JPH07244501A - プロセスの学習制御方法 - Google Patents
プロセスの学習制御方法Info
- Publication number
- JPH07244501A JPH07244501A JP6035540A JP3554094A JPH07244501A JP H07244501 A JPH07244501 A JP H07244501A JP 6035540 A JP6035540 A JP 6035540A JP 3554094 A JP3554094 A JP 3554094A JP H07244501 A JPH07244501 A JP H07244501A
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- value
- manipulated variable
- preset model
- furnace
- 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.)
- Withdrawn
Links
Landscapes
- Control Of Heat Treatment Processes (AREA)
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【目的】 操業条件が変更される場合のプロセス制御精
度を高める。 【構成】 プロセスの操作量を設定する際、プロセスの
操業条件により影響因子及び制御量の目標値が変更され
る場合、まず、プリセットモデルに制御量の目標値と影
響因子の値を代入して操作量を求め、次に、制御量の目
標量と影響因子の値をニューラルネットワークに入力
し、このニューラルネットワークの出力としてプリセッ
トモデルの設定誤差を予測し、最後に、ニューラルネッ
トワークにより予測した設定誤差で操作量の設定値を補
正する。
度を高める。 【構成】 プロセスの操作量を設定する際、プロセスの
操業条件により影響因子及び制御量の目標値が変更され
る場合、まず、プリセットモデルに制御量の目標値と影
響因子の値を代入して操作量を求め、次に、制御量の目
標量と影響因子の値をニューラルネットワークに入力
し、このニューラルネットワークの出力としてプリセッ
トモデルの設定誤差を予測し、最後に、ニューラルネッ
トワークにより予測した設定誤差で操作量の設定値を補
正する。
Description
【0001】
【産業上の利用分野】本発明は、プロセスの学習制御方
法に関する。
法に関する。
【0002】
【従来の技術】従来、プロセスの操作量を設定する方法
に於ては、制御量を従属変数とし、影響因子と操作量を
独立変数として、プロセスを線形モデル化し、プロセス
から実測したデータを用いてモデル式のパラメータを求
めておき、該線形モデル式に、制御量の目標値及び影響
因子の値を代入して計算することにより操作量を決定す
るという方法がとられていた。
に於ては、制御量を従属変数とし、影響因子と操作量を
独立変数として、プロセスを線形モデル化し、プロセス
から実測したデータを用いてモデル式のパラメータを求
めておき、該線形モデル式に、制御量の目標値及び影響
因子の値を代入して計算することにより操作量を決定す
るという方法がとられていた。
【0003】また、対象プロセスを線形モデル化するこ
とが困難な場合には、人間の脳の情報処理システムを模
索して開発された高度並列分散処理システムであるニュ
ーラルネットワークを応用し、その入力として制御量の
目標値及び影響因子の値を与え、その出力として操作量
の設定値を得る方法も提案されている。
とが困難な場合には、人間の脳の情報処理システムを模
索して開発された高度並列分散処理システムであるニュ
ーラルネットワークを応用し、その入力として制御量の
目標値及び影響因子の値を与え、その出力として操作量
の設定値を得る方法も提案されている。
【0004】
【発明が解決しようとする課題】しかし、線形モデル化
を用いて操作量の設定値を求める方法に於ては、一般的
に制御量,操作量,影響因子の関係には非線形性がある
ため、その線形化誤差により、必ずしも希望する制御量
を実現するための操作量が得られるとは限らなかった。
を用いて操作量の設定値を求める方法に於ては、一般的
に制御量,操作量,影響因子の関係には非線形性がある
ため、その線形化誤差により、必ずしも希望する制御量
を実現するための操作量が得られるとは限らなかった。
【0005】また、ニューラルネットワークを用いて、
直接操作量の設定値を得る方法は、プロセスの持つ非線
形性を補償するといったことについては有効であるが、
ニューラルネットワークが設定する操作量の変化する範
囲が広いため、必ずしも制御精度を向上することができ
なかった。
直接操作量の設定値を得る方法は、プロセスの持つ非線
形性を補償するといったことについては有効であるが、
ニューラルネットワークが設定する操作量の変化する範
囲が広いため、必ずしも制御精度を向上することができ
なかった。
【0006】
【課題を解決するための手段】本発明は、予めオフライ
ン解析し設定したプリセットモデルを用いて、プロセス
の操業条件に応じた操作量をプリセットすることにより
プロセスを制御する方法に於て、プロセスの目標値,影
響因子の値及びプリセットモデルの過去の設定誤差をニ
ューラルネットワークに入力することにより今回のプリ
セットモデルの設定誤差を予測し、プリセット値を補正
することを特徴とする。
ン解析し設定したプリセットモデルを用いて、プロセス
の操業条件に応じた操作量をプリセットすることにより
プロセスを制御する方法に於て、プロセスの目標値,影
響因子の値及びプリセットモデルの過去の設定誤差をニ
ューラルネットワークに入力することにより今回のプリ
セットモデルの設定誤差を予測し、プリセット値を補正
することを特徴とする。
【0007】
【作用】図1に本発明の構成を示す。本発明では、プロ
セスの操作量と影響因子を独立変数とし、制御量を従属
変数として線形化したプリセットモデルと、該プリセッ
トモデルの設定誤差を補正するためのニューラルネット
ワークを設定しておく。ニューラルネットワークは過去
のデータを用いて事前に学習しておくことも可能であ
る。そして、プリセットモデルに制御量の目標値と影響
因子の値を代入して操作量の設定値を求める。次に、制
御量の目標値と影響因子の値をニューラルネットワーク
に代入し、このニューラルネットワークの出力としてプ
リセットモデルの設定誤差を予測する。最後に、ニュー
ラルネットワークにより予測した設定誤差で操作量の設
定値を補正し、コントローラへの設定値を得る。
セスの操作量と影響因子を独立変数とし、制御量を従属
変数として線形化したプリセットモデルと、該プリセッ
トモデルの設定誤差を補正するためのニューラルネット
ワークを設定しておく。ニューラルネットワークは過去
のデータを用いて事前に学習しておくことも可能であ
る。そして、プリセットモデルに制御量の目標値と影響
因子の値を代入して操作量の設定値を求める。次に、制
御量の目標値と影響因子の値をニューラルネットワーク
に代入し、このニューラルネットワークの出力としてプ
リセットモデルの設定誤差を予測する。最後に、ニュー
ラルネットワークにより予測した設定誤差で操作量の設
定値を補正し、コントローラへの設定値を得る。
【0008】
【実施例】以下、図を用いて本発明を連続熱処理炉の酸
化被膜量制御に適用した場合の実施例を説明する。図2
はペイオフリール1から払い出されたストリップが既に
通板されたストリップの尾端と溶接機2で溶接され一本
のストリップとなり、クリーニング装置3に供給され、
入側ルーパー4を介して加熱炉5、均熱炉6、冷却炉7
を通り、出側ルーパー14を介して切断機15で所定の
長さに切断され、テンションリール16で巻き取られる
ストリップの連続熱処理設備である。ストリップは水分
を含んだ雰囲気ガスの充満する高温の均熱炉6中を通板
させられることにより、その表面には酸化被膜が形成さ
れる。良好な品質のストリップを生産するためには、こ
の酸化被膜量を予め定められた値に制御する必要があ
り、その為には操作量となる熱処理炉内の露点を高精度
に設定する必要がある。
化被膜量制御に適用した場合の実施例を説明する。図2
はペイオフリール1から払い出されたストリップが既に
通板されたストリップの尾端と溶接機2で溶接され一本
のストリップとなり、クリーニング装置3に供給され、
入側ルーパー4を介して加熱炉5、均熱炉6、冷却炉7
を通り、出側ルーパー14を介して切断機15で所定の
長さに切断され、テンションリール16で巻き取られる
ストリップの連続熱処理設備である。ストリップは水分
を含んだ雰囲気ガスの充満する高温の均熱炉6中を通板
させられることにより、その表面には酸化被膜が形成さ
れる。良好な品質のストリップを生産するためには、こ
の酸化被膜量を予め定められた値に制御する必要があ
り、その為には操作量となる熱処理炉内の露点を高精度
に設定する必要がある。
【0009】均熱炉6には、熱処理炉内の露点を変更す
るための手段として、ガス発生装置13から供給される
ガスを加湿しながら均熱炉6中に供給させるための装置
が用意されている。均熱炉6中の雰囲気ガスは、ブロワ
ー8によって供給されており、加湿装置10で発生させ
た水蒸気の量がバルブ9によってコントロールされ、供
給される雰囲気ガスに吹き込まれる。
るための手段として、ガス発生装置13から供給される
ガスを加湿しながら均熱炉6中に供給させるための装置
が用意されている。均熱炉6中の雰囲気ガスは、ブロワ
ー8によって供給されており、加湿装置10で発生させ
た水蒸気の量がバルブ9によってコントロールされ、供
給される雰囲気ガスに吹き込まれる。
【0010】本実施例では、炉内露点を操作量、炉内温
度を影響因子、酸化被膜量を制御量としてプリセットモ
デルを下記の様に設定する。
度を影響因子、酸化被膜量を制御量としてプリセットモ
デルを下記の様に設定する。
【0011】 x1=(y−a0−a2x2)/a1 ・・・(1) ここで a0,a1,a2:係数パラメータ x1:炉内露点 x2:炉内温度 y:酸化被膜量 である。
【0012】次にプリセットモデルの設定誤差を補正す
るために、図3に示すニューラルネットワークを設定す
る。図3に於て、ニューラルネットワークは、入力層、
第1中間層、第2中間層、出力層のニューロンにより構
成され、各ニューロンは隣接する層間でシナプスにより
相互結合している。ネットワークを構成するニューロン
は、それぞれ予め設定された演算機能を持っており、ニ
ューロン間を結ぶシナプスA(i,j),B(i,j)、i=1,
2,・・・,n;j=1,2,・・・,n、は、入出力データを用いて学習
する。
るために、図3に示すニューラルネットワークを設定す
る。図3に於て、ニューラルネットワークは、入力層、
第1中間層、第2中間層、出力層のニューロンにより構
成され、各ニューロンは隣接する層間でシナプスにより
相互結合している。ネットワークを構成するニューロン
は、それぞれ予め設定された演算機能を持っており、ニ
ューロン間を結ぶシナプスA(i,j),B(i,j)、i=1,
2,・・・,n;j=1,2,・・・,n、は、入出力データを用いて学習
する。
【0013】まず入力x2,yの取り得る範囲をそれぞ
れ、 x2min ≦x2 ≦x2max ・・・(2) ymin ≦y ≦ymax ・・・(3) とする。ここでx2min,x2max,ymin,ymaxは、予め
設定しておく。上記範囲内に於てx2,yをそれぞれn
分割して、図4の様にその組合せをn2個のクラスタに
予め分割(クラスタリング)する。この1つのクラスタが
第1中間層のニューロン1つに対応し、
れ、 x2min ≦x2 ≦x2max ・・・(2) ymin ≦y ≦ymax ・・・(3) とする。ここでx2min,x2max,ymin,ymaxは、予め
設定しておく。上記範囲内に於てx2,yをそれぞれn
分割して、図4の様にその組合せをn2個のクラスタに
予め分割(クラスタリング)する。この1つのクラスタが
第1中間層のニューロン1つに対応し、
【0014】
【数4】
【0015】と表される。
【0016】ここで、(8),(9)式の行列A(i,
j),B(i,j)は、新しく得られたデータの組(Y
a,x1a,x2a)から下記の様に更新される。
j),B(i,j)は、新しく得られたデータの組(Y
a,x1a,x2a)から下記の様に更新される。
【0017】
【数11】
【0018】ここで用いるニューラルネットワークは、
学習を行いながら新しい入力に対して出力の値を推定す
ることが可能である。ネットワークの学習とは、ネット
ワークを構成する各ニューロン間の結合度合い(シナプ
ス)を入力と出力の関係を直接的に記憶し学習すること
であり、入力データと出力データとの組合せを当該炉で
行われる全ての操作条件を網羅する実績データが蓄積さ
れることにより、ネットワークはあらゆる操業条件に対
して高精度に操作量の設定誤差を出力するようになる。
つまり、蓄積されるデータが増えていけばいくほど、実
プロセスとモデルとの誤差を高精度に推定することがで
きるようになる。また、このニューラルネットワーク
は、推定したいデータがこれまで学習したことがないも
のでも周囲のデータから推定することが可能であるた
め、学習に要するデータ数が少ない場合においても、効
果を発揮する。
学習を行いながら新しい入力に対して出力の値を推定す
ることが可能である。ネットワークの学習とは、ネット
ワークを構成する各ニューロン間の結合度合い(シナプ
ス)を入力と出力の関係を直接的に記憶し学習すること
であり、入力データと出力データとの組合せを当該炉で
行われる全ての操作条件を網羅する実績データが蓄積さ
れることにより、ネットワークはあらゆる操業条件に対
して高精度に操作量の設定誤差を出力するようになる。
つまり、蓄積されるデータが増えていけばいくほど、実
プロセスとモデルとの誤差を高精度に推定することがで
きるようになる。また、このニューラルネットワーク
は、推定したいデータがこれまで学習したことがないも
のでも周囲のデータから推定することが可能であるた
め、学習に要するデータ数が少ない場合においても、効
果を発揮する。
【0019】以下、図5の処理フローに従って、操作量
である炉内露点の設定方法について説明する。まず、ス
テップ1に於て、下記式により炉内露点の設定値を求め
る。
である炉内露点の設定方法について説明する。まず、ス
テップ1に於て、下記式により炉内露点の設定値を求め
る。
【0020】
【数15】
【0021】である。
【0022】次に、ステップ2に於て、ニューラルネッ
トワークの学習を行う。即ち、新しく得られたデータ組
(ya,x1a,x2a)から以下の様に行列A(ia,
ja),B(ia,ja)を更新する。
トワークの学習を行う。即ち、新しく得られたデータ組
(ya,x1a,x2a)から以下の様に行列A(ia,
ja),B(ia,ja)を更新する。
【0023】 ia =int[n・(x2a−x2min)/(x2max−x2min)] ・・・(16) ja =int[n・(ya-ymin)/(ymax−ymin)] ・・・(17)
【0024】
【数18】
【0025】尚、ニューラルネットワークの学習が事前
に行われている場合には、ステップ2は必要ない。ステ
ップ3に於て、(8),(9),(10)式を用いてプ
リセットモデルの設定誤差
に行われている場合には、ステップ2は必要ない。ステ
ップ3に於て、(8),(9),(10)式を用いてプ
リセットモデルの設定誤差
【0026】
【数20】
【0027】このように、本発明は、プロセスの非線形
な部分を数式モデルで定義することなく、基準となる線
形回帰モデルさえ設定しておけばモデルの学習が行え、
且つニューラルネットワークで推定する値の絶体値も小
さくすることができ、所要の操作量の推定精度を向上さ
せることが可能となる。
な部分を数式モデルで定義することなく、基準となる線
形回帰モデルさえ設定しておけばモデルの学習が行え、
且つニューラルネットワークで推定する値の絶体値も小
さくすることができ、所要の操作量の推定精度を向上さ
せることが可能となる。
【0028】以下に、プロセスの特性が(24)式の様
に非線形特性を有している場合に、本発明を適用した場
合のシミュレーション結果を示す。
に非線形特性を有している場合に、本発明を適用した場
合のシミュレーション結果を示す。
【0029】 y=a0+a1x1+a2x2+a3(x1−a4)・(x2−a5) ・・・(24) ここで、 a0=−6.42、 a1=0.72、 a2=2.03×(1/10)3、a
3=0.17、a4=6.5、a5=835 6.0≦x1≦7.0 :炉内露点 830≦x2≦840 :炉内温度 y :酸化被膜量 とした。
3=0.17、a4=6.5、a5=835 6.0≦x1≦7.0 :炉内露点 830≦x2≦840 :炉内温度 y :酸化被膜量 とした。
【0030】本シミュレーションでは、その非線形性を
考慮せずに、下記の様な線形プリセットモデルを設定す
る。
考慮せずに、下記の様な線形プリセットモデルを設定す
る。
【0031】 x1=(y−a0'−a2'x2)/a1' ・・・(25) ここで、 a0'=−6.42、 a1'=0.72、 a2'=2.03×(1/10)3 である。また、x2,yの分割数n及びネットワークの
第1中間層の関数f1の調整パラメータσの値は、各々
以下の様に設定した。
第1中間層の関数f1の調整パラメータσの値は、各々
以下の様に設定した。
【0032】n=100、 σ=0.3 図6は、(24)式のプロセスモデルに対して、制御量
を従属変数とし、操作量と影響因子を独立変数として線
形回帰し、回帰式のパラメータを決定した上で、本回帰
式に制御量の目標値および影響因子の値を代入して計算
することにより、操作量の設定値を決定するという方法
を適用した場合の、酸化被膜量の目標値からの偏差の学
習回数に伴う変化を示す。プリセットモデルの学習には
逐次型最小二乗法を適用した。
を従属変数とし、操作量と影響因子を独立変数として線
形回帰し、回帰式のパラメータを決定した上で、本回帰
式に制御量の目標値および影響因子の値を代入して計算
することにより、操作量の設定値を決定するという方法
を適用した場合の、酸化被膜量の目標値からの偏差の学
習回数に伴う変化を示す。プリセットモデルの学習には
逐次型最小二乗法を適用した。
【0033】図7は、(24)式のプロセスモデルに対
して、ニューラルネットワークの入力を酸化被膜量目標
値および炉内温度とし、出力を操作量である炉内露点と
することにより、操作量の設定値を決定するという方法
を適用した場合の、酸化被膜量の目標値からの偏差の学
習回数に伴う変化を示す。
して、ニューラルネットワークの入力を酸化被膜量目標
値および炉内温度とし、出力を操作量である炉内露点と
することにより、操作量の設定値を決定するという方法
を適用した場合の、酸化被膜量の目標値からの偏差の学
習回数に伴う変化を示す。
【0034】図8は、(24)式のプロセスモデルに対
して、本発明法を適用した場合の酸化被膜量の目標値か
らの偏差の学習回数に伴う変化を示す。
して、本発明法を適用した場合の酸化被膜量の目標値か
らの偏差の学習回数に伴う変化を示す。
【0035】グラフからもわかる様に、図8の本発明法
を実施した場合が最も制御精度が良い。以上の結果か
ら、本発明は未知の非線形性が含まれるプロセスに対し
て十分効果を発揮する。
を実施した場合が最も制御精度が良い。以上の結果か
ら、本発明は未知の非線形性が含まれるプロセスに対し
て十分効果を発揮する。
【0036】
【発明の効果】本発明では、予めオフライン解析し設定
したプリセットモデルを用いて、プロセスの操作条件に
応じた操作量をプリセットすることによりプロセスを制
御する方法に於て、該プリセットモデルの設定誤差をニ
ューラルネットワークにより学習して補正することを特
徴とするプロセスの学習制御方法を適用したので、プロ
セスの学習制御精度を飛躍的に向上させることが可能と
なる。
したプリセットモデルを用いて、プロセスの操作条件に
応じた操作量をプリセットすることによりプロセスを制
御する方法に於て、該プリセットモデルの設定誤差をニ
ューラルネットワークにより学習して補正することを特
徴とするプロセスの学習制御方法を適用したので、プロ
セスの学習制御精度を飛躍的に向上させることが可能と
なる。
【図1】 本発明の制御方法の処理の流れを示したブロ
ック図である。
ック図である。
【図2】 本発明の制御手法を適用した、ストリップの
連続熱処理炉の構成の一例を示すブロック図である。
連続熱処理炉の構成の一例を示すブロック図である。
【図3】 本発明の実施例で、炉内露点設定誤差を算出
するニューラルネットワークの構成を示すブロック図で
ある。
するニューラルネットワークの構成を示すブロック図で
ある。
【図4】 ニューラルネットワークのクラスタリングを
本発明に適用した場合のクラスタの構成を示す平面図で
ある。
本発明に適用した場合のクラスタの構成を示す平面図で
ある。
【図5】 本発明の一実施例における制御処理の流れを
示したフローチャ−トである。
示したフローチャ−トである。
【図6】 プロセス特性が(24)式で表されるものに
対して、従来方法を適用したときの酸化被膜量の制御偏
差の変動を表したグラフである。
対して、従来方法を適用したときの酸化被膜量の制御偏
差の変動を表したグラフである。
【図7】 プロセス特性が(24)式で表されるものに
対して、ニューラルネットワークを単純に適用したとき
の酸化被膜量の制御偏差の変動を表したグラフである。
対して、ニューラルネットワークを単純に適用したとき
の酸化被膜量の制御偏差の変動を表したグラフである。
【図8】 プロセス特性が(24)式で表されるものに
対して、本発明を適用したときの酸化被膜量の制御偏差
の変動を表したグラフである。
対して、本発明を適用したときの酸化被膜量の制御偏差
の変動を表したグラフである。
1:ペイオフリール 2:溶接機 3:クリーニング装置 4:入側ルーパー 5:加熱炉 6:均熱炉 7:冷却炉 8:ブロワー 9:バルブ 10:加湿装置 11:露点計 12:加湿器のバルブの開閉をコントロールする機器 13:ガス発生装置 14:出側ルーパー 15:切断器 16:テンションリ
ール
ール
Claims (1)
- 【請求項1】 予めオフライン解析し設定したプリセッ
トモデルを用いて、プロセスの操業条件に応じた操作量
をプリセットすることによりプロセスを制御する方法に
於て、プロセスの目標値,影響因子の値及びプリセット
モデルの過去の設定誤差を、ニューラルネットワークに
入力することにより今回のプリセットモデルの設定誤差
を予測し、プリセット値を補正することを特徴とするプ
ロセスの学習制御方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP6035540A JPH07244501A (ja) | 1994-03-07 | 1994-03-07 | プロセスの学習制御方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP6035540A JPH07244501A (ja) | 1994-03-07 | 1994-03-07 | プロセスの学習制御方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH07244501A true JPH07244501A (ja) | 1995-09-19 |
Family
ID=12444574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP6035540A Withdrawn JPH07244501A (ja) | 1994-03-07 | 1994-03-07 | プロセスの学習制御方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH07244501A (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010106314A (ja) * | 2008-10-30 | 2010-05-13 | Jfe Steel Corp | 鋼製品の製造方法 |
CN104020672A (zh) * | 2014-05-29 | 2014-09-03 | 西安交通大学 | 一种直流中空电极电石炉智能控制方法 |
-
1994
- 1994-03-07 JP JP6035540A patent/JPH07244501A/ja not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010106314A (ja) * | 2008-10-30 | 2010-05-13 | Jfe Steel Corp | 鋼製品の製造方法 |
CN104020672A (zh) * | 2014-05-29 | 2014-09-03 | 西安交通大学 | 一种直流中空电极电石炉智能控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3336135B2 (ja) | プロセスに指令を与えるための方法および装置 | |
US5513097A (en) | Method and control device for controlling a process including the use of a neural network having variable network parameters | |
KR100846756B1 (ko) | 시트 | |
TWI554340B (zh) | 壓延模擬裝置 | |
JPH07191713A (ja) | 調節されるシステム内のプロセスに指令を与えるための方法および装置 | |
JP3330758B2 (ja) | 調節されるシステムにおけるプロセスの制御方法および装置 | |
US20060156773A1 (en) | Method for regulating the temperature of a metal strip, especially for rolling a metal hot trip in a finishing train | |
KR950033889A (ko) | 프로세스 제어방법 및 장치 | |
JP2017157094A (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 | |
JPH0824925A (ja) | 金属帯の圧延方法 | |
CN112330012A (zh) | 一种基于迁移学习的建筑能耗预测方法及设备 | |
Thomas et al. | Neural modeling of an induction furnace using robust learning criteria | |
JPH07244501A (ja) | プロセスの学習制御方法 | |
JP2006309709A (ja) | 結果予測装置、制御装置及び品質設計装置 | |
CN113325696A (zh) | 一种应用于交联电缆生产设备的单神经元pid与模型预测结合的混合控制方法 | |
JP3377163B2 (ja) | 自律的制御システム | |
JP2003089146A (ja) | シートの製造方法およびシート厚み制御装置 | |
JPH07210208A (ja) | 火力プラント制御におけるオートチューニング方法及びそれを利用した火力プラント制御装置 | |
JP3367214B2 (ja) | ニューラルネット制御方法及び装置 | |
JP3069494B2 (ja) | 連続焼鈍炉の冷却帯における金属ストリップ温度の制御方法 | |
WO2021229727A1 (ja) | 物理モデル同定システム | |
KR102045651B1 (ko) | 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치 | |
CN109472070A (zh) | 一种基于pls的esn加热炉操作变量的软测量方法 | |
JPH06262223A (ja) | 圧延工場における使用電力量の予測方法 | |
JPH0924449A (ja) | 連続鋳造機の冷却制御方法および装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A300 | Withdrawal of application because of no request for examination |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20010508 |