JPH06259103A

JPH06259103A - 適応制御方法、適応制御装置

Info

Publication number: JPH06259103A
Application number: JP5045447A
Authority: JP
Inventors: Yutaka Saito; 裕斉藤; Satoru Hattori; 哲服部; Masaaki Nakajima; 正明中島; Yasunori Katayama; 恭紀片山; Kenichi Yoshioka; 健一吉岡; Takashige Watabiki; 高重渡引; Takashi Okada; 岡田　　隆
Original assignee: Hitachi Ltd; Hitachi Information and Control Systems Inc
Current assignee: Hitachi Ltd; Hitachi Information and Control Systems Inc
Priority date: 1993-03-05
Filing date: 1993-03-05
Publication date: 1994-09-16

Abstract

(57)【要約】【目的】制御特性の時間変動が大きい制御対象を、常
に最適な制御方式及び制御定数でもって制御する。【構成】センサ２で検出した制御対象１の状態量から
制御対象１の状態を診断機構８で診断し、その結果に応
じて統括機構１０が制御モデルや目標値、制御パラメー
タなどをセットアップ制御機構６及びフィードバック制
御機構５に設定し、この結果得られた制御機構によりア
クチュエータ３を駆動して制御対象１を制御する。【効果】制御対象の状態に応じた最適な制御モデル及
び制御パラメータなどで制御できるから、制御性能が向
上するとともに、機器の損傷を低減できる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は適応制御方法及びその装
置に関わり、特に圧延機における非圧延材の板厚一定制
御のような、その特性が大きく変動する制御対象の制御
に好適な適応制御方法及びその装置に関する。

【０００２】

【従来の技術】圧延機における被圧延材の板厚一定制御
では、たとえば長時間の運転時間中に非圧延材の温度が
大きく変化し、その物理定数の変化のために圧延特性が
大きく変わる。このような特性の時間的変動の大きい制
御系では、圧延特性をそのままモデル化すると非線形微
分方程式で表される。このような制御対象の微分方程式
を非線形のままで解いて制御する方法はないので、従来
は制御対象の時間的変化分を無視して微分方程式の定常
解を解くようにして、動作点を決定し、その近傍で制御
対象を線形近似して制御量が動作点に落ちつくようにフ
ィードバック制御を行っていた。このような制御方法は
一般にセットポイント制御と呼ばれ、特に圧延機の分野
ではセットアップ制御と呼ばれている。

【０００３】セットポイント制御においては、制御対象
の特性が時間の経過につれて変化したとき、改めて動作
点を定め、それに応じた最適な線形制御系を実現する必
要がある。これをニューラルネットワークを用いて自動
的に行えるようにした従来例に特開平２−３０８３０３
号、特開平３−２５６０１号、特開平３−１１８６０６
号に示されたものがある。これらはいずれも、制御対象
の状態量や設定された制御目標値（動作点）を入力とし
たニューラルネットワークあるいは推論機構により制御
対象の状態をチェックし、線形化した制御系のパラメー
タや目標値をそのチェックの結果に応じて設定できるよ
うにしたものであり、制御対象の状態に適した制御が行
える。

【０００４】

【発明が解決しようとする課題】上記した従来技術で
は、制御アルゴリズムあるいは制御方式は予め決まった
もので一定であり、制御対象の状態変化に対してはその
制御アルゴリズムあるいは制御方式のパラメータを最適
化するというものであった。ところが例えば圧延機にお
いて、加減速を実施している場合は指令に追従できるサ
ーボ系が適切で、定常状態では指令が変化しないので外
乱除去能力の大きいレギュレータ系が望ましい。しかし
従来技術では、このような制御方式の変更は行われてお
らず、行うとしてもその変更は機構が複雑になり、容易
ではなかった。

【０００５】本発明の目的は、制御特性の時間変動が大
きく、非線形性の強い対象の制御を常に最適な制御方式
及び制御定数でもって制御するための適応制御方法及び
その装置を提供するにある。

【０００６】

【課題を解決するための手段】上記の目的は、センサに
より検出された制御対象の状態量から制御対象の状態を
診断する診断手段と、上記制御対象の状態量をその目標
値に一致するように制御するフィードバック制御手段と
を備え、上記診断手段による診断結果に応じて上記フィ
ードバック制御手段の制御方式及び目標値を含むパラメ
ータを変更することにより達成される。

【０００７】

【作用】診断手段にニューラルネットワーク及び推論機
構を設けることで、制御対象の動作状態を正確に把握で
きるから、その結果に応じて制御方式、目標値及びその
他の制御パラメータを最適に自動設定できる。

【０００８】

【実施例】以下、本発明を実施例により詳細に説明す
る。図１は本発明の適応制御装置の一実施例を示すブロ
ック図で、圧延機のような非線形性の強い制御対象１に
は、動作状態を検出するセンサ２と、外部からの指令で
動作状態を変化させるアクチュエータ３が設置され、セ
ンサ２の出力である状態量４はセットアップ制御機構
６、フィードバック制御機構５及び診断機構８へ入力さ
れる。診断機構８は診断結果９を統括機構１０へ出力す
る。統括機構１０は診断結果９をもとにセットアップ制
御機構６に制約条件や目的関数１２を与え、フィードバ
ック制御機構５には制御方式の変更や制御パラメータ１
１などを与える。

【０００９】図２は、図１の制御対象１が圧延機の場合
の概要を示したもので、対向する１組のロール１３の間
隙を制御するための油圧圧下装置１５により発生する圧
延荷重と、ロール１３の軸に直結された電動機１６の速
度を変化させることにより変化する張力とが被圧延材１
４に加えられて、被圧延材は所定の板厚に制御される。
これら油圧圧下装置１５と電動機１６が図１のアクチュ
エータ３に対応し、それらの動作を規定するのが指令７
である。

【００１０】図１のセンサ２は、図２の電動機１６の軸
に直結されて、電動機１６の速度を検出するパルスジェ
ネレータ（ＰＧ）１７、被圧延材１４の板厚を計測する
板厚計１８、被圧延材１４の張力を計測する張力計１
９、及びロール１３に取り付けられ前記荷重を検出する
荷重計２０に対応し、それらの出力が図１の状態量４で
ある。

【００１１】図３は診断機構８の一実施例を示すブロッ
ク図で、センサ２の出力である状態量４の一部は、ニュ
ーラルネットワーク２１に入力され、予測状態または特
徴量２２が出力される。これと状態量４のそれ自身とし
て意味を持つデータとは、推論機構２３に入力される。
推論機構２３は、知識ベース２４を用いて推論を実行
し、その診断結果９は統括機構１０に入力される。

【００１２】図４は、推論機構２３及び知識ベース２４
の構成例を示すもので、推論制御機構２５は特徴量２２
と状態量４を受けて、プロダクション推論機構２８、フ
レーム推論機構３０、ファジイ推論機構３２を起動し、
上記受けたデータを推論入力２６としてこれら起動した
機構へ渡す。プロダクション推論機構２８はプロダクシ
ョンルール２９を、フレーム推論機構３０はフレーム３
１を、ファジイ推論機構３２はファジイルール３３を用
いて推論を実行し、推論結果２７を推論制御機構２５へ
渡す。

【００１３】図５はプロダクションルール２９の一例を
示すもので、これは断片的な整理されていない知識を記
述するのに向いた方法である。そしてプロダクション推
論が断片的なルールを整理し結論を導く。そのためのプ
ロダクションルール２９は、ルールが起動される条件を
示す前件部３４と、前件部３４の条件が成立したときに
成り立つ後件部３５からなり、後件部３５には、最終結
論か中間状態かを示す終端フラグ部３６と、後件部に付
随して利用される情報であるその他の情報部３７が付加
されている。

【００１４】図６はプロダクション推論機構２８の動作
を表すフローチャートで、入力をレジスタに格納するス
テップ１１０、ルール２９を最初から最後まで順番に取
り出すステップ１２０、ルールが取り出せた場合に前記
レジスタの内容と取り出したルールの前件部が一致する
かを判定するステップ１３０、一致した場合に結論部が
終端か否かを終端フラグ３６で判定するステップ１４
０、結論部が終端でない場合に結論部を中間状態として
スタックに積み込むステップ１５０、ステップ１４０の
判定が終端であった場合に、結論部を取り出し、結論の
レジスタに積み込む（プッシュする）ステップ１６０、
複数の結論が必要か否かを判断するステップ１７０、ス
テップ１２０でルールがなくなった場合に起動され、ス
タックに情報が積まれているか否かを判定するステップ
１９０、ステップ１９０でスタックに情報が積まれてい
ると判定された場合にスタックの内容を取り出し（ポッ
プする）、それを入力とするステップ２１０、このステ
ップ２１０で得られた入力を用い、再起的にプロダクシ
ョン推論を呼び出すステップ２２０、及び本プロダクシ
ョン推論を呼び出した場所へ制御を戻すステップ１８０
から構成される。なお、本推論は縦型探索と呼ばれる方
法を述べたが、横型探索という方法がある。これらを組
み合わせて結論を導く高速化手法があるが、ここでは本
質でないので省略する。

【００１５】図７は、フレーム推論３０に用いられる知
識としてのフレーム３１の例を示したもので、このよう
なフレームは関連のある知識をまとめるのに有効な手段
である。フレームは名称５１を表す内容５２、この名称
の実態を表すカテゴリを示す項目５３、その内容５４と
値５５から構成される。この例では、圧延機というもの
は、アクチュエータの項目に電動機及び油圧圧下装置と
いう内容があり、それぞれの値５５はポインタであっ
て、これらポインタは、それぞれの詳細が記述されてい
る電動機及び油圧圧下装置のフレームを指している。ま
た、センサのカテゴリでは荷重計、張力計、速度計など
があり、その値５５は、例えば荷重計の値１０００トン
のように、時々刻々リフレッシュされる値である。この
フレームを見れば、圧延機の状態が分かる。

【００１６】図８は、フレーム推論３０のフローチャー
トを示すもので、フレームの名称内容が一致するフレー
ムの項目を、順次上から取り出すステップ３１０、項目
と推論入力である調査内容のカテゴリが一致するか否か
を判定するステップ３２０、一致した項目の内容と調査
内容とが一致するか否かを判定するステップ３３０、こ
のステップで一致した項目の値をスタックに積むステッ
プ３４０、ステップ３１０で項目がなくなった場合、ス
タックから情報を取り出すことによりスタックが空か否
かを判定するステップ３６０、スタックの内容がポイン
タか否かを判定するステップ３７０、このステップ３７
０の判定結果がポインタならば、未調査の項目などを推
論入力として設定するステップ３８０、本フレーム推論
を再帰的に呼び出すステップ３９０、ステップ３７０の
判定の結果スタックの内容が値であることが分かると、
そのスタックの内容を結論とするステップ４００、及び
本フレーム推論を呼び出したところに制御を戻すステッ
プ４１０から構成される。

【００１７】図９は、ファジイ推論３２で用いるファジ
イルール３３の構成例を示す。ファジイルール３３は、
定性的な表現の前提条件を表す前件部８１、前件部８１
が成立した時点で成立する結論部８２、及び結論に付随
するその他の情報部から構成されている。

【００１８】図１０は、これらファジイルール３３を用
いて推論を行うファジイ推論３２の構成を示す。センサ
２からの出力は、ファジイ推論の前件部を処理する前件
部処理装置９０、該装値９０の出力を用い個別ルールの
適用できる確信度を求める結論部処理９１、及び結論部
処理の各結論部の重心を求める結論合成処理９２から構
成される。前件部処理装置９０を構成するメンバーシッ
プ関数器９３、９７、９４、９５は、入力信号の大きさ
に対応して前記ファジイルール３３で記述される定性的
表現を定量的表現に変えるものであり、例えばメンバー
シップ関数器９３は“大きい”を表し、入力α₁がある
第１の値以上は確信度を１とするように出力し、他のあ
る第２の値以下は確信度を０とし、上記第１及び第２の
値の間は直線で結ぶような関数である。なお、直線で結
ぶ以外に、特殊な関数で近似する場合もある。同様なメ
ンバーシップ関数器９７は、関数器９３と同一入力α₁
が入力され、中、低度を表すメンバーシップ関数とな
る。他の信号α₂、α₃が入力されているメンバーシップ
関数器９４、９５の出力と合わせて、メンバーシップ関
数器９３の出力は、結論処理器９６に入力される。い
ま、関数器９３、９４が定性的表現を大とする、関数器
９５は小とすると、結論処理器９６に入力されるのは信
号α₁が大で、信号α₂が大で、信号α₃が小ならば・・
・というもので、結論処理器９６はこれに応じた出力を
与えるルールと見なせる。結論処理器９６の出力値をβ
₁でその重みをδ₁、結論処理器９８の出力値をβ₂でそ
の重みをδ₂、・・・とする。ここでδ₁、δ₂・・・の
大きさは、そのルールだけが適用された場合のファジイ
推論の出力値である。これら個別ルールの結論を統合し
て１個の結論を導くのが結論部合成部９２である。この
演算は

【数１】 δ=(β₁*δ₁+β₂*δ₂+・・・)/(β₁+β₂+・・・）で表される。

【００１９】図３の診断機構８のもう１つの構成要素で
あるニューラルネットワーク２１は、特徴量や情報の予
測値を求めるもので、特徴量を求めるニューラルネット
ワークは従来からよく知られている。一方、予測値を求
めるニューラルネットワークの学習は図１１のようにし
て行われる。即ちニューラルネットワークＮＮの入力部
にメモリＭを備える。このメモリはシフトレジスタなど
で構成されたＦＩＦＯ形のメモリで、数ステップ前の入
力状態が記憶されている。このうち、時間の古いｔ_０か
らｔ_iまでをニューラルネットワークの入力、ｔ_i+1から
ｔ_kまでを教師信号として、誤差が最小になるように逆
伝搬アルゴリズムを用い、ニューラルネットワークの荷
重係数を決定する。

【００２０】図１２は、学習が終了したニューラルネッ
トワークの動作を示すもので、センサ出力などの時刻ｔ
₀〜ｔ_iの時系列データが入力されているとする（現在の
時刻はｔ_i）。このときニューラルネットワークＮＮの
出力からは、同図の破線部分で示されるトレンド情報が
得られる。

【００２１】以上が図１の診断機構８の構成である。次
に図１３を用いて統括機構１０を説明する。統括機構１
０では、まず診断機構８の出力である診断結果９を管理
機構５００へ受け取る。管理機構５００は、診断結果９
の番号毎に、セットアップ制御のモデルとパラメータ、
及びフィードバック制御の制御方式を記憶したデータベ
ース５０１を参照しながら、セットアップ制御に対する
制約条件、目的関数、モデル、パラメータなどを出力す
る。と同時に、フィードバック制御機構５に対しても、
制御方式とそれに付随する制御パラメータを出力する。
セットアップ制御機構６は、統括機構１０より出力され
た制約条件、目的関数、モデル、パラメータなどを用
い、ある動作点でセットアップ計算を実行する。セット
アップ計算の結果、動作点が変更され、フィードバック
制御機構５に変更された目標値が引き渡される。さら
に、フィードバック制御機構５は、セットアップ制御系
により変更された新しい目標値のもとに、管理機構５０
０から渡されたフィードバック制御系の新しい制御方式
と、その制御パラメータをもとに制御を実施する。

【００２２】次に、以上に説明した構成の制御装置の簡
単な動作例を例題を用いて説明する。図１４（ａ）は第
ｉスタンドの電動機温度のトレンドを表しており、これ
はニューラルネットワーク２１に入力され、温度変化の
予測が行われる。このときの圧延機の各スタンドの圧下
率の一例が図１４（ｂ）に示されている。この圧下率
は、セットアップを決定するのに必要な制約条件であ
り、経験的に決定される。ニューラルネットワーク２１
の電動機温度予測値地が、図１４（ｃ）に示すように温
度限界のθ_maxをｔ_i時間で越えるとすると、その結果プ
ロダクション推論２８が起動される。このときプロダク
ションルールの前件部３８（図５）が満足されるため、
図６のステップ１１０、１２０、１３０、１４０、１６
０、１７０、１８０を介して結論、即ち当該スタンドの
圧下率を下げるという結論が出力される。それと同時に
図５の付属情報の、セットアップ制御系を起動、という
情報を用い、統括機構１０で図１４（ｄ）に×印で示し
たような圧下率を設定する。これは第ｉスタンドの圧下
率を上昇させ、他のスタンドの圧下率を下降させるもの
である。この設定された圧下率を目標としてフィードバ
ック制御が行われ、電動機の温度上昇が防げ、機器の信
頼性が向上する。

【００２３】次に図１５を用いてファジイ制御の動作例
を示す。圧延荷重の値α₁が関数器９３に入力される。
この関数器９３は、図９のファジイルール３３の前件部
８１内のルール８４に相当する処理で、出力値である確
信度はβ₁である。同様に先進率が負であるというルー
ル８５は、図１５の関数器９５で表現されており、先進
率の値α₂が入力されると、出力はβ₂となる。個別の結
論部処理９１はミニマックス処理で、β₁、β₂の小さい
方の値β₁が選択される。このときの結論に対する重み
はδ₁に設定されているとする。結論部合成部９２は、
他の結論とそれに対する重みδ₂、・・・δ_nから（数
１）にしたがってδという結論を導く。この結論の確信
度の値がこのルールを適用する度合であり、図９のファ
ジイルールから結論はスリップが発生する可能性が高
く、張力設定値及びＡＴＲ（張力制御）のゲインを低下
しなさいとの結論が得られる。この結論を受けて、統括
制御１０は、セットアップ制御６に張力設定値を下げる
指令を与え、又フィードバック制御系５のゲインを下げ
る。こうして制御のアンバランスで生じる可能性のある
スリップを防止でき、良好な制御性を維持できる。

【００２４】図１６はフレーム推論の例を示すもので、
電動機制御器内のＧＴＯ電流がセンサ２を介して推論機
構２３へ入力されている。圧延機のアクチュエータであ
る電動機の要素のＧＴＯ１の電流値がｉ_maxを越えたと
いう入力が発生したとすると、図８のフレーム推論３０
によりフレーム３１が参照されながら推論が実行され
る。即ち、圧延機のアクチュエータの電動機が一致し、
その値であるポインタから電動機のフレームが起動さ
れ、さらにＧＴＯ１の電流値と一致することにより、そ
の電流値がｉ_maxを越えているので、故障で非常停止と
いう結論を得る。その結果、統括機構１０が緊急停止処
理を実行し、ＧＴＯ１の電流は図１７のように停止さ
れ、圧延機が非常停止とされる。その結果、ＧＴＯのよ
うに壊れ易く、高価な装置を破壊から防ぐことができ
る。

【００２５】次に、診断機構による診断結果により制御
方式が変更される例を説明する。図１８は、図１３の統
括機構１０内に格納されたデータベース５０１の一例を
示しており、制御対象は圧延機である。ここで、番号は
図１３で述べたように診断結果を表しており、例えば診
断結果“３”はパラメータ変動が大きく、制御モデルが
外れる可能性が高い場合で、このときはゲージメータ式
に無駄時間を考慮したモデルが必要で、制御方式として
は Smith-AGC(Automatic Guage Control) を適用すべき
であることを示している。また診断結果“４”は、パラ
メータの変動が小さく、モデルがよい制度で求められる
場合で、モデルとしては状態方程式、パラメータは
“４”、制御方式は最適サーボ制御を採用すべきである
ことを示している。

【００２６】１つの動作例として、板厚ｈ、ロール間隔
ｓを横軸に、荷重を縦軸にとった荷重曲線として、被圧
延材の仕様から図１９の実線５１０が当初推定されたと
する。また、被圧延材とロールをばね系として求めた直
線５１１（ゲージメータ式）が動作点となり、その時の
ロールの出側板厚がｈ₀、荷重がＰ₀、横軸とゲージメー
タ式の交点Ｓ₀がその時のロールギャップの設定値で、
荷重曲線５１０と横軸の交点Ｈ₀が母材（ロールの入
側）板厚である。ところで、圧延機の荷重曲線５１０
は、ロール温度、被圧延材の温度、圧延油の濃度、ロー
ルの摩耗状態などの不確定要因で変化するから、荷重曲
線は１点鎖線の間に囲まれた斜線部分内で変動する。こ
のように、データの変動が大きいと、診断機構８は診断
結果“３”を出力する。

【００２７】この結果を受けて管理機構５００は、図２
２に示すモデルと制御機構とパラメータのセットを出力
する。ここで、圧延現象５１３、５１４、５１５は圧延
機のモデルを示し、ゲージメータ式と荷重曲線をまとめ
て表したものである。このうちブロック５１３はロール
ギャップ偏差を荷重偏差に変換する変換係数、ブロック
５１４は荷重偏差を板厚に換算するばね定数、Ｋは前記
ゲージメータ式５１１の傾きを表すパラメータ、Ｍは荷
重曲線５１０とゲージメータ式５１１の交点５１２にお
ける荷重曲線の接線の傾きを示している。油圧圧下装置
の等価遅れを表す一時遅れ系５１６と、油圧圧下装置の
位置を表す積分器５１７が、アクチュエータであるとこ
ろの油圧圧下装置の等価回路であり、これは直線フィー
ドバックに相当する。ブロック５１８は、荷重を圧下指
令にフィードバックするゲージメータ式ＡＧＣのフィー
ドバック経路である。ブロック５１９は、ロールギャッ
プ偏差の実際値△Ｓ、計測器の誤差△Ｓ_Zとを加算し、
ロールギャップ計測値△Ｓ_aを求める演算子である。荷
重をばね定数で割った値（ブロック５２０出力）と前記
ロールギャップ計測値△Ｓ_aを加算器５２１で加算して
求めた板厚推定値△ｈ_g はフィードバックされる。板厚
センサの無駄時間を表すブロック５２３の出力である板
厚偏差計測値△ｈ_xと、板厚推定値△ｈ_gの無駄時間を補
償器５２４で補償したものとの差は、板厚推定値の偏差
であり、これはフィルタ５２５を通して、板厚の基準値
△ｈ_refと比較され、モニタフィードバックを構成す
る。比例項５２６は偏差に対する応答性を向上する目的
のために付加されたものであり、積分項５２２は計測器
の誤差△Ｓ_zを修正するためのものである。ブロック５
２７は、板厚の偏差をゲージメータ式の次元に合わせる
ための変換係数である。このような系にすると、パラメ
ータＫ、Ｍの値が多少ずれても、ロバストな制御が可能
である。

【００２８】一方、図２０のようにパラメータが余りず
れない場合は、制御モデルを正確に作成でき、この場合
のモデルとして状態方程式を作成することで、精度のよ
い制御が可能となる。この場合の制御系である最適サー
ボ制御系を図２３に示す。状態変数をロールギャップ△
Ｓ、ロール周速△Ｖ_r、張力偏差△τにとり、制御量を
ｈ、τとすると、現代制御理論（例えば土谷武士、江上
正共著「現代制御工学」ｐ１４１〜１５２、産業図書
刊、1991年4月）記載による方法によって、フィードバ
ック係数ｆ₁₁、ｆ₁₂、ｆ₁₃、ｆ₂₁、ｆ₂₂、ｆ₂₃、
ｆ_e11、ｆ_e12、ｆ_e21、ｆ_e22を求めることができる。こ
の方式は、前記のsmithAGC と比較すると精度がよいこ
とが分かるが、モデルが狂うと制御性能が大幅に劣化す
ることが知られている。

【００２９】さらに、図２１のように、当初の圧延曲線
設定カーブ５３０が斜線の領域に変化し、その破線領域
の中心に位置する曲線５３１が求められる場合、セッ
トアップ制御系は当初の目標値ｈ₀をｈに変更して出力
するようになる。その結果、フィードバック制御系の負
担が軽減されることになる。この変更が行われないと、
フィードバック制御系が動作点を自動的にｈ₀からｈに
移すことになり、その結果制御の余裕が低減してその制
御性能が劣化するが、本実施例ではこれを防ぐことがで
きる。

【００３０】

【発明の効果】本発明によれば、動作点の大きく変化す
る圧延器のような制御対象の状態を監視することによ
り、その状態に応じて動作点や制御アルゴリズム、フィ
ードバックパラメータを適宜変更でき、制御性能が向上
するとともに、機器の損傷を低減できる効果がある。

【図面の簡単な説明】

【図１】本発明の装置の一実施例を示すブロック図であ
る。

【図２】制御対象の例を示す図である。

【図３】診断機構の構成例を示す図である。

【図４】推論機構の例を示す図である。

【図５】プロダクションルールの例を示す図である。

【図６】プロダクション推論のフローチャートである。

【図７】フレーム知識の例を示す図である。

【図８】フレーム推論のフローチャートである。

【図９】ファジイルールの例を示す図である。

【図１０】ファジイ推論処理の説明図である。

【図１１】ニューラルネットワークの予測動作の学習方
法の説明図である。

【図１２】ニューラルネットワークの予測動作の説明図
である。

【図１３】統括機構の例を示す図である。

【図１４】プロダクション推論の動作例を示す図であ
る。

【図１５】ファジイ推論の動作例を示す図である。

【図１６】フレーム推論の動作例を示す図である。

【図１７】図１６の動作例におけるＧＴＯ電流の例を示
す図である。

【図１８】統括機構内のデータベースの例を示す図であ
る。

【図１９】圧延機の荷重曲線の変動例を示す図である。

【図２０】圧延機の荷重曲線の変動例を示す図である。

【図２１】圧延機の荷重曲線の変動例を示す図である。

【図２２】圧延機の１つのモデル及びその Smith-AGC
方式による制御回路の例を示すブロック図である。

【図２３】圧延機の１つのモデル及びその最適サーボ方
式による制御回路の例を示す図である。

【符号の説明】

１制御対象５フィードバック制御６セットアップ制御８診断機構１０統括機構２１ニューラルネットワーク２３推論機構２４知識ベース２８プロダクション推論２９プロダクションルール３０フレーム推論３１フレーム３２ファジイ推論３３ファジイルール

───────────────────────────────────────────────────── フロントページの続き (72)発明者中島正明茨城県日立市大みか町五丁目２番１号株式会社日立製作所大みか工場内 (72)発明者片山恭紀茨城県日立市大みか町五丁目２番１号株式会社日立情報制御システム内 (72)発明者吉岡健一茨城県日立市大みか町五丁目２番１号株式会社日立情報制御システム内 (72)発明者渡引高重茨城県日立市大みか町五丁目２番１号株式会社日立情報制御システム内 (72)発明者岡田隆茨城県日立市大みか町七丁目１番１号株式会社日立製作所日立研究所内

Claims

【特許請求の範囲】

【請求項１】制御対象の状態量をその目標値に一致す
るようにフィードバック制御する制御方法において、セ
ンサにより検出された制御対象の状態量から制御対象の
状態量を診断し、この診断結果に応じて、フィードバッ
クによる制御方式及び目標値を含むパラメータを変更す
ることを特徴とする適応制御方法。
【請求項２】センサにより検出された制御対象の状態
量から制御対象の状態を診断する診断手段と、上記制御
対象の状態量をその目標値に一致するように制御するフ
ィードバック制御手段とを備え、上記診断手段による診
断結果に応じて上記フィードバック制御手段の制御方式
及び目標値を含むパラメータを変更することを特徴とす
る適応制御方法。
【請求項３】前記制御方式は、直結フィードバック制
御、最適サーボ制御、最適予見サーボ制御、比例積分制
御、及び比例積分微分制御を含むことを特徴とする請求
項１又は２記載の適応制御方法。
【請求項４】センサにより検出された制御対象の状態
量から制御対象の状態を診断する診断手段と、上記制御
対象の状態量をその目標値に一致するように制御するフ
ィードバック制御手段と、上記診断手段による診断結果
に応じて上記フィードバック制御手段の制御方式及び目
標値を含むパラメータを変更する統括制御手段とを備え
たことを特徴とする適応制御装置。
【請求項５】前記診断手段は、制御対象の状態量検出
値からその今後の予測値を予測するためのニューラルネ
ットワークを有し、該ニューラルネットワークの出力を
用いて制御対象の状態を診断することを特徴とする請求
項４記載の適応制御装置。
【請求項６】前記診断手段は、前記制御対象の状態量検
出値と前記ニューラルネットワークによる予測値とを用
いて制御対象の状態を推論するための推論機構及び知識
ベースを有することを特徴とする請求項５記載の適応制
御装置。
【請求項７】前記推論機構は、プロダクション推論機
構、フレーム推論機構、及びファジィ推論機構の１つま
たは複数を含むことを特徴とする請求項６記載の適応制
御装置。
【請求項８】前記制御方式は、直結フィードバック制
御、最適サーボ制御、最適予見サーボ制御、比例積分制
御、及び比例積分微分制御を含むことを特徴とする請求
項４記載の適応制御装置。
【請求項９】上記制御対象は板厚一定制御を行う圧延
機とする請求項４記載の適応制御装置。