依存成分および製造条件依存成分の一方の学習回数が「０」の場合、前述の式(８)〜式(11)に対応する成分の学習ゲインを「１」に、他方の学習ゲインを「０」にして学習量を更新する。双方の学習回数が「０」もしくは双方とも学習回数が「１」以上であれば、式(１)〜式（６)に従って学習量を更新する（Ｓ２０６）。
さらに、学習計算部１４において、以下に示す計算を行う。経時変化依存成分および製造条件依存成分の一方の学習回数が「０」の場合、前述の式(８)〜式(11)に対応する成分の学習ゲインを「１」に、他方の学習ゲインを「０」にして学習量を更新する。双方の学習回数が「０」もしくは双方とも学習回数が「１」以上であれば、式(１)〜式（６)に従って学習量を更新する（Ｓ２０６）。
この後、学習計算部１４は、双方の成分の学習回数を「１」だけ増やす（Ｓ２０７）。さらに、学習計算部１４は、更新された各学習量や学習回数を学習情報記憶部１６に格納する（Ｓ２０８）。
次に、製造条件設定装置２０は、前記図５の場合と同様に、操作者の指示により、管の外径や肉厚などの諸元と穿孔機３０の下工程の設備制約などが勘案された穿孔後長さの目標値を設定する（Ｓ１０１）。
これにより、学習計算部１４は、穿孔しようとしている管材に使用予定のプラグ７０に対応する穿孔後長さ予測モデル誤差の製造条件依存成分（即ち、プラグに依存成分）の学習量や学習回数、および穿孔後長さ予測モデル誤差の経時変化依存成分の学習量や学習回数を、学習情報記憶部１６から取り出す（Ｓ２０９）。
さらに、製造条件判定部１１は、ロール交換、プラグ交換などの使用する工具に関する製造条件の変化、もしくは経時変化に影響する製造条件の変化があるか否かを判定し、変化があれば（Ｓ２１０：Ｙｅｓ）、対応する誤差成分の学習量を０クリアする（Ｓ２１１）。
さらに、製造条件判定部１１は、ロール交換、プラグ交換などの使用する工具に関する製造条件の変化、もしくは経時変化に影響する製造条件の変化があるか否かを判定し、変化があれば（Ｓ２１０：Ｙｅｓ）、対応する誤差成分の学習量を０クリアする（Ｓ２１１）。
その後、学習計算部１４は、次式に従って穿孔後長さ設定値を計算する。
ＹsetN＝ＦtN×ＦgN×ＹcalN
ここで、
ＦtN ：穿孔後長さ予測モデル誤差の経時変化成分の学習量
ＦgN ：穿孔後長さ予測モデル誤差のプラグ依存成分の学習量
ＹsetN：穿孔後長さ設定値
ＹcalN：穿孔後長さ目標値
である。
ＹsetN＝ＦtN×ＦgN×ＹcalN
ここで、
ＦtN ：穿孔後長さ予測モデル誤差の経時変化成分の学習量
ＦgN ：穿孔後長さ予測モデル誤差のプラグ依存成分の学習量
ＹsetN：穿孔後長さ設定値
ＹcalN：穿孔後長さ目標値
である。
そして、製造条件設定装置２０は、穿孔後長さ設定値ＹsetNが得られるように、穿孔機５０の設定補正値を計算する（Ｓ２１３）。なお、この場合の計算方法は、前述の公知の方法を用いる。
以下、上記図５において説明した処理（Ｓ１０２〜Ｓ１０５）を実施し、その後、上記Ｓ２０１以降の手順を繰り返す。
以下、上記図５において説明した処理（Ｓ１０２〜Ｓ１０５）を実施し、その後、上記Ｓ２０１以降の手順を繰り返す。
（実施例２）
本実施例は、上記実施例１における学習更新式（式（１）〜式（６））を、上記[方法Ａ]の式（式（２７）〜式（３２））に書き換えたものである。なお、詳細な説明は省略する。
本実施例は、上記実施例１における学習更新式（式（１）〜式（６））を、上記[方法Ａ]の式（式（２７）〜式（３２））に書き換えたものである。なお、詳細な説明は省略する。
（実施例３）
実施例３は、実施例１（Ｂ．学習制御を加える場合）を以下のように書き換えたものである。図７は、本実施例における制御フローである。
最初に、管材を穿孔する際、製造条件設定装置２０で計算された諸圧延条件に基づいて、穿孔される管材の穿孔後長さを予め予測しておく（Ｓ２０１）。
次に、既に穿孔された同種の管材について、長さ計４０により穿孔後長さを計測し、穿孔後長さ実績値計算部１５で穿孔後長さおよび肉厚の実績値を推定する（Ｓ２０２）。
さらに、学習計算部１４は、穿孔対象の管材について使用したプラグ７０に対応する穿孔後長さ予測モデル誤差のプラグ依存成分（即ち、製造条件依存成分）の学習量、および経時変化依存成分の学習量を学習情報記憶部１６から取り出す（Ｓ３０１）。
実施例３は、実施例１（Ｂ．学習制御を加える場合）を以下のように書き換えたものである。図７は、本実施例における制御フローである。
最初に、管材を穿孔する際、製造条件設定装置２０で計算された諸圧延条件に基づいて、穿孔される管材の穿孔後長さを予め予測しておく（Ｓ２０１）。
次に、既に穿孔された同種の管材について、長さ計４０により穿孔後長さを計測し、穿孔後長さ実績値計算部１５で穿孔後長さおよび肉厚の実績値を推定する（Ｓ２０２）。
さらに、学習計算部１４は、穿孔対象の管材について使用したプラグ７０に対応する穿孔後長さ予測モデル誤差のプラグ依存成分（即ち、製造条件依存成分）の学習量、および経時変化依存成分の学習量を学習情報記憶部１６から取り出す（Ｓ３０１）。
その後、学習計算部１４は、式(１)〜式(５)に従って学習値を更新する（Ｓ３０２）。さらに、学習計算部１４は、計算された各学習量を学習情報記憶部１６に格納する（Ｓ３０３）。
これにより、（次の材料を穿孔するとき、穿孔する前に、）上記図５の場合と同様に、操作者の指示により、管の外径や肉厚などの諸元と穿孔機５０の下工程の設備制約などが勘案された穿孔後長さの目標値を設定する（Ｓ１０１）。
これにより、（次の材料を穿孔するとき、穿孔する前に、）上記図５の場合と同様に、操作者の指示により、管の外径や肉厚などの諸元と穿孔機５０の下工程の設備制約などが勘案された穿孔後長さの目標値を設定する（Ｓ１０１）。
次に、学習計算部１４は、穿孔する予定の管材に使用予定のプラグ７０に対応する穿孔後長さ予測モデル誤差のプラグ依存成分の学習量、および経時変化依存成分の学習量を学習情報記憶部１６から取り出す（Ｓ３０４）。
さらに、学習計算部１４は、次式に従って穿孔後長さ設定値を計算する（Ｓ２１２）。
ＹsetN＝ＦtN×ＦgN×ＹcalN
ここで、
ＦtN：穿孔後長さ予測モデル誤差の経時変化成分学習量、
ＦgN：穿孔後長さ予測モデル誤差のプラグ依存成分学習量
ＹsetN：穿孔後長さ設定値、
ＹcalN：穿孔後長さ目標値
である。
さらに、学習計算部１４は、次式に従って穿孔後長さ設定値を計算する（Ｓ２１２）。
ＹsetN＝ＦtN×ＦgN×ＹcalN
ここで、
ＦtN：穿孔後長さ予測モデル誤差の経時変化成分学習量、
ＦgN：穿孔後長さ予測モデル誤差のプラグ依存成分学習量
ＹsetN：穿孔後長さ設定値、
ＹcalN：穿孔後長さ目標値
である。
そして、製造条件設定装置２０は、穿孔後長さ設定値ＹsetNが得られるように、穿孔機５０の設定補正値を計算する（Ｓ２１３）。なお、この場合の計算方法は、前述の公知の方法を用いる。
以下、上記図５において説明した、処理（Ｓ１０２〜Ｓ１０５）を実施し、その後、本実施例における上記の処理Ｓ２０１以降の手順を繰り返す。
以下、上記図５において説明した、処理（Ｓ１０２〜Ｓ１０５）を実施し、その後、本実施例における上記の処理Ｓ２０１以降の手順を繰り返す。
なお、上記従来法は、上記の方法Ａの式でなく、前記式(１)〜(６)を用いたものである。
以上の実施例の関係を表１にまとめる。
また、上記の実施例１〜３に用いた、２つの実施条件を表２に示す。ここで、穿孔後長さ予測モデル誤差は、鋼種毎成分とロール毎成分の和とした。ロールの熱膨張、摩耗を考慮し、さらにロール毎に、穿孔後長さ予測モデル誤差の経時変化を加えた。
以上の実施例の関係を表１にまとめる。
また、上記の実施例１〜３に用いた、２つの実施条件を表２に示す。ここで、穿孔後長さ予測モデル誤差は、鋼種毎成分とロール毎成分の和とした。ロールの熱膨張、摩耗を考慮し、さらにロール毎に、穿孔後長さ予測モデル誤差の経時変化を加えた。
次に、本実施の形態に係る学習制御方法の評価方法について説明する。学習演算装置１０によって修正した後の穿孔後長さ予測誤差率ErrYで、穿孔後長さ制御精度を評価した。
ErrY ＝（Ｙact−ＹsetN）／Ｙ0
ＹsetN ＝ＦtN×ＦgN×ＹcalN …（実施例１、従来技術に使用）
ＹsetN ＝（１＋ＦtN＋ＦgN）×ＹcalN …（実施例２、実施例３に使用）
ここで、
ＦtN ：穿孔後長さ予測モデル誤差の経時変化依存成分の学習量
ＦgN ：穿孔後長さ予測モデル誤差のプラグ依存成分の学習量
Ｙact ：穿孔後長さの実績値、
Ｙ0 ：穿孔後長さの目標値
ＹsetN：学習で修正した後の穿孔後長さ予測値
ＹcalN：穿孔後長さのモデル予測値
である。
ErrY ＝（Ｙact−ＹsetN）／Ｙ0
ＹsetN ＝ＦtN×ＦgN×ＹcalN …（実施例１、従来技術に使用）
ＹsetN ＝（１＋ＦtN＋ＦgN）×ＹcalN …（実施例２、実施例３に使用）
ここで、
ＦtN ：穿孔後長さ予測モデル誤差の経時変化依存成分の学習量
ＦgN ：穿孔後長さ予測モデル誤差のプラグ依存成分の学習量
Ｙact ：穿孔後長さの実績値、
Ｙ0 ：穿孔後長さの目標値
ＹsetN：学習で修正した後の穿孔後長さ予測値
ＹcalN：穿孔後長さのモデル予測値
である。
最後に、本発明に上記実施条件を適用した制御結果およびその効果について説明する。
Ａ．実施条件１を適用した場合
従来法と学習ゲインを制御した実施例１とを比較した評価結果を図２に示す。図２に示されるように、ロール替え時の予測精度が格段に向上されている。
Ｂ．実施条件を適用した場合（誤差が大きい場合）
従来法と、学習更新式を改善した例（実施例１）を比較した評価結果を図３に示す。図３に示されるように、従来法では、ロール替え後に誤差が不安定であるが、更新式を改善することによって、これを抑えることが可能となった。
Ａ．実施条件１を適用した場合
従来法と学習ゲインを制御した実施例１とを比較した評価結果を図２に示す。図２に示されるように、ロール替え時の予測精度が格段に向上されている。
Ｂ．実施条件を適用した場合（誤差が大きい場合）
従来法と、学習更新式を改善した例（実施例１）を比較した評価結果を図３に示す。図３に示されるように、従来法では、ロール替え後に誤差が不安定であるが、更新式を改善することによって、これを抑えることが可能となった。
また、学習ゲイン制御を組み合わせると、飛躍的に精度が向上することも明らかになった。この様子を図４に示す。
以上、本実施の形態では、学習方式に指数平滑方式を採用したが、ニューラルネットを用いても良く、サポートベクターマシン(Support Vector Regression)を用いても良い。具体的には、ニューラルネットの場合、例えば、上記式(１)〜式(５)を下記のように書き換えても良い。
以上、本実施の形態では、学習方式に指数平滑方式を採用したが、ニューラルネットを用いても良く、サポートベクターマシン(Support Vector Regression)を用いても良い。具体的には、ニューラルネットの場合、例えば、上記式(１)〜式(５)を下記のように書き換えても良い。
Ｆ ＝Ｙact−Ｙcal (１')
Ｆｔ ＝Ｆ−g (ωｇ０) (２')
ωtN ＝α・fω(Ｆt)＋（１−α）ωt0 (３')
Ｆg ＝Ｆ−f(ωt0) (４')
ωgN ＝β・gω(Ｆg)＋（１−β）ωg0 (５')
ＹsetN＝f(ωtN)＋g(ωgN)＋ＹcalN (６)
ここで、
Ｆ：制御モデル誤差、
Ｙact：制御対象量の実績値、
Ｙcal：制御対象量のモデル予測値
Ｆt ：制御モデル誤差の経時変化成分の推定量、
ωt0：補正前の制御モデル誤差の経時変化成分学習量を計算する重み係数
ωtN：補正後の制御モデル誤差の経時変化成分学習量を計算する重み係数、
Ｆg ：制御モデル誤差のプラグ依存成分の推定量、
ωg0：補正前の制御モデル誤差のプラグ依存成分の学習量を計算する重み 係数
ωgN：補正後の制御モデル誤差のプラグ依存成分の学習量を計算する重み 係数
f(ωt)：重み係数ωｔから制御モデル誤差の経時変化成分の学習量を計算 する関数
g(ωg)：重み係数ωｇから制御モデル誤差のプラグ依存成分の学習量を計 算する関数
fω(Ｆt)：制御モデル誤差の経時変化成分の教師信号Ｆｔから重み係数を 計算する関数
gω(Ｆg)：制御モデル誤差のプラグ依存成分の教師信号Ｆｇから重み係数 を計算する関数
α、β：重み係数の変更度合いを調整する学習ゲイン
ＹsetN：次材の制御対象量設定値、ＹｃａｌＮ：次材の制御対象量のモデ ル予測値
または、下記のように書き換えても良い。
Ｆｔ ＝Ｆ−g (ωｇ０) (２')
ωtN ＝α・fω(Ｆt)＋（１−α）ωt0 (３')
Ｆg ＝Ｆ−f(ωt0) (４')
ωgN ＝β・gω(Ｆg)＋（１−β）ωg0 (５')
ＹsetN＝f(ωtN)＋g(ωgN)＋ＹcalN (６)
ここで、
Ｆ：制御モデル誤差、
Ｙact：制御対象量の実績値、
Ｙcal：制御対象量のモデル予測値
Ｆt ：制御モデル誤差の経時変化成分の推定量、
ωt0：補正前の制御モデル誤差の経時変化成分学習量を計算する重み係数
ωtN：補正後の制御モデル誤差の経時変化成分学習量を計算する重み係数、
Ｆg ：制御モデル誤差のプラグ依存成分の推定量、
ωg0：補正前の制御モデル誤差のプラグ依存成分の学習量を計算する重み 係数
ωgN：補正後の制御モデル誤差のプラグ依存成分の学習量を計算する重み 係数
f(ωt)：重み係数ωｔから制御モデル誤差の経時変化成分の学習量を計算 する関数
g(ωg)：重み係数ωｇから制御モデル誤差のプラグ依存成分の学習量を計 算する関数
fω(Ｆt)：制御モデル誤差の経時変化成分の教師信号Ｆｔから重み係数を 計算する関数
gω(Ｆg)：制御モデル誤差のプラグ依存成分の教師信号Ｆｇから重み係数 を計算する関数
α、β：重み係数の変更度合いを調整する学習ゲイン
ＹsetN：次材の制御対象量設定値、ＹｃａｌＮ：次材の制御対象量のモデ ル予測値
または、下記のように書き換えても良い。
Ｆ ＝Ｙact／Ｙcal (１'')
Ｆt ＝Ｆ−g (ωg0) (２'')
ωtN ＝fω(α、Ｆt、ωt0) (３'')
Ｆg ＝Ｆ−f(ωt0) (４'')
ωgN ＝ｇω(β、Ｆｇ、ωg0) (５'')
ＹsetN＝｛f(ωtN)＋g(ωgN)｝×ＹcalN (６)
ここで、
Ｆ：制御モデル誤差、
Ｙact：制御対象量の実績値、
Ｙcal：制御対象量のモデル予測値
Ｆt ：制御モデル誤差の経時変化成分の推定量、
ωt0：補正前の制御モデル誤差の経時変化成分学習量を計算する重み係数
ωtN：補正後の制御モデル誤差の経時変化成分学習量を計算する重み係数
Ｆg ：制御モデル誤差のプラグ依存成分の推定量
ωg0：補正前の制御モデル誤差のプラグ依存成分の学習量を計算する重み 係数
ωgN：補正後の制御モデル誤差のプラグ依存成分の学習量を計算する重み 係数
f(ωt)：重み係数ωｔから制御モデル誤差の経時変化成分の学習量を計算 する関数
g(ωｇ)：重み係数ωｇから制御モデル誤差のプラグ依存成分の学習量を 計算する関数
fω()：制御モデル誤差の経時変化成分の教師信号Ｆｔから重み係数を計 算する関数
gω()：制御モデル誤差のプラグ依存成分の教師信号Ｆｇから重み係数を 計算する関数
α、β：重み係数を更新するときの用いる学習ゲイン
ＹsetN：次材の制御対象量設定値、
ＹcalN：次材の制御対象量のモデル予測値
また、本実施例では学習ゲインのフィードフォワード制御の例を示したが、学習ゲインのフィードバック制御を用いても良い。
Ｆt ＝Ｆ−g (ωg0) (２'')
ωtN ＝fω(α、Ｆt、ωt0) (３'')
Ｆg ＝Ｆ−f(ωt0) (４'')
ωgN ＝ｇω(β、Ｆｇ、ωg0) (５'')
ＹsetN＝｛f(ωtN)＋g(ωgN)｝×ＹcalN (６)
ここで、
Ｆ：制御モデル誤差、
Ｙact：制御対象量の実績値、
Ｙcal：制御対象量のモデル予測値
Ｆt ：制御モデル誤差の経時変化成分の推定量、
ωt0：補正前の制御モデル誤差の経時変化成分学習量を計算する重み係数
ωtN：補正後の制御モデル誤差の経時変化成分学習量を計算する重み係数
Ｆg ：制御モデル誤差のプラグ依存成分の推定量
ωg0：補正前の制御モデル誤差のプラグ依存成分の学習量を計算する重み 係数
ωgN：補正後の制御モデル誤差のプラグ依存成分の学習量を計算する重み 係数
f(ωt)：重み係数ωｔから制御モデル誤差の経時変化成分の学習量を計算 する関数
g(ωｇ)：重み係数ωｇから制御モデル誤差のプラグ依存成分の学習量を 計算する関数
fω()：制御モデル誤差の経時変化成分の教師信号Ｆｔから重み係数を計 算する関数
gω()：制御モデル誤差のプラグ依存成分の教師信号Ｆｇから重み係数を 計算する関数
α、β：重み係数を更新するときの用いる学習ゲイン
ＹsetN：次材の制御対象量設定値、
ＹcalN：次材の制御対象量のモデル予測値
また、本実施例では学習ゲインのフィードフォワード制御の例を示したが、学習ゲインのフィードバック制御を用いても良い。
さらに、穿孔後長さ制御を例にして説明したが、他の適用例として、一般の製造設備の学習制御へも同様の方法により適用が可能である。例えば、マンドレルミルの張力制御における、回転数設定誤差の経時変化と穿孔機プラグ特性の切り分け学習や鋼管の水冷制御における、温度制御誤差の経時変化（季節変動）とビレット取り本数特性の切り分け学習などへの適用である。
本発明は、一定の精度が要求される製品を製造するための製造設備モデルに適用が可能であり、特に、穿孔機、圧延機などを利用する継目無管の製管設備モデルに適用が可能である。
１０ 学習演算装置
１１ 製造条件判定部
１２ 穿孔後長さ予測値計算部
１３ 穿孔機設定補正量計算部
１４ 学習計算部
１５ 穿孔後長さ実績値計算部
１６ 学習情報記憶部
２０ 製造条件設定装置
３０ 穿孔機設定装置
４０ 長さ計
５０ 穿孔機
６０ 心金
７０ プラグ
８０ 継目無管
１００ 学習制御システム
１１ 製造条件判定部
１２ 穿孔後長さ予測値計算部
１３ 穿孔機設定補正量計算部
１４ 学習計算部
１５ 穿孔後長さ実績値計算部
１６ 学習情報記憶部
２０ 製造条件設定装置
３０ 穿孔機設定装置
４０ 長さ計
５０ 穿孔機
６０ 心金
７０ プラグ
８０ 継目無管
１００ 学習制御システム
Claims (7)
- 製造設備モデルの誤差を、経時変化依存成分と製造条件依存成分とに切り分け、切り分けた前記経時変化依存成分と前記製造条件依存成分とを学習する学習制御方法において、
加法形式で表現された式における前記経時変化依存成分と製造条件依存成分とに基づいて、前記誤差を定義するステップと、
記憶手段に記憶されている学習回数を含む初期値又は学習によって補正された前記誤差の履歴に基づいて、前記学習に用いる学習ゲインを変更するゲイン変更ステップとを含み、
前記学習回数は、現時点までに学習を行った回数であり、
前記学習ゲインには、経時変化依存成分の学習のための第１学習ゲインと製造条件依存成分の学習のための第２学習ゲインとが含まれ、
前記加法形式で表現された式には、
補正後の経時変化依存成分の学習量が、経時変化依存成分の推定量と補正前の経時変化依存成分の学習量とを前記第１学習ゲインで重み付け加算した値に等しいことを示す式と、
補正後の製造条件依存成分の学習量が、製造条件依存成分の推定量と補正前の製造条件依存成分の学習量とを前記第２学習ゲインで重み付け加算した値に等しいことを示す式とが含まれ、
前記ゲイン変更ステップでは、
前記記憶手段に記憶されている学習回数を含む初期値に基づいて学習ゲインを変更する場合には、前記経時変化依存成分の学習量の学習回数、および、製造条件毎の前記製造条件依存成分の学習量の学習回数を記録しておき、記録した夫々の学習回数に応じて前記第１学習ゲインおよび前記第２学習ゲインを決定し、経時変化依存成分が大きく変わるとき、または、製造条件が大きく変わるときに、対応する前記経時変化依存成分または前記製造条件依存成分の学習量の学習回数を０にクリアするとともに、前記第１学習ゲインおよび前記第２学習ゲインを予め定められた初期値にし、
学習によって補正された誤差の履歴に基づいて学習ゲインを変更する場合には、前記経時変化依存成分及び前記製造条件依存成分のうち、誤差の傾向が変化した成分の学習ゲインを上げ、それ以外の成分の学習ゲインを下げることによって前記学習ゲインを変更する
ことを特徴とする学習制御方法。 - 前記記憶手段は、
前記経時変化依存成分についての学習回数および前記製造条件依存成分についての学習回数を記憶しており、
前記ゲイン変更ステップは、
前記各々の学習回数に基づいて、前記学習ゲインを変更する
ことを特徴とする請求項１記載の学習制御方法。 - 前記学習制御方法は、さらに、
前記経時変化依存成分についての学習回数または前記製造条件依存成分についての学習回数を０にクリアするとともに、前記第１学習ゲインおよび前記第２学習ゲインを予め定められた初期値にする初期化ステップを含む
ことを特徴とする請求項２記載の学習制御方法。 - 前記加法形式で表現された式は、
Ｆt＝Ｆ−Ｆg0
ＦtN＝αＦt＋（１−α）Ｆt0
Ｆg＝Ｆ−Ｆt0
ＦgN＝βＦg＋（１−β）Ｆg0
Ｆ：製造設備モデルの誤差、
Ｆt ：製造設備モデルの誤差の経時変化依存成分の推定量
Ｆt0：補正前の製造設備モデルの誤差の経時変化依存成分の学習量
ＦtN：補正後の製造設備モデルの誤差の経時変化依存成分の学習量
Ｆg ：製造設備モデルの誤差の製造条件依存成分の推定量
Ｆg0：補正前の製造設備モデルの誤差の製造条件依存成分の学習量
ＦgN：補正後の製造設備モデルの誤差の製造条件依存成分の学習量
α、β：学習ゲイン（第１学習ゲイン、第２学習ゲイン）
である
ことを特徴とする請求項３記載の学習制御方法。 - 製造設備モデルの誤差を経時変化依存成分と製造条件依存成分とに切り分け、切り分けた前記経時変化依存成分と前記製造条件依存成分とを学習する学習制御方法において、
加法形式で表現された式における前記経時変化依存成分と製造条件依存成分とに基づいて、前記誤差を定義するステップと、
前記経時変化依存成分と前記製造条件依存成分についての学習ゲインを、記憶手段に記憶されている学習回数を含む初期値に基づいて、学習する毎に、変更させるゲイン変更ステップとを含み、
前記学習回数は、現時点までに学習を行った回数であり、
前記学習ゲインには、経時変化依存成分の学習のための第１学習ゲインと製造条件依存成分の学習のための第２学習ゲインとが含まれ、
前記加法形式で表現された式には、
補正後の経時変化依存成分の学習量が、経時変化依存成分の推定量と補正前の経時変化依存成分の学習量とを前記第１学習ゲインで重み付け加算した値に等しいことを示す式と、
補正後の製造条件依存成分の学習量が、製造条件依存成分の推定量と補正前の製造条件依存成分の学習量とを前記第２学習ゲインで重み付け加算した値に等しいことを示す式とが含まれ、
前記ゲイン変更ステップでは、
前記記憶手段に記憶されている学習回数を含む初期値に基づいて学習ゲインを変更する場合には、前記経時変化依存成分の学習量の学習回数、および、製造条件毎の前記製造条件依存成分の学習量の学習回数を記録しておき、記録した夫々の学習回数に応じて前記第１学習ゲインおよび前記第２学習ゲインを決定し、経時変化依存成分が大きく変わるとき、または、製造条件が大きく変わるときに、対応する前記経時変化依存成分または前記製造条件依存成分の学習量の学習回数を０にクリアするとともに、前記第１学習ゲインおよび前記第２学習ゲインを予め定められた初期値にする
ことを特徴とする学習制御方法。 - 前記製造設備モデルは、
継目無管の製造設備モデルである
ことを特徴とする請求項１〜５の何れか１項に記載の学習制御方法。 - 前記製造条件依存成分は、
使用工具依存成分が含まれる
ことを特徴とする請求項６記載の学習制御方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2004009858A JP4543684B2 (ja) | 2004-01-16 | 2004-01-16 | 学習制御方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2004009858A JP4543684B2 (ja) | 2004-01-16 | 2004-01-16 | 学習制御方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2005202803A JP2005202803A (ja) | 2005-07-28 |
| JP4543684B2 true JP4543684B2 (ja) | 2010-09-15 |
Family
ID=34822755
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2004009858A Expired - Fee Related JP4543684B2 (ja) | 2004-01-16 | 2004-01-16 | 学習制御方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP4543684B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101451516B1 (ko) * | 2013-02-19 | 2014-10-15 | 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 | 압연 프로세스의 학습 제어 장치 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5000460B2 (ja) * | 2007-11-14 | 2012-08-15 | 株式会社豊田中央研究所 | パラメータ同定装置及びパラメータ同定プログラム |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07200005A (ja) * | 1993-12-28 | 1995-08-04 | Mitsubishi Electric Corp | 学習制御方法 |
| JPH0988693A (ja) * | 1995-09-22 | 1997-03-31 | Unisia Jecs Corp | 内燃機関の学習制御装置 |
| JPH1031505A (ja) * | 1996-07-16 | 1998-02-03 | Mitsubishi Electric Corp | プロセスラインの学習制御方法 |
| JPH10263640A (ja) * | 1997-03-25 | 1998-10-06 | Kawasaki Steel Corp | 圧延機における圧延荷重の学習制御方法 |
| JP2001025807A (ja) * | 1999-07-15 | 2001-01-30 | Toshiba Corp | リバース式圧延機の学習制御装置 |
-
2004
- 2004-01-16 JP JP2004009858A patent/JP4543684B2/ja not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07200005A (ja) * | 1993-12-28 | 1995-08-04 | Mitsubishi Electric Corp | 学習制御方法 |
| JPH0988693A (ja) * | 1995-09-22 | 1997-03-31 | Unisia Jecs Corp | 内燃機関の学習制御装置 |
| JPH1031505A (ja) * | 1996-07-16 | 1998-02-03 | Mitsubishi Electric Corp | プロセスラインの学習制御方法 |
| JPH10263640A (ja) * | 1997-03-25 | 1998-10-06 | Kawasaki Steel Corp | 圧延機における圧延荷重の学習制御方法 |
| JP2001025807A (ja) * | 1999-07-15 | 2001-01-30 | Toshiba Corp | リバース式圧延機の学習制御装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101451516B1 (ko) * | 2013-02-19 | 2014-10-15 | 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 | 압연 프로세스의 학습 제어 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2005202803A (ja) | 2005-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6990389B2 (en) | Method of predicting dryer steam pressure in paper machine and apparatus for the method | |
| KR101832653B1 (ko) | 압연 프로세스의 학습 제어 장치 | |
| JP4354978B2 (ja) | めっき付着量制御装置および制御方法 | |
| JP2009113101A (ja) | 圧延荷重の学習制御方法および装置、ならびに鋼板の製造方法 | |
| JP2019028949A (ja) | 製品の状態予測装置及び方法、製造プロセスの制御システム、並びにプログラム | |
| JP2012170962A (ja) | エネルギー消費量予測装置 | |
| JP4543684B2 (ja) | 学習制御方法 | |
| JP2008186113A (ja) | Ｐｉｄ制御装置及びｐｉｄ制御方法 | |
| EP3332883B1 (en) | Metal thickness control model based inferential sensor | |
| KR101749018B1 (ko) | 평탄도 제어 장치 | |
| JP5939175B2 (ja) | 圧延プロセスの学習制御装置 | |
| JP2018010521A (ja) | 製品の状態予測装置、製品の状態制御装置、製品の状態予測方法及びプログラム | |
| JP2010264499A (ja) | 制御モデルのパラメータ最適化方法 | |
| JP2020157327A (ja) | 鋼板の仕上出側温度制御方法、鋼板の仕上出側温度制御装置、及び鋼板の製造方法 | |
| JP2006350883A (ja) | 知識データベースを利用した需要予測値自動判定システムおよびそれに用いられる需要予測値自動判定プログラム並びにそのプログラムが記録された記録媒体 | |
| CN117019882B (zh) | 考虑热轧来料信息的带钢冷连轧自动厚度前馈控制方法 | |
| CN110794778B (zh) | 一种水冷效率值的处理方法 | |
| JP4091739B2 (ja) | 板幅制御方法 | |
| JP6816629B2 (ja) | 製造プロセス学習制御装置 | |
| KR101622068B1 (ko) | 설정 계산 시스템의 학습 장치 및 학습 방법 | |
| JP2719215B2 (ja) | 板圧延のエッジドロップ制御方法 | |
| JP7151915B1 (ja) | 連続圧延システム | |
| JP2022106531A (ja) | 圧延モデルの学習方法 | |
| JP7352378B2 (ja) | 製造制御装置、製造制御方法及びプログラム | |
| KR100929013B1 (ko) | 밀상수와 게이지미터 오차의 자동예측에 의한 압연기의롤갭설정방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20060216 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20080123 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080226 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080428 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090310 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20090508 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20091110 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20091211 |
|
| 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: 20100608 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20100621 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130709 Year of fee payment: 3 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 4543684 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130709 Year of fee payment: 3 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130709 Year of fee payment: 3 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| LAPS | Cancellation because of no payment of annual fees |