JPH06262234A

JPH06262234A - プラント制御装置及び方法

Info

Publication number: JPH06262234A
Application number: JP5051610A
Authority: JP
Inventors: Takashi Okada; ▲隆▼ 岡田; Yasuo Morooka; 泰男諸岡; Yasunori Katayama; 恭紀片山; Masaaki Nakajima; 正明中島; Satoru Hattori; 哲服部
Original assignee: Hitachi Ltd; Hitachi Information and Control Systems Inc
Current assignee: Hitachi Ltd; Hitachi Information and Control Systems Inc
Priority date: 1993-03-12
Filing date: 1993-03-12
Publication date: 1994-09-20
Anticipated expiration: 2017-07-29
Also published as: JP3308630B2

Abstract

(57)【要約】【目的】本発明は、圧延機の形状制御を高精度に行う方
法を提供することにある。【構成】学習用データ記憶部１に存在する基本要素パタ
ーンを用いて線形関係を関数近似部２により抽出し、荷
重係数設定部３によって、学習データ群１に存在する線
形関係をニューラルネットワーク７に予め実現してから
ニューラルネットワーク７を学習させることで高精度に
形状を認識させる。【効果】形状パターンに存在する線形関係をニューラル
ネットワークの荷重係数初期値として設定するため、最
適なパターン認識を実現することができる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、検出された形状データ
に応じて制御を行う圧延機形状制御装置及び方法に関す
る。

【０００２】

【従来の技術】圧延機の形状制御にニューラルネットワ
ークを適用した例としては、特開平4−127908号の「圧
延機における形状制御方法及び制御装置」がある。この
場合、ニューラルネットワークは、検出される圧延材の
幅方向形状分布を形状パターンとして捉え、典型的な圧
延材の幅方向形状パターンをその検出された形状パター
ンから修正可能な形状パターンとして抽出する役割を持
つ。しかし、そこで行われているニューラルネットワー
クの学習は、例えば、ニューロコンピュータ（中野肇監
修技術評論社）第１編の第２章「バックプロパゲーシ
ョン」に記載されているように、適当に中間層のユニッ
ト数を設定し、ネットワーク内部のパラメータであるニ
ューロン間の荷重係数の初期値を乱数により設定し、最
急傾斜法等に基づく学習則で前記荷重係数を修正する方
法である。そのためニューラルネットワークを決定する
ためには、中間層ニューロン数を変更したり、ニューラ
ルネットワークの荷重係数初期値を変更するという試行
錯誤を繰り返し行う必要があった。

【０００３】

【発明が解決しようとする課題】ニューラルネットワー
クには、学習データ間の関係を満足するような局所最適
点が多数存在するため、最急傾斜法に基づく荷重係数の
修正では荷重係数の初期値に依存した局所最適点の荷重
係数に収斂してしまうので、必ずしも最適な荷重係数に
収斂するとは限らない。しかし圧延機の形状制御におけ
る形状パターンについては、形状パターンの大きさ自体
が微少であるため形状パターンは複数の基本要素パター
ン線形和で近似的に表現できるという特徴がある。とこ
ろが、上記従来技術では、このような形状パターンと基
本要素パターン間の関係に関するこのような知識が有効
に利用されていないため、特に学習用のデータが少ない
場合には、検出される圧延材形状パターンから基本要素
パターンをうまく抽出できないという問題があった。

【０００４】本発明の目的は、バックプロパゲーション
などの最急傾斜法に基づく学習則でニューラルネットワ
ークの荷重係数を修正してデータ間の関係を実現する
際、予め設定した圧延材特有の典型的な形状パターンを
表現した基本要素パターンと検出される形状パターンと
の近似的な線形関係を利用することで、学習用データが
少ない場合でも形状パターンから基本要素パターンを抽
出できる最適なニューラルネットワークを実現する装置
及び方法を提供することにある。

【０００５】

【課題を解決するための手段】本発明は、上記目的を達
成するために、圧延材の幅方向の典型的な形状パターン
からなる基本要素パターン記憶部，形状パターンと基本
要素パターンの関係を回帰分析により近似する関数近似
部，関数近似部で求めたパラメータを用いてニューラル
ネットワークの荷重係数の初期値を決定する荷重係数設
定部，検出される形状パターンとその形状パターンに含
まれる基本要素パターンとの成分比からなる学習用デー
タ記憶部，関数近似部の結果を利用して、学習用データ
記憶部からデータを選択する近似度判定部，近似度判定
部によりニューラルネットワークの荷重係数を修正する
ためのデータを蓄えた修正学習用データ記憶部を設け
る。

【０００６】

【作用】圧延材の典型的な形状パターンからなる基本要
素パターン記憶部のデータを用いて、検出される圧延材
の幅方向形状パターンと基本要素パターン間の線形関係
を近似的に関数近似部において実現し、前記関数近似部
が表現した近似関数の係数パラメータを荷重係数設定部
がニューラルネットワークの荷重係数の初期値として設
定する。それにより近似度判定部が選出した修正学習用
データ記憶部の形状パターンを用いて、ニューラルネッ
トワークを学習させる。

【０００７】

【実施例】以下、本発明の実施例を図１に示す多段ロー
ル圧延機の圧延材幅方向の板厚分布（形状）の制御に適
用した場合について述べる。圧延材の幅方向板厚分布
は、複数のセンサからなる形状検出器１２により多点で
検出され、その多点で検出された検出量の包絡線を圧延
材の形状パターン（以下形状パターンと呼称）としてと
らえる。このとき、各センサの出力値をニューラルネッ
トワーク７の入力層の各ユニットに入力する。そして、
入力された圧延材の形状パターンに含まれている各基本
要素パターン（操作ルールが決まっている対象に特有な
基本形状パターン）の成分量をニューラルネットワーク
７が求め、操作量演算部１１でアクチュエータ１０への
操作量を求めて制御する。この制御構成におけるニュー
ラルネットワーク７は、検出された圧延材の形状パター
ンから予め設定した基本要素パターン成分を抽出する役
割をもつ。このとき検出される圧延材の形状パターン
は、基本要素パターンの線形和で近似できるとする。本
発明を用いたニューラルネットワークの学習は、以下の
ように行われる。

【０００８】まず形状検出器１２により検出された圧延
材の形状パターンは、基本要素パターン記憶部８によ
り、基本要素パターンとして特有の板厚分布パターンを
抽出され、記憶される。これらの基本要素パターンは関
数近似部２に送られる。圧延材の形状パターンは、基本
要素パターンの線形和で表現されるとしたので、関数近
似部２では、形状パターンと基本要素パターン間の関係
を後述する回帰近似モデルで近似させる。

【０００９】関数近似部２は、近似させた回帰近似モデ
ルのパラメータを荷重係数設定部３に出力し、荷重係数
設定部３は回帰近似モデルで得られた関係をニューラル
ネットワーク７に対応した荷重係数に変換する。

【００１０】一方、形状検出器１２により検出された圧
延材の形状パターンに対して、入力部１３からオペレー
タにより、基本要素パターン記憶部８に記憶された各基
本要素パターンの成分比が入力され、形状パターンと共
に学習用データ記憶部１に蓄積される。そして近似度判
定部４では、関数近似部２から送られてきた回帰近似モ
デルを用いて、学習用データ記憶部１に記憶されている
各基本要素パターンの成分比を推定する。この成分比と
予め学習用データ記憶部１に設定した各基本要素パター
ンの成分比との差が判定基準値以上である場合、その形
状パターンをニューラルネットワーク７の修正用の学習
データとして修正学習用データ記憶部５に記憶させる。

【００１１】荷重係数設定部３で求めたニューラルネッ
トワーク７に対応した荷重係数は、学習制御部６に出力
される。このとき各基本要素パターンの線形和で完全に
表現される圧延材の形状パターンならば、各基本要素パ
ターンの割合を出力できる。もしも基本要素パターンの
線形和だけでは表現できなければ、学習制御部６は、荷
重係数設定部３から送られたきた荷重係数を初期値とし
て、学習用データ記憶部１と修正学習用データ記憶部５
から送られてくる圧延材の形状パターンを用いてバック
プロパゲーションのような最急傾斜法による学習を行
い、ニューラルネットワーク７の荷重係数を修正する。

【００１２】図６に学習用データ記憶部１の一例を示
す。検出器１２からの圧延材の幅方向形状分布が形状パ
ターンとして学習用データ記憶部１に送られる。また、
その検出された形状パターンに存在する基本要素パター
ンの成分比は入力部１３から学習用データ記憶部１に入
力される。入力されたその成分比は基本要素パターン成
分比記憶部１０２に送られ、形状パターンは、その形状
パターンにおける基本要素パターンの成分比と対応させ
て形状パターン記憶部１０１に記憶される。

【００１３】図２に関数近似部２の一例を示す。関数近
似部２には、基本要素パターン記憶部８から基本要素パ
ターンが入力される。関数近似部２の内部では、この基
本要素パターンを回帰近似モデル２０２に送り、基本要
素パターンをベクトル表示したときの次数と基本要素パ
ターンの数から近似モデルの構造を決定する。また基本
要素パターンは、モデルパラメータ設定部２０１にも入
力される。モデルパラメータ設定部２０１の内部では、
以下に示すように回帰近似モデル２０２のパラメータが
設定される。

【００１４】圧延材の形状パターンが基本要素パターン
記憶部８の基本要素パターンの線形和で表現されると考
えると、ｍ個のセンサによる圧延材の形状パターンの出
力値Ｘとその形状パターンに含まれているｎ個の各基本
要素パターンの割合Ｙとの近似的な線形関係は数１に示
す回帰モデルで表現される。

【００１５】

【数１】

【００１６】但し、Ｘ１〜Ｘｍは圧延材の形状パターン
で、Ｘｉは幅方向に分布するｉ番目のセンサの出力値で
ある。またＹ１〜Ｙｎは、形状パターンに含まれる基本
要素パターンの割合で、Ｙｉは、第ｉ番目の基本要素パ
ターンの割合である。さらにｎｖ_i1〜ｎｖ_imは第ｉ番目
の基本要素パターンで、ｉは１からｎまでの自然数であ
る。

【００１７】

【数２】

【００１８】

【数３】

【００１９】

【数４】ｗ_ik＝ｎｖ_ik−ｐ_i…(数４)

【００２０】

【数５】

【００２１】ここでＰｉは各基本要素パターンの分布値
の平均である。

【００２２】このように、回帰近似モデル２０２内部で
は、基本要素パターン記憶部１における基本要素パター
ンの分布量と基本要素パターンの数によってモデルの大
きさが決定され、数１のようなモデル構造が構築され
る。モデルパラメータ設定部２０１では、回帰近似モデ
ル２０２の内部のパラメータｗ_ik、及びｗｂ_ijを設定す
る。

【００２３】ここで数１の意味を述べる。先ずｗ_ikは、
第ｉ番目の基本パターンのｋ番目の分布値（厳密には、
平均値Ｐ_iからの偏差値）を表している。従ってＷ・Ｘ
の演算は、圧延材の形状パターンＸと基本要素パターン
ｎｖ_iとの相関を計算していることになる。また、Ｗｂ
は各基本要素パターン間の相関関係を表している。従っ
て、Ｗｂ・Ｗ・ｘは、圧延材の形状パターンと基本要素
パターンの相関結果をもとに形状パターンに含まれる割
合を求めている。

【００２４】図３に荷重係数設定部３の詳細図を示す。
荷重係数設定部３は変換関数選定部３０１とパラメータ
変換部３０２から構成されており、変換関数選定部３０
１には、予めニューラルネットワーク７の内部演算で用
いられる非線形変換関数である次の数６で表現したシグ
モイド関数が記憶されている。

【００２５】

【数６】

【００２６】ここでｕは入力、ｙは出力、ｋｍ，ｋｔは
パラメータである。

【００２７】関数近似部２から回帰近似モデルのパラメ
ータがパラメータ変換部３０２に入力される。また学習
制御部６からニューラルネットワーク７で用いられるシ
グモイド関数のパラメータ（ｋｍ，ｋｔ）が、変換関数
設定部３０１に入力され、シグモイド関数の逆関数が決
定される。その逆関数と関数近似部２で求めた回帰近似
モデルのパラメータ（ｗｂ_ij，ｗ_jk）は、パラメータ変
換部３０２に入力される。そして回帰近似モデルのパラ
メータ（ｗｂ_ij，ｗ_jk）は、変換関数選定部３０１から
の逆関数に基づいて変換され、学習制御部６に出力され
る。このように回帰近似モデルとニューラルネットワー
クを対応付けて考える。

【００２８】またパラメータ変換は次のように行う。関
数近似部２では数１で示されたように、基本要素パター
ンにより入・出力間の関係は２つの線形写像の合成で表
現できる。このときニューラルネットワーク７の構造も
入力層−中間層間の積和演算と中間層−出力層間の積和
演算の２つの変換から成立していることが分かる。そこ
で回帰モデルにおけるパラメータｗによる変換を入力層
−中間層間の変換に対応させ、回帰モデルにおけるパラ
メータｗｂによる変換は中間層−出力層間の変換に対応
させる。すなわちｗ_ikがニューラルネットワークの入力
層−中間層間の荷重係数に対応し、ｗｂ_ijが中間層−出
力層間の荷重係数に対応する。

【００２９】さらにニューラルネットワーク７の構造も
決定される。つまり入力層ユニット数は、圧延材の幅方
向に分布するセンサの数（＝ｍ）と同じであり、中間層
及び出力層のユニット数は、基本要素パターンの数（＝
ｎ）と同じになる。

【００３０】次に、パラメータ変換部３０２内部で行わ
れる回帰近似モデルのパラメータをニューラルネットワ
ークの荷重係数に変換する処理について説明する。ニュ
ーラルネットワーク７に用いられるシグモイド関数は、
ｕの零近傍で数７のように近似的に表現できる。パラメ
ータＫＬは、ｕの零近傍における数６のシグモイド関数
を一次式で最小二乗近似したときの傾きである。

【００３１】

【数７】ｙ＝ＫＬ×ｕ …(数７) 従って、ニューラルネットワーク７の中間層及び出力層
の入・出力関係を考えると、近似的に次の数８のように
なる。

【００３２】

【数８】

【００３３】ここでｕ_kは入力層に入力される入力パタ
ーン、Ｗｎ１_jkはその入力に対する中間層荷重係数、ｙ
_cjは、中間層の出力、ｕ_kは出力層に入力される入力、
Ｗｎ２_ijはその入力に対する出力層荷重係数、ｙ_oiは出
力層の出力である。数８は、回帰近似モデルの構造と同
じである。従ってニューラルネットワークの荷重係数Ｗ
ｎ１_jk，Ｗｎ２_ijと、回帰近似モデルのパラメータ（ｗ
_jk，ｗｂ_ij）との関係は、次の数９のように表現でき
る。

【００３４】

【数９】ｗ_jk＝ＫＬ×Ｗｎ１_jkｗｂ_ij＝ＫＬ×Ｗｎ２_ij…(数９) 従ってパラメータ変換部３０２の内部では、ニューラル
ネットワーク７の入力層，中間層及び出力層のユニット
数とともに、ニューラルネットワーク７に対応した荷重
係数を次の数１０で算出し、学習制御部６に出力する。
そして、学習制御部６は、ニューラルネットワーク７の
入力層，中間層及び出力層のユニット数とともに、この
計算で求められた荷重係数をニューラルネットワーク７
の荷重係数初期値としてニューラルネットワーク７に設
定する。なお数１０の変換は、シグモイド関数の近似
式、数７の逆変換である。

【００３５】

【数１０】

【００３６】図４に近似度判定部４の詳細図を示す。近
似度判定部４は、関数近似部２の構成要素である回帰近
似モデル２０２と同じ近似モデルを有する回帰近似モデ
ル４０１，近似度演算部４０２及び判定部４０３からな
る。関数近似部２からの回帰近似モデルパラメータは、
回帰近似モデル４０１に入力され、関数近似部２で求め
た基本要素パターンと形状パターンとの線形近似関係を
実現させる。回帰近似モデル４０１が実現されると、学
習用データ記憶部１から形状パターン（入力データ）を
回帰近似モデル４０１に入力し、圧延材の形状パターン
に含まれる各基本要素パターンの成分比の推定値を算出
する。回帰近似モデル４０１で算出された推定値と、予
め熟練者などによって学習用データ記憶部１に設定され
ている各基本要素パターンの成分比の初期値とは、近似
度演算部４０２に入力され、推定値と初期値との誤差を
算出する。この推定誤差は、各基本要素パターンに対す
る成分比の推定誤差の２乗和から算出する。

【００３７】近似度演算部４０２は、その推定誤差を判
定部４０３に出力する。判定部403では、近似度演算部
４０２から送られた推定誤差が予め設定しておいた許容
推定誤差を超える場合、回帰モデルでは十分近似できな
いと判断し、その形状パターンを修正学習用データ記憶
部５に送る。こうして回帰モデルで十分に近似できなか
ったデータは、修正学習用データ記憶部５に記憶させて
おく。

【００３８】図５に学習制御部６及びニューラルネット
ワーク７の関係を表す詳細図を示す。学習制御部６は、
データ記憶部６０１，荷重係数記憶部６０２，学習実行
部６０３及び切換部６０４から構成される。学習用デー
タ記憶部１と修正学習用データ記憶部５から出力される
形状パターンと、そこに含まれる各基本要素パターンの
成分比は、データ記憶部６０１に記憶される。荷重係数
設定部３で求めた荷重係数は、学習制御部６の内部の荷
重係数記憶部６０２に荷重係数初期値として記憶され
る。また荷重係数設定部３は、算出した荷重係数初期値
に応じた入力層，中間層及び出力層のユニット数を学習
実行部６０３に出力する。学習実行部６０３は、ニュー
ラルネットワーク７の中間層のユニット数及び内部演算
で用いるシグモイド関数のパラメータ（ｋｍ，ｋｔ）を
ニューラルネットワーク７に出力し、ニューラルネット
ワーク７を決定する。

【００３９】次にニューラルネットワーク７の学習方法
について説明する。ニューラルネットワーク７が決定さ
れると、切換部６０４は荷重係数記憶部６０２とニュー
ラルネットワーク７とを接続し、荷重係数記憶部６０２
の荷重係数がニューラルネットワーク７に初期値として
出力される。次に切換部６０４が切り換わり、学習実行
部６０３とニューラルネットワーク７が接続され、学習
が開始される。

【００４０】学習実行部６０３は、データ記憶部６０１
から送られてくるデータと、ニューラルネットワーク７
の出力値とを比較し、荷重係数記憶部６０２から送られ
てきた荷重係数をバックプロパゲーションのような学習
則に従って修正する。修正された荷重係数は、切換部６
０４を経由してニューラルネットワーク７に送られ、ニ
ューラルネットワーク７の荷重係数を変更する。なおニ
ューラルネットワーク７の修正のために学習用データ記
憶部１と修正学習用データ記憶部５の両方から送られて
きたデータを用いて学習を行うとき、修正学習用データ
記憶部５のデータを優先的に学習に用いるようにする。
ニューラルネットワーク７の初期値は線形関係が実現さ
れているため、非線形性が存在し十分に線形モデルでは
近似できない可能性があるからである。従って修正学習
用データ記憶部５からのデータをより頻繁にニューラル
ネットワーク７に教示する。

【００４１】図７に、本発明で設計したニューラルネッ
トワークと、乱数で荷重係数の初期値を設定した従来の
ニューラルネットワークとを比較した結果を示す。シミ
ュレーションには、基本要素パターンｆ₁，ｆ₂，ｆ₃を
ランダムな割合（比率＝α：β：γ）で合成し、更に雑
音を加えて形状パターンとした。なお成分比推定誤差
は、各ニューラルネットワークで求めた各基本要素パタ
ーンの成分比と実際に各基本要素パターンを合成したと
きの成分比との差の二乗和とする。また形状パターンの
大きさに対する雑音の比率の最大値を雑音レベルとす
る。

【００４２】図７の結果から従来のニューラルネットワ
ークより本発明の方が、全雑音レベルにおいて成分比推
定誤差が低減化できている。このことは検出された形状
パターンから各基本要素パターンの成分をより正確に求
められることを示している。さらに本発明は、検出パタ
ーンに含まれる雑音の比率の大きさに対して成分比推定
誤差は変化しにくく、雑音に対して強いという効果もあ
る。

【００４３】また図８にニューラルネットワークの入力
層−中間層間の荷重係数について、従来例と本発明との
比較を示す。図８において、黒い四角は回帰近似モデル
から設定された荷重係数値で、基本要素パターンｆ₁，
ｆ₂，ｆ₃を線形和で表現した幅方向形状パターンから
各分布値に対応する数値が設定される。○は、回帰近似
モデルから設定された荷重係数を初期値にして学習して
得られた荷重係数である。この場合の荷重係数は、基本
要素パターンの非線形和も考慮され、雑音に対して低感
度になるように荷重係数が修正されている。しかも回帰
近似モデルから設定された荷重係数に似たような値で収
斂しており、基本的な線形特性を残したままであること
が分かる。このことは入力層−中間層間の演算が、入力
される形状パターンと基本要素パターンとの相関を有し
たままで計算できることを意味する。

【００４４】一方△は、従来のニューラルネットワーク
で、初期値を乱数で設定した荷重係数で、回帰近似モデ
ルと類似の荷重係数だけでなく、全く異なる荷重係数も
あるため、荷重係数を修正したいときの目安を捕らえに
くい問題がある。

【００４５】このように本発明は、ニューラルネットワ
ーク内部の状態が理解しやすくなるから、誤った認識を
したときにニューラルネットワークの問題点を分析でき
るという効果もある。

【００４６】図１０のフローチャートは、今まで述べて
きた本発明のニューラルネットワークの設計方法であ
る。先ずstep１において圧延材の幅方向形状パターンが
検出される。これらの検出された形状パターンに対して
特徴的な基本要素パターンがstep２.１において入力さ
れる。step３.１では、step２.１で入力された基本要
素パターンを用いて回帰近似モデルを作成する。step
４.１では、step３.１で作成した回帰近似モデルのパラ
メータをニューラルネットワークの荷重係数初期値に変
換する。step５.１では、ニューラルネットワークの中
間層ユニット数とシグモイド関数のパラメータを決定し
て、step４.１で求めた荷重係数をニューラルネットワ
ークの初期値として設定する。

【００４７】一方、step１で検出された形状パターン
は、step２.２において学習データとして収集され、st
ep２.１で入力した各基本要素パターンが形状パターン
にどのような成分比で含まれるかを入力する。次に、st
ep３.２では、step３.１で作成した回帰近似モデルを用
いて、step２.２で収集した形状パターンに含まれる基
本要素パターンの成分比を推定する。つづいて、step
４.２では、step３.２で推定した結果とstep２.２で入
力した成分比と比較し、その差が大きい形状パターンを
修正学習用データとして登録する。そしてstep５.２で
は、step４.２で判定された形状パターンとそのパター
ンに含まれる基本要素パターンの成分比の組合せをニュ
ーラルネットワーク７の荷重係数を修正するための学習
データとして修正学習用データ記憶部５に設定する。st
ep６では、step５.１で決定されたニューラルネットワ
ークとstep５.２で収集した修正用学習データ（形状デ
ータ）及びstep２.２で収集した学習データを用いて、
バックプロパゲーションの様な学習則でニューラルネッ
トワークの荷重係数を修正する。このとき、データの教
示の方法は、修正学習用データ記憶部５のパターンを繰
り返しニューラルネットワーク７に教示して荷重係数を
修正する。そして、修正学習用データ記憶部５のパター
ンを数回繰り返し学習した後、修正学習用データ記憶部
５の学習回数より少ない回数だけ学習用データ記憶部１
のパターンを学習させる。その後、再び修正学習用デー
タ記憶部５のパターンを繰り返し学習させる。以上の操
作を繰り返すことで、十分に近似できなかった形状パタ
ーン（修正学習用データ記憶部５のパターン）に重みを
かけて学習させる。

【００４８】図９は、１つの新たな基本要素パターンを
形状パターンに追加するときのニューラルネットワーク
７の変更の方法を示した図である。新たに基本要素パタ
ーンが追加されると、先ず基本要素パターンの成分比を
出力するためのユニット700−２が出力層に一つ追加さ
れる。さらに入力層−中間層間で計算する基本要素パタ
ーンと入力される形状パターンとの相関を中間層で出力
するため、ユニット７００−１が中間層に一つ追加され
る。基本パターンを多数追加する場合は、この操作を繰
り返せば良い。

【００４９】

【発明の効果】本発明によれば、検出される形状パター
ンと基本要素パターンとの相関関係を回帰モデルを用い
て予め近似し、その結果からニューラルネットワークの
荷重係数の初期値を設定して設計するため、形状パター
ンと基本要素パターンの間の近似的な関係をニューラル
ネットワークに実現できるので、検出される形状パター
ンに含まれる基本要素パターン成分比をより最適に実現
するニューラルネットワークに収斂させることができ
る。またニューラルネットワーク内部の状態が理解しや
すくなり、誤った認識をしたときにニューラルネットワ
ークの問題点を分析できるという効果もある。

【図面の簡単な説明】

【図１】本発明の一実施例を表す構成図。

【図２】関数近似部を表す図。

【図３】荷重係数設定部を表す図。

【図４】近似度判定部を表す図。

【図５】学習制御部とニューラルネットワークを表す
図。

【図６】学習用記憶部を表す図。

【図７】本発明を用いたシミュレーション結果。

【図８】本発明を用いた場合のニューラルネットワーク
の荷重係数を表す説明図。

【図９】本発明を用いた場合のニューラルネットワーク
構造の説明図。

【図１０】本発明のニューラルネットワーク設計方法の
フローチャート図である。

【符号の説明】

１…学習用記憶部、２…関数近似部、３…荷重係数設定
部、４…近似度判定部、５…修正学習用データ記憶部、
６…学習制御部、７…ニューラルネットワーク、８…基
本要素パターン記憶部。

───────────────────────────────────────────────────── フロントページの続き (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)発明者服部哲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

Claims

【特許請求の範囲】

【請求項１】圧延材の板厚形状データを検出する形状検
出器と、前記形状データの基本要素パターンを記憶する基本要素
パターン記憶手段と、前記形状データに対する前記基本要素パターンの成分割
合を多項式で近似する関数近似手段と、前記関数近似手段の結果からニューラルネットワークの
荷重係数の初期値を算出する荷重係数設定手段と、前記形状データと前記成分割合とを記憶する学習用デー
タ記憶手段と、前記関数近似手段の結果と、前記学習用データ記憶手段
からのデータとの比較から近似度を判定する近似度判定
手段と、前記近似度判定手段からの判定が許容誤差外のときは修
正データとして前記形状データ及び、その形状データに
含まれる基本要素パターンとの成分割合とを記憶する修
正学習用データ記憶手段と、前記荷重係数設定手段からの出力と前記学習用データ記
憶手段及び前記修正学習用データ記憶手段からの出力と
からニューラルネットワークの学習を行う学習制御手段
と、を備えていることを特徴とするプラント制御装置。
【請求項２】形状検出器によって検出された圧延材の板
厚形状データから前記形状データに対する基本要素パタ
ーンの成分割合を関数近似して、前記近似結果からニュ
ーラルネットワークの荷重係数の初期値を算出するとと
もに、前記形状データに含まれる基本要素パターンとの
成分割合と前記形状データとを学習データとして入力
し、前記関数近似結果の成分割合と前記学習データの成
分割合との比較から近似度を判定し、前記判定の結果が
許容誤差外のときは前記形状データを修正学習用データ
としてニューラルネットワークの学習を行ってプラント
を制御するプラント制御方法。
【請求項３】請求項１において、前記関数近似手段に回
帰分析手段を用いることを特徴とするプラント制御装
置。
【請求項４】請求項１において、前記近似度判定手段か
らの判定は、前記成分割合の差の自乗とすることを特徴
とするプラント制御装置。