JPH0490004A - 制御装置及び制御方法 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

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
数のアクチュエータの動作を総合判断して、個々のアク
チュエータの最適制御量を決定する制御システムと最適
性判定装置に関する。

〔従来の技術〕

従来の制御装置は、制御対象の動作状態を表わす複数の
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、シ
ステム全体を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種々の要因によす大巾に
変化するため、特定の動作点近傍における制御モデルを
作って制御しても、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ってしまう。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ィードバック制御も
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っ
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った。

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システムと最適性判定装置を提供
することにある。

〔課題を解決するための手段〕

上記目的は、熟練オペレータの勘と経験を定量化し、ア
クチュエータの操作量を決定することにより達成される
。

〔作用〕

熟練オペレータは制御量から特徴的なパターンを抽出し
、あいまいな操作を行なう。同様に、制御量の積和演算
とその結果を非線形回路を通すことによって特徴時なパ
ターンの確信度を求め、各特徴的パターンの確信度から
のアクチュエータの操作量をフアジィ推論により決定す
る。それによって、該制御方式は熟練オペレータのよう
に動作するので良好な制御性能を得ることができる。

又、熟練オペレータのノウハウをそのまま制御知識とし
て記憶し、前記知識を用いて制御しても前記と同様の制
御性能を得ることができる。

〔実施例〕

以下、本発明の制御システム−実施例を第１図に示す。

制御対象１は複数のアクチュエータを含み、前記アクチ
ュエータはアクチュエータごとに制御実行指令を生成す
るアクチュエータ制御装置Ｇ６により制御される。前記
制御対象１及び複数のアクチュエータの動作はそれぞれ
に配置された種々の検器から構成される装置 こ検出装置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Ｇ１３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
クチュエータの操作量を決定し、アクチュエータ制御装
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って予めオペレー
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，アクチュエータが
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
ための教示装置Ｇ１６が付加できる構成となっている。

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からアクチュエータ制御量
ｆｉＧ６へ送信され、個々のアクチュエータごとに最適
化制御するシステムとなっていた。このため、システム
全体としての最適性が図れなかったが、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、アクチュエータの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ュエータの働きを他のア
クチュエータでカバーしたり、又、アクチュエータの変
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。

制御対象の圧延材スタンド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、引っ張る力によリ圧延材を薄くし、所望の板厚
を得るものであり、ワークロール２を挾んで中間ロール
４，中間ロール４を挾んでバックアップロール５が配置
されている。前記バックアップロール５には、油圧力等
の力を利用した圧下制御機構６により圧延力が加えられ
、その圧延力はバックアップロール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
２２．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、圧延ロール２，４．５のロール巾は圧延材３
の板巾より広く、かっ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ってしまう
。

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
ワークロールペンディング力Ｆｗ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５の軸
には中間ロールベンダ８により中間ロールペンディング
カＦｌ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、ロール２゜４．５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２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
タ９．クーラント制御機構１０．速度制御機構１１等の
アクチュ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の板厚形状を横比し、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図に上記形状パターン認識機構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１．７．１８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ＷＬ１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２３．２
６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へは入力セルフ、１８の出力が入力さ
れ、入力層１７の出力は重み関数２８でＷ１２倍化され
加算器２９．関数器３ｏを介し次段の中間層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Ｍ
１７，１８の出力の代りに中間Ｎ１９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１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１９．２７．２
９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
Ｍ３１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、フィードバッ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ェアで実現する場合、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ュ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
チュ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の結果
を用い、指令値計算手段は具体的な各アクチュエータの
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、形状横比機＄９１４の８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ョン推論機構１４２を起動し、
曖昧な要因がある場合にはフアジィ推論機構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
連がネットワーク的になっている問題に対しては意味ネ
ット推論機構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　（Ｒｕｍ
ｅｌｈａｒｔ型ニューロコンピュータで構成）を起動す
る。操作量決定手段３２の処理結果は制御機構１４１を
介して指令値計算機構へ出力される。

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ｉ１１１０６は三段論法
的に推論を実行するためのプロダクションルール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
アジィルール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１４９２部品と部品の
関連や、常識的な関連を纏めてネットワークの形で整理
している意味ネットワーク１５０９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１１４７〜１５３で記
述できないその他の知識１５４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１４．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ップ２００、
上記ステップ２００で準備したデータが無くなる迄取り
出し、ステップ２０２へ渡す繰返し処理ステップ２０１
、前記ステップ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ップ２０２２
．及び、各種推論機構１４２〜１４６、特徴抽出回答機
構１１０、最適化演算機構１１１、及び、ＰＩＤ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、上記各ステップを
終了するために必要なフラグ類のリセット等を実行する
終了処理ステップ２０４から構成される。

ここで各処理機構の役割を述べる。プロダクション機構
１４２は、オペレータのエキスパートが断片的なプロダ
クションルールを用いて、論理的な成立関係を組立てる
制御に適している。フアジィ推論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
ュ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。

意味ネット推論機構１４５は、前記断片的な知識である
フレームを整理し、体系付けてネットワークを作り上げ
たものであるため、特定のアクチュ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、故障時等に決まった
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が推論を行って出力を
決定するのと異なり、高速に同一の結果が出力できる特
徴がある。最適化演算機構１１１は、制御対１（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、ダイナミックプログラミング。

リニアプログラミング、山登り法、共役傾斜法又はＨｏ
ｐｆｉｅｌｄ型ニューロコンピュ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図にプロダクション機構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ョン推論機
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↓こは、プロダクション推論機構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がらルールを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、ステップ３８は一致し
た場合、次の処理３９を、不一致の場合ステップ３７を
実行させる。ステップ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・マックスの理論で、置換前の最小値又は最大値
で置換える。ステップ４ｏは前記置換したルールの結論
部が操作指令である場合、ステップ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ップ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ップで求
めた確信度を出方する。

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
が全て処理されたが否かを判断し、処理されていたなら
ば指令値計算手段３３を終了させるステップ４３、処理
されていなければ圧下制御機構６等のアクチュエータ７
．８゜９．１０．１１毎の指令を取り出し、各種推論で
求まったアクチュエータ操作の程度と確信度を基に、操
作量の重心を求め、同一アクチュ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ュエータ
の指令とする処理４４がら構成される。

このような指令値計算手段３３を設けることで各種推論
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
アクチュ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ッチ機構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３
１に出力するものである。

第１０図におけるスイッチ機構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４
７．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ｏ１１　ｏｌ　＋　ｏｎ　
と、出力パターン発生機構４７の出力。ＴＩ　Ｈｏｒｔ
　ｌ　ＯＴｎとの差を加算器１６１，１６２，１６３に
より、偏差ｅ１゜ｅＪｌｅｎ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Ｏｆ　ｇ　ｏ
ｔ　ｌ　ｏｎは入力パターン発生機構４７の出力がパタ
ーン認識機構１３　（Ｒｕｍｅｌｈａｒｔ型ニューロコ
ンピュータ）の入力１１９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荷重関数ＷＩＪ２３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、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の荷重関数ＷＩＪ２
３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ｅｋ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ップ１７３，１７４．
。

１７５を繰り返すステップ１７２．出力層３０に近い中
間層から入力／１３１に向けて注目する中間層を順次抽
出するステップ１７４．該中間層において順次注目する
セルを抽出するステップ１７４゜及び偏差ｅｋが小さく
なる方向へ抽出したセルの荷重関数ＷＩＪ２３を変化さ
せるステップ１７５、および、学習過程を終了させるた
めのステップ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
なかっ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４９，５
０．５１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５０１を介し、パターン認識機構１３．学習機
構１６へ入力される。

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１〜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
近傍の入力を使ってパターンを認識する機構示す。形状
検出機構１４の出力はパターン検出機構１３のメモリ５
２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５Ｓはオンとなり、クロックに同期して、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
クロックでメモリ要素５４，５７．５８の信号が一巡す
ると、ゲート５３．５６がオンし、ゲー１−５５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Ｎ３０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に制御対象シミュレータ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
はデータによっ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１
２ではパターンに応じて各種アクチュエーターの指令を
発生し、該指令は入力パターン発生機構４５に設けられ
た制御対象シミュレータ５０に入力され、制御対象であ
る各種アクチュエータ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．制御対象シミュレータ５０のパラメ
ータを変更するためのパラメータ調整機構５１を用い前
記制御対象シミュレータ５０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］３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を構成するニューロコンピュータ
の中間層１９，２７．２９の荷重関数ＷＩＪ２Ｂ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図の納入力パタ
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
う出力信号線７０の出力は１にならず、又、出力層３０
の出力１１！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７
３の出力を零しこ出力する。

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の出力の偏差を受は学習制御機構４８は、パター
ン認識機構１３の荷重関数Ｗ、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図の処理に従って、順次荷重関数の重みを変更し
、第１２図のｅｋ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／９３０
出力線７０から１を出力し、出力Ｍ３０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図に示す波形が人力さ
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
の他の出カフ０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、該荷重関数Ｗ　Ｉ　Ｊ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１
３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７
１によりその波形に類似している度合を確信度４ｏ％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７ｏから確信度５ｏ％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ｔｏで、
その時の値はｘｏである。起算機のサンプリング周期を
Ｔｏ　とすると、Ｔｏ秒前のｔ１時点に於ける板厚の高
さはＸＩ、ＴＯＸ２秒前のｔ２時点に於ける板厚の高さ
はＸ２．・・・である。

即ち、ｔｚ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ｔｚの高さｘｌ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、Ｘｌ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−ｘｚ）　／Ｔｏ　、積分器が必要な時
には（ＸＩ＋Ｘ２）ＸＴｏ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っていな
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、ｔｏ時点に於ける圧
延機のロール軸方向の圧延材の板厚をＸＯ＋　ｘｚ、”
・Ｘｎ−１＋　Ｘｎとし、同一位置に於けるＴｏ（サン
プリング周期）前の板厚の状態を。

ＸＯ＋　ｘｘ、　”’　Ｘｎ−１１Ｘｎ　とすると、あ
る時点ｔ。

では、第１４図のメモリ要素５４，５７．５８に夫夫Ｘ
　ｎ　ｒ　Ｘ　ｎ−１＋・・・、ｘｏ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
を行っているので、Ｔｏ時点前の時点ｔ１のブタである
Ｘ０ＩＸ１ｔ・・・Ｘｎがメモリ要素５９他に記憶され
ている。

第２２図にプロダクションルール又はフアジィルールの
一例を示す。（第６図プロダクションルール４７．フア
ジィルール４８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、プロダクショ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８
２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ュエータの影響が
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■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、クーラント制御袋
Ｎ１０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。

てＸ　ｎ−１ｇ　Ｘ　ｎ−１が正であれば、ｘｎ−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■で示した領域が入力され、処理１３．
１２を実施し、クーラント制御機構１０の］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■か
ら呂発し、■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
をメモリ要素５９へ移し、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１５１０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３１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Ｎ１９．・・
・、２７を介し、出力層３ｏから出力として現われる。

この時中間層の重み関数ωＩＪ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３Ｑ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４
７の波形が異なっている。その結果、突き合せ機構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Ｉ順次、人力層３１に近い中間層１９迄、重み
関数Ｗ　Ｉ　Ｊを変更する。重み関数Ｗ　Ｉ　Ｊの変更
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　Ｉ　Ｊ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の値
Ｗ　Ｉ　Ｊ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、入力層に一番近い中間層
１９の重み関数Ｗ　Ｉ　Ｊの変更が終了した時点で、再
度突き合せ機構４６の偏差値をチエツクし、その値が許
容誤差範囲になっ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っており、その値の
自由度が有り。

多少値が狂っても、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
ある動作点近傍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
ュレーションで求め、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図の制御対象シミュレータ６０
のパラメータを調整し、特定の動作点で正確にシミュレ
ータ６０が動作させる。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４７．パラ
メータ調整機構６１．制御対象シミュレータ６０．指令
発生機構１２を動作させ、これら処理４７と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５０１
，５０２，５０３，５０４．電動、又は、油圧圧下装置
５０５，５０６，５０７゜５０８．５０９．電動機５１
０，５１１，５１２゜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
出力インタフェース５２６、パターン分類機構５２７、
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５２
９，５３０．中間ロール５３１，５３２．バックアップ
ロール５３４゜５３５、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５
３４゜５３５、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５３５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分類機
構５２７に入力される。パターン分類機構５２７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類されて、その成分がどのくら
い含まれるかを、確信度として抽出され、制御機構５２
８に出力される。制御機構では、その確信度を受け、フ
アジィ演算を実施し、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
カバターンが、入出力インタフェース５２６を介してニ
ューラルネットに入力される。同様に、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確信度と
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、張カバ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から張カバターンの右下がりの確
信度と、荷重パターンの凹型の確信度と、速度パターン
の凸型の確信度と、温度パターンの急激に右下がりの確
信度が得られる。

推論処理５３５は、知識ベース５３７と、上記複数の確
信度をもとにフアジィ推論を実施し、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しように制御
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．各種アクチュエータ
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ュエータ及びコ
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って、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。アクチュエータであ
る。列車は、前記指令に従って運転する。

〔発明の効果〕

本発明によれば、圧延機の形状制御のようにパターンを
制御する方式に於て、オペレータのエキスパートとは制
御結果の波形を類形化し、波形の特徴を判断し、その特
徴に応じて制御する方式を実現でき、新しい事態が発生
しても、学習により対応できるので、柔軟で、高性能な
制御ができる効果がある。

【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図はパターン認識機構図、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
図はプロダクショ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図は記憶機構の構成図、第１５図
はパターン認識機構図、第１６図は学習機構にシミュレ
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
ョンルールとフアジィ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図は制御機構の動作図、第２８図は
加熱炉の構成図、第２９図は連鋳の構成図である。 ■・・・制御対象、１３・・・パターン認識機構、１２
・・・指令発生機構、 学習機構、 １９゜ ２７゜ ２９・・・中間層、 ３０・・出力層、 ３１・・・入力層。

Claims (22)

【特許請求の範囲】
1. 　１．複数のアクチユエータにより動作する制御対象と
   、前記複数のアクチユエータを個々に制御する複数のア
   クチユエータ制御機構と、前記制御対象とアクチユエー
   タの動作を検出する複数の検出器から構成される検出装
   置からなる制御システムにおいて、前記検出装置の複数
   の出力信号から、複数の信号を組合せたパターンのなか
   から特徴的なパターンの成分を抽出し、その成分に応じ
   てアクチュエータを操作するための指令を発生する最適
   性判定機構を設けたことを特徴とする制御システムと最
   適性判定装置。
2. 　２．請求項第１項において、前記最適性判定機構は、
   複数の制御方策を記憶した操作量決定手段と、前記検出
   装置より出力された複数の検出信号から、処理に使用す
   る制御方策を決定し、処理指令を発生する制御機構と、
   前記操作量決定手段により決定した操作量を、個々のア
   クチュエータの制御指令に変換する指令値計算手段によ
   り構成されることを特徴とする制御システム。
3. 　３．請求項第２項において、操作量決定手段に記憶さ
   れた複数の制御方策とは、知識ベースと推論部より構成
   された推論制御方策、パターン認識手法を用いた制御方
   策、フイードバツク制御等に用いられる補償器を用いた
   制御方策、状態モデルを用いた制御方策のいずれかから
   成ることを特徴とする制御システム。
4. 　４．請求項第１項において、前記最適性判定機構は、
   前記検出装置の複数の検出信号の複数の組合せパターン
   と前記複数の組合せパターンに対応したアクチユエータ
   の操作量を記憶する手段を有し、前記検出装置の複数の
   検出信号の新規出力パターンと、先に記憶された出力パ
   ターンを比較し、類似度の最も大きい記憶パターンに対
   する複数のアクチユエータの操作量を出力する構成とし
   たことを特徴とする制御システム。
5. 　５．請求項第１項において、前記最適性判定機構は、
   前記検出装置からの複数の検出信号の組み合せから、前
   記出力信号のパターンの類似度を求めるパターン認識機
   構と、前記類似度から複数のアクチユエータの個々の操
   作量を決定し、決定した操作量を前記複数のアクチユエ
   ータの指令信号に変換する指令発生機構より構成される
   ことを特徴とする制御装置。
6. 　６．請求項第５項において、前記パターン認識機構は
   、前記検出装置の複数の出力信号の組合せパターンを取
   り込む入力層と、前記入力層の出力信号に重みを掛けて
   加算し、その結果を指定した関数で写像する複数のノー
   ドで構成された第１段の中間層と、前記第１の中間層の
   各ノードの出力信号を入力信号して重みを掛けて加算し
   、その結果を指定した関数で写像する複数のノードで構
   成された別の中間層を複数段有し、前記別の中間層の最
   終段が、パターンの類似度を判定結果として出力する出
   力層で構成されたことを特徴とする制御システム。
7. 　７．請求項第６項において、前記指令発生機構は前記
   パターン発生機構の出力である複数のパターンの類似度
   から、知識ベースと推論機構を用いてアクチユエータに
   対する操作量を求め、前記操作量を前記複数のアクチユ
   エータの制御機構に対する指令信号に変換する構成とし
   たことを特徴とする制御システム。
8. 　８．請求項第１項において、前記最適性判定装置の判
   定結果の良否を判断する機構と、判断結果を外部に報知
   する手段と、前記最適性判定装置の内容を変更する手段
   とを有する教示装置を備えたことを特徴とする制御シス
   テム。
9. 　９．請求項第１項において、前記検出装置の出力信号
   を時経列的に記憶する記憶機構を設け、前記検出器の出
   力と前記記憶機構の出力を前記最適性判定装置へ入力し
   、前記最適性判定装置では時間的変化も加味した総合判
   定を可能としたことを特徴とする制御システム。
10. 　１０．複数の検出器の検出信号と、前記検出器の出力
    信号に応じて制御を実行する複数のアクチユエータ制御
    機構と、前記複数のアクチユエータの動作により制御さ
    れる制御対象で構成された制御システムにおいて、前記
    複数の検出信号の組合せをパターンとして認識し、前記
    信号の組合せパターンを予め記憶する機能と、予め記憶
    されたパターンと新規入力パターンを比較する機能，比
    較結果をパターンの類似度として出力するパターン認識
    機構と、前記パターンの類似度をフアジ推論により各ア
    クチユエータの操作量に変換し、前記操作量を前記各ア
    クチユエータの指令値に変換する指令発生機構とを備え
    たことを特徴とする制御システム。
11. 　１１．請求項第１０項において、前記パターン認識機
    構にランメルハート型ニユーロコンピユータを用いたこ
    とを特徴とする制御システム。
12. 　１２．請求項第１１項において、前記パターン認識機
    構に入力パターンを印加し、前記パターン認識機構が理
    想出力となるように予め前記パターン認識機構の各ノー
    ドの重みを変更するための学習機構を備えたことを特徴
    とする制御システム。
13. 　１３．請求項第１１項において、前記学習機構はパタ
    ーン認識機構の入力層に入力する入力パターン発生機構
    、前記パターン認識機構の理想出力を発生する出力パタ
    ーン発生機構、前記パターン認識機構の出力パターンと
    、前記出力パターン発生機構の偏差を求める比較機構、
    前記比較結果に基づき、パターン発生機構内のノードの
    重みを変更する指令、及び前記入力パターン発生機構、
    出力パターン発生機構の動作指令を発生する学習制御機
    構で構成されることを特徴とする制御システム。
14. 　１４．請求項第１０項において、前記複数の検出器の
    検出信号を時経列的に記憶する記憶機構を備え前記検出
    器の検出信号と並列に前記記憶機構の出力を前記パター
    ン認識機構に入力する構成としたことを特徴とする制御
    システム。
15. 　１５．複数のアクチユエータで動作する制御対象と、
    前記複数アクチユエータの動作および制御対象の動作を
    検出する検出器よりなる制御システムにおいて、前記複
    数の検出信号を用いて、制御システム全体の動作を認識
    し、システム全体としての動作が最適となるように前記
    個々のアクチユエータの制御量を決定する最適性判定装
    置を備えたことを特徴とする制御システム。
16. 　１６．複数の駆動機構を備え材料を圧延する圧延機の
    制御システムにおいて、前記複数の駆動機構の状態及び
    圧延材の状態を検出して、その検出信号に基づいてシス
    テム全体の動作の良否を判定し、前記各駆動機構の操作
    量に分類して、前記各駆動機構に指令信号を出力する構
    成とした制御システム。
17. 　１７．複数のアクチユエータの動作状態を入力できる
    複数の入力端子と複数のアクチユエータに対する制御指
    令を出力する複数の出力端子を有し、前記入力信号に基
    づき、システム全体の動作の良否を判定し、その判定結
    果に基づき各出力端子への出力信号を決定する機能を備
    えた最適性判定装置。
18. 　１８．請求項第１７項において、システム全体の動作
    信号の組合せをパターン化し、前記パターンを記憶する
    機能を有し、記憶された複数のパターンと新規入力信号
    のパターンとの類似度を求め、前記類似度から、各出力
    信号を求める推論機能とで構成された最適性判定装置。
19. 　１９．特許請求第１０項において、制御対象を熱間圧
    延機とすることを特徴とする制御システム。
20. 　２０．特許請求第１０項において、制御対象を加熱炉
    とすることを特徴とする制御システム。
21. 　２１．特許請求第１０項において、制御対象を連続鋳
    造システムとすることを特徴とする制御システム。
22. 　２２．特許請求範囲第２項において、操作量を決定す
    る手段として、出力パターンから、分布的に配置された
    個々のアクチュエータの指令を発生することを特徴とす
    る制御システム。