JPH1091209A

JPH1091209A - システム制御方法および装置

Info

Publication number: JPH1091209A
Application number: JP9292038A
Authority: JP
Inventors: Yasunori Katayama; 恭記片山; Yasuo Morooka; 泰男諸岡; Hiroshi Matsumoto; 弘松本; Satoru Hattori; 哲服部; Masaaki Nakajima; 正明中島
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 1997-10-24
Filing date: 1997-10-24
Publication date: 1998-04-10

Abstract

(57)【要約】【課題】圧延機や移動体としての列車などの被制御対象
の制御精度を向上させることのできるシステム制御方法
および装置を提供する。【解決手段】被制御対象の複数の検出信号を検出パター
ンとして予め記憶している設定パターンとの類似度をニ
ューラルネットで求め、この類似度に基づいてファジィ
推論を行い被制御対象の制御指令を求める。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、圧延機や列車など
の被制御対象に関する複数の検出信号の組合せをパター
ンとして認識して被制御対象の制御指令を求めるように
したシステム制御方法および装置に関する。

【０００２】

【従来の技術】例えば、圧延システムは対向するロール
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い
る。

【０００３】

【発明が解決しようとする課題】従来、圧延の物理的特
性が種々の要因により大幅に変化するため、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十分に発揮でき
ず、勘と経験で操作する熟練オペレータを越えることが
できないという問題があった。

【０００４】ところが、圧延の物理的特性が種々の要因
により大幅に変化するため、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十分に発揮できず、勘と経験
で操作する熟練オペレータを越えることができないとい
う問題があった。

【０００５】一方、近年はオペレータの負担を軽減する
ために、圧延機を操作するアクチュエータの動作状況及
び圧延材の形状などを種々のセンサを用いて検出し、こ
れらの検出信号をプロダクションシステムなどの推論機
構に取り込んで推論処理してアクチュエータの操作量を
決定するシステムが考えられている。

【０００６】

【発明が解決しようとする課題】複数の検出情報の組合
せが多いと、推論処理は膨大なものとなり、推論のため
の制御ルール間の干渉のため現状の処理装置で処理でき
る範囲は非常に狭い範囲とならざるをえないとか、推論
に使用される知識にも限界がある。そのため、被制御対
象の状況に応じて適切な制御指令を求めることができな
いという問題がある。その結果として被制御対象を適切
に制御できなくなる。

【０００７】本発明は上記点に対処してなされたもの
で、その目的とするところは被制御対象の状況に応じた
適切な制御を行うことができるシステム制御方法および
装置を提供することにある。

【０００８】

【課題を解決するための手段】本発明の特徴とするとこ
ろは、被制御対象に関する複数の検出信号の組合せを検
出パターンとして認識し、この検出パターンの設定パタ
ーンに対する類似度を求め、この類似度を示す数値およ
び設定パターンに対応する重心位置を数値とを用いて重
心合成を行い被制御対象への制御指令を求めるようにし
たことにある。被制御対象の複数の検出信号を組合せて
パターンとして認識して、このパターンに対して推論機
構の制御ルールを作成している。このため、検出信号毎
に制御ルールを作成するのに対して制御ルールを少なく
できる。推論機構は制御ルール数が少なくなると制御ル
ール間の干渉が著しく低減するので、被制御対象の精度
を向上できる。

【０００９】

【発明の実施の形態】本発明の一実施例を図１に示す。

【００１０】被制御対象１は複数のアクチュエータを含
み、これら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。被制御対象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出器から構成され
る検出装置Ｇ１４で検出される。この検出装置Ｇ１４の
複数の検出器出力信号はパターン制御装置Ｇ１３へ入力
される。パターン制御装置Ｇ１３では入力された複数の
検出器出力信号を検出パターンとして認識する入力部と
この検出パターンを記憶する記憶機能と、検出パターン
を先に記憶されている複数の設定パターンを照合し設定
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や報知信号を決定
し、アクチュエータ制御装置Ｇ６や学習装置Ｇ１６へ指
令信号を発生する指令発生機構１２とで構成されてい
る。なお、学習装置Ｇ１６はパターン制御装置Ｇ１３の
パターン記憶機能へ設定パターンを記憶させるに当って
予めオペレータが設定パターンを入力してパターン制御
装置Ｇ１３を動作させたときの操作量を認識する機能
と、被制御対象１が変更されたりアクチュエータが変更
された場合に設定パターンの記憶内容を予め変更するた
めの機能およびシステムの状態を報知する機能を有す
る。

【００１１】従来システムはパターン制御装置Ｇ１３が
なく、一般には検出装置Ｇ１４からアクチュエータ制御
装置Ｇ６へ送信され、個々のアクチュエータごとに制御
するシステムとなっていた。本発明のようにパターン制
御装置Ｇ１３を付加することにより、被制御対象１の状
況に応じて複数のアクチュエータの操作量を適切に決定
できると共に、アクチュエータの１つが故障しても他の
アクチュエータでカバーしたり、状況を適確に報知でき
る。又、アクチュエータの変化や、被制御対象の変化に
も柔軟に対応できるという効果を有する。

【００１２】次に、本発明の圧延機制御に適用した例を
用いて詳細に説明する。

【００１３】以下、本発明を圧延機制御システムに適用
した実施例を図２により説明する。被制御対象１として
の圧延機は対向する１組のワークロール２の間に挟まれ
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
より圧延材３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。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、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２、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。

【００１４】ところで、圧延ロール２，４，５のロール
幅は圧延材３の板幅より広く、かつ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３の板幅から外れた部分は圧延力により曲
がってしまう。

【００１５】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ベンディング力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
ベンディング力Ｆ₁を加える。

【００１６】更に、中間ロールシフト９は、中間ロール
４を板幅方向に移動する。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３の板厚の形状を制御する。

【００１７】一方、圧延を行うために圧延機１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２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、板幅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。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。

【００１８】圧延機１に対する制御は圧下制御機構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１
１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設定パターンのうちど
の種類の設定パターンに属するかを判断し、各設定パタ
ーン毎との類似の割合を示す類似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の板厚形状を検出し、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
せたり、オペレータに報知する機能を有する学習機構１
６から構成される。

【００１９】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および速度制御機構１１とで図１のアクチ
ュエータ制御装置Ｇ６を構成する。そして、これらの機
構６〜１１は圧延機に対して異なる操作を実行する。ま
た、指令発生機構１２，パターン認識機構１３および記
憶機構１５はパターン制御装置Ｇ１３を構成する。

【００２０】図３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
（形状検出信号と形状設定信号）は、パターン認識機構
１３の入力セル１７，１８に入力され、入力セル１７で
は入力された信号が関数値に変換され中間層１９へ出力
れ、中間層１９へ入力された入力セル１７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ｗｌ
₁₁倍され加算器２４に入力されるとともに、入力セル１
８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は重み関数２３，２６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。

【００２１】同様に、セル２１へは入力セル１７，１８
の出力が入力され、入力層１７の出力は重み関数２８で
ｗｌ₁₂倍化され加算器２４，関数器２５を介し次段の中
間層２７へ出力される。

【００２２】中間層２７は、中間層１９と同一の構造で
あり、入力層１７，１８の出力の代りに中間層１９の出
力が用いられるものである。

【００２３】ここで、重み関数２３，２６，２８の重み
をｗk_ijで表わすと、ｗk_ijはｋ番目の中間層のｉ番目の
セルに於いて、ｋ−１番目の中間層（但し、ｋ＝１の時
は入力セル）のｉ番目の出力に掛ける重みを示す。

【００２４】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１
９，２７，２９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、入力層３１は入力セル１７，１８を全て纏め
たものを表わす。

【００２５】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。

【００２６】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。

【００２７】次にパターン認識機構１３の処理結果は図
４に示す推論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１
２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。操作量決定
手段３２の結果を用い、指令値計算手段３３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。

【００２８】図５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、起動する推論機構を
決定する。

【００２９】一例として、この決定する方法は予めプロ
グラム化されている。例えば、オペレータはパターン的
な波形を見て、曖昧な制御を実施していると仮定する。
このオペレータの操作を取り入れたシステムを構成する
場合は、パターン認識機構１３からの信号を受け取り、
該制御機構１４１はファジィ推論機構１４３を起動し、
該パターン認識機構１３からの信号を引き渡す。

【００３０】また、プロダクション推論機構１４２は制
御方策の変更が必要な場合、例えば故障や、制御を実施
しても偏差が大きいときなどに故障信号や偏差信号など
により起動される。

【００３１】スクリプト推論機構１４６は、シーケンス
制御的なものに使用され、あるシーケンスから他のシー
ケンスへ制御が移り（上位の制御系からの指示等によ
る）新しいシーケンスの状態を予め予測し、次の動作を
決定する時に利用される。

【００３２】なお、制御機構１４１にプロダクション推
論機構と知識ベースを導入し、各制御機構６，７，８，
９，１０，１１等の状態を監視し、各状態の組合せをプ
ロダクションで推論し、最終結果として、各種推論機構
１４２，１４３，１４４，１４５，１４６を起動する。
即ち制御機構１４１は、三段論法的に結論を求める。

【００３３】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ァジィ
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、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１１
１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（Rumelhart 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。

【００３４】図６に推論に必要な知識である知識ベース
３６の構成を示す。知識ベース３６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識１０６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うための知識であ
るファジィルール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１４９，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１５０，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、上記知識１４７〜１５１
で記述できないその他の知識１５２に分類されて記憶さ
れている。

【００３５】図７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１
３，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
２０２、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。

【００３６】ここで各推論処理機構の役割を述べる。プ
ロダクション推論機構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。ファジィ推論
機構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曖昧な知識を計算機
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。

【００３７】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。

【００３８】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。

【００３９】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。

【００４０】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１
５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、被制御対
象１は通常非線形性が強いので、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Hopfield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う。

【００４１】図８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、制御機構１４１から起動時にメ
モリに記憶する入力処理３４、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
が無い時には、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。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からルールを１個ずつ取り出し、処理３
７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４０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。

【００４２】結論部が操作指令であるときに、処理４１
は指令値計算手段３３へ、結論部及び前記処理ステップ
で求めた確信度を出力する。

【００４３】図９は指令値計算手段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か否かを判断し、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から構成される。

【００４４】このような指令値計算手段３３を設けるこ
とで各種推論機構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
える特徴がある。

【００４５】図１０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３１に出力するものである。図１０における
スイッチ機構１５６の状態は学習を行う状態を示す。

【００４６】図１１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４７，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４
６へ出力するための分配器１３９の出力ｏ₁，ｏ_i，ｏ_n
と、出力パターン発生機構４７の出力ｏｒ₁，ｏｒ_i，
ｏｒ_nとの差を加算器１６１，１６２，１６３により、
偏差ｅ₁，ｅ_i，ｅ_n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ｏ₁，ｏ_i，ｏ_nは
入力パターン発生機構４７の出力がパターン認識機構１
３（Rumelhart 型ニューロコンピュータ）の入力層１９
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。

【００４７】図１２に学習過程における荷重関数ｗ_ij２
３と学習制御機構４８の関係を示す。加算器１６１の出
力である偏差ｅ_k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ｗ_ij２３
の値を、偏差ｅ_kが減少する方向に変化させる。

【００４８】図１３に学習制御機構４８の処理概要１７
０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。処理１７０は、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，偏差ｅ_kの値、又は、偏差ｅ_kの自乗和が許容
範囲以内になるまで以下のステップ１７３，１７４，１
７５を繰り返すステップ１７２，出力層３０に近い中間
層から入力層３１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ｅ_kが小さくなる
方向へ抽出したセルの荷重関数ｗ_ij２３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。

【００４９】このような学習機構を設けることにより、
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
徴がある。

【００５０】図１４は、図２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４
９の内容が一定時間経過後に転送されるメモリ要素５
０、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４９，５０，５１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。

【００５１】この記憶機構１５により、形状検出機構１
４や、指令発生機構１２の時間的変化を考慮でき、例え
ば微分，積分等の動作が行えるようになる。

【００５２】図１５には、クーラント制御のノズルの影
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
を示す。形状検出機構１４の出力はパターン検出機構１
３のメモリ５２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５
５，５６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５５はオン
となり、クロツクに同期して、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へ達し、メモリ要素５７の信号
がメモリ要素５４に達し、次のクロツクでメモリ要素５
４，５７，５８の信号が一巡すると、ゲート５３，５６
がオンし、ゲート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。

【００５３】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，出力層３０のセルの数を大幅に減少できる
効果がある。

【００５４】図１６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。

【００５５】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、図２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１２ではパターンに応じて各種アクチュエー
タの指令を発生し、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６０に入力され、制
御対象である各種アクチュエータ６，７，８，９，１
０，１１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
６０のパラメータを変更するためのパラメータ調整機構
５１を用い制御対象シミュレータ６０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１３の入力と
する。

【００５６】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。

【００５７】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ｗ_ij
２８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、図１７の入力パタ
ーン発生機構４５が生成した凹型の圧延材形状パターン
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
の出力線７１の出力である凸である確率は零にならな
い。

【００５８】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４
７の出力線７３の出力を零に出力する。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
偏差を受け学習制御機構４８は、パターン認識機構１３
の荷重関数ｗ_ij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。

【００５９】図１３の処理に従って、順次荷重関数の重
みを変更し、図１２の偏差ｅ_k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。

【００６０】学習終了後、図１７の入力パターン発生機
構４５の出力パターン（形状・設定パターン）と同じ波
形（形状・検出パターン）が図２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、出力層３０
の出力線７０から１を出力し、出力層３０の出力線７１
から零を出力する。

【００６１】次に、凸型と言われている図１８に示す波
形が入力され、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、その他の出力７０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の出力は、前
記出力線７１，７０の出力に対応する値を夫々１，０に
なるようにする。学習機構１６は、該荷重関数ｗ_ijを変
化させ、学習が完了した時に、前記パターン認識機構１
３に、図１８の凸型の波形が入力されると、図１７の前
記出力層３０の出力線７１は１に、出力線７０は零にな
る。

【００６２】その結果、図１９（ａ）の波形がパターン
認識機構１３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７１によりその波形に類似している度合（割
合）を確信度４０％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７０から確信度５０％とし
て出力される。このように、ニューラルネットで構成さ
れるパターン認識機構１３からは形状・検出パターンが
形状・設定パターンに類似している割合を示す数値が出
力される。

【００６３】図２０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ｔ₀で、その時の値はｘ₀である。記算機のサンプリ
ング周期をＴ₀とすると、Ｔ₀秒前のｔ₁時点に於ける
板厚の高さはｘ₁，Ｔ₀ｘ₂秒前のｔ₂時点に於ける板厚
の高さはｘ₂，… である。

【００６４】即ち、ｔ₂の時点で、高さｘ₂が記憶機構
１５に入力され、図１４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ｔ₁の高さｘ₁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、ｘ₁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う。例えば、微分値が必要な
時には（ｘ₂−ｘ₁）／Ｔ₀、積分器が必要な時には（ｘ
₁＋ｘ₂）×Ｔ₀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。

【００６５】一方、積分器は、ノイズ等に対し除去作用
があるなどの特徴を出すことができる。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。

【００６６】ところで、図２１に示すように、ｔ₀時点
に於ける圧延機のロール軸方向の圧延材の板厚をｘ0₀，
ｘ0₁，…ｘ0_n-1，ｘ0_nとし、同一位置に於けるＴ₀（サ
ンプリング周期）前の板厚の状態を、ｘ0₀，ｘ0₁，…ｘ
0_n-1，ｘ0_nとすると、ある時点ｔ₀では、図１４のメモ
リ要素５４,５７,５８に夫々ｘ0_n，ｘ0_n-1，…，ｘ0₀が
記憶される。メモリ要素５９には、前述のメモリ機構１
５と同様な動作を行っているので、Ｔ₀時点前の時点ｔ
₁のデータであるｘ1₀，ｘ1₁，…ｘ1_nがメモリ要素５９
他に記憶されている。

【００６７】図２２にプロダクションルール又はファジ
ィルールの一例を示す（図６のプロダクションルール４
７，ファジィルール４８に対応）。

【００６８】パターン認識機構１３で凹型５０％の確信
度として出力(類似割合を示す数値)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、ベンダを強める操作量（程度
大）が得られる。

【００６９】その結果、図２３に示すように指令発生機
構１２は、制御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、図２２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。

【００７０】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、図１５に示すように、図２４（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
れた波形の一部（図２４(ａ)のａ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
制御装置１０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。

【００７１】さて、ノズルＡに対応する図２１のｘ0_n-1
の両隣りｘ0_n，ｘ0_n-2の値と比較した時に、ｘ0_n-1が大
きければ、図２２に示すように中心部大という結論８５
が図１５から得られる。一方、ｘ0_n-1，ｘ1_n-1の関係と
してｘ0_n-1，ｘ1_n-1が正であれば、ｘ_n-1は増加傾向に
なるので微係数が正となり、前提部８６と一致し、その
結果、クーラントをＯＮする。その程度は大（Ｂ）であ
る。その結果、ｘ0_n-1，ｘ1_n-1が殆ど変化しなくなるの
である。

【００７２】ノズルＡの制御が終ると、図１５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、図２４（ａ）のｂ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１個
のノズルＢが制御される。

【００７３】このように処理を行うと図２４（ａ）のパ
ターンＡから出発しパターンＢへたどりつき、更にメモ
リ内容をシフトすると、図２４（ａ）の波形がメモリ５
２に再現する。前回、図２４（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図１５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。

【００７４】更に、メモリ５２と入力層３１の間に、図
１４で示した演算機構５１０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図１４からも自明で
ある。

【００７５】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。

【００７６】図１８の波形６２や６３を、図１１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、図２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層１
９，…，２７を介し、出力層３０から出力として現われ
る。この時中間層の重み関数ωk_ij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４
５が標準パターンであり、出力層３０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４７の波形が異なっている。その結果、突合せ機構４
６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から順次、入力層３１に近い中間層１９迄、重み
関数ｗk_ijを変更する。重み関数ｗk_ij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ｗk_ij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ｗk_ij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
k_ijの変更が終了した時点で、再度突合せ機構４６の偏
差値をチェックし、その値が許容誤差範囲になった時に
学習を終了する。

【００７７】この制御は学習制御機構４８で実施され
る。なお、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、その値の自由度があり、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。

【００７８】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、非常に難しい面がある。幸い、被制御
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。

【００７９】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、図１６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を動作させる。この後、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。

【００８０】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、制御機構で曖昧性迄含む
制御が実施できる。

【００８１】なお、本発明の具体例として圧延機システ
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。

【００８２】

【発明の効果】本発明によれば、被制御対象に関する逐
棺の信号の組合せを検出パターンとして認識し、この検
出パターンが設定パターンに類似している割合を示す数
値を推論機構に入力して被制御対象への制御指令を求め
ているので、推論機構における制御ルール間の干渉が著
しく低減し、被制御対象の操作量精度を向上させること
ができる。

【図面の簡単な説明】

【図１】本発明の一実施例の構成図。

【図２】本発明を圧延機制御システムに適用した実施
例。

【図３】パターン認識機構図。

【図４】指令発生機構図。

【図５】操作量決定手段の構成図。

【図６】知識ベース構成図。

【図７】操作量決定手段の動作説明図。

【図８】プロダクション機構の動作説明図。

【図９】指令値計算手段の構成図。

【図１０】入力切換え装置の構成。

【図１１】学習機構の構成。

【図１２】学習制御機構とノードの荷重関数との関連
図。

【図１３】学習制御機構の基本処理図。

【図１４】記憶機構の構成図。

【図１５】パターン認識機構図。

【図１６】学習機構にシミュレータを備えた時の構成
図。

【図１７】パターン認識機構の動作説明図。

【図１８】入力パターン例。

【図１９】パターン認識機構の出力の説明図。

【図２０】圧延材の時間的変化の説明図。

【図２１】圧延材の時間的変化の説明図。

【図２２】プロダクションルールとファジィルールの一
例を示した図。

【図２３】類似度を操作量へ変換する方法の説明図。

【図２４】入力波形の処理状況の説明図。

【符号の説明】

１…制御対象、１２…指令発生機構、１３…パターン認
識機構、１６…学習機構、１９，２７，２９…中間層、
３０…出力層、３１…入力層。

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁶ 識別記号ＦＩＧ０５Ｂ 23/02 Ｇ０６Ｆ 15/18 ５４０Ａ５５０ＥＧ０６Ｆ 15/18 ５４０Ｂ２１Ｂ 37/00 ＢＢＨ５５０１１１Ｂ (72)発明者服部哲茨城県日立市大みか町５丁目２番１号株式会社日立製作所大みか工場内 (72)発明者中島正明茨城県日立市大みか町５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】被制御対象の複数の検出情報を組合せによ
る検出パターンの設定パターンに対する類似度を求め、
この類似度を示す数値および前記設定パターンに対応す
る重心位置を示す数値とを用いて重心合成を行い前記被
制御対象への制御指令を求めるようにしたことを特徴と
するシステム制御方法。
【請求項２】被制御対象の複数の検出情報を組合せによ
る検出パターンとして認識し、この検出パターンの予め
設定されている設定パターンに含まれる特徴量をニュー
ラルネットにより求め、この特徴量を示す数値に基づき
ファジィ推論で前記被制御対象への制御指令を求めるよ
うにしたことを特徴とするシステム制御方法。
【請求項３】被制御対象の複数の検出情報を組合せによ
る検出パターンの設定パターンに対する類似度をニュー
ラルネットにより求め、この類似度を示す数値および前
記設定パターンに対応する重心位置を示す数値とを用い
てファジィ推論による重心合成を行い前記被制御対象へ
の制御指令を求めるようにしたことを特徴とするシステ
ム制御方法。
【請求項４】移動体を含む被制御対象の複数の検出情報
を組合せによる検出パターンの設定パターンに対する類
似している割合をニューラルネットにより求め、この類
似している割合を示す数値および前記設定パターンに対
応する重心位置を示す数値とを用いてファジィ推論によ
る重心合成を行い前記移動体を含む被制御対象への制御
指令を求めるようにしたことを特徴とするシステム制御
方法。
【請求項５】被制御対象に関する複数の検出信号の組合
せを検出パターンとして認識し、この検出パターンと予
め設定されている設定パターンを比較し前記検出パター
ンが前記設定パターンに含まれる特徴量を示す数値を求
める特徴量抽出手段と、前記特徴量を示す数値および前
記設定パターンに対応する重心位置を示す数値を用いて
重心合成を行い前記被制御対象への制御指令を出力する
手段とを備えることを特徴とするシステム制御装置。
【請求項６】被制御対象に関する複数の検出信号の組合
せを検出パターンとし、前記検出パターンが設定パター
ンに類似している割合を示す数値を求めるニューラルネ
ットを有する特徴量抽出手段と、前記類似割合を示す数
値に基づきファジィ推論で前記被制御対象への制御指令
を求めるファジィ推論手段とを備えることを特徴とする
システム制御装置。
【請求項７】被制御対象に関する複数の検出信号の組合
せを検出パターンとして認識し、この検出パターンの前
記設定パターンに対する類似度を示す数値を求めるニュ
ーラルネットと、前記ニューラルネットで求めた類似度
を示す数値に基づきファジィ推論を行い前記被制御対象
への制御指令を求めるファジィ推論手段とを備えること
を特徴とするシステム制御装置。