KR20000052719A

KR20000052719A - 밀 트레인 상의 밴드 단부에서 밴드 폭을 최적화하기 위한 방법

Info

Publication number: KR20000052719A
Application number: KR1019990703517A
Authority: KR
Inventors: 아이나르 브뢰제; 오토 그람코우; 토마스 마르티네츠; 귄터 죄르겔; 미치아키 타니구치
Original assignee: 칼 하인쯔 호르닝어; 지멘스 악티엔게젤샤프트
Priority date: 1996-10-23
Filing date: 1997-10-21
Publication date: 2000-08-25
Also published as: CA2269489C; CA2269489A1; DE19644132A1; US6418354B1; RU2157284C1; CN1104975C; KR100347198B1; DE19644132B4; CN1234755A; WO1998017411A1

Abstract

밀 트레인(3) 상에서 적층될 밴드(4)의 폭은 수직 업세팅 롤러(6)에 의해 조절되기는 하지만, 비대칭 재료 흐름으로 인해 밴드의 단부에서 밴드 폭이 좁아진다.

이러한 문제점을 해결하기 위해, 업세팅 롤러(6)가 밴드 단부의 통과시 정해진 파라미터(s)에 따라 규정된 곡선(f)을 따라 움직이도록 설계된다. 파라미터(s)는 신경 회로망(14)에 의해 이루어진 밀링 공정에 대한 예측을 기초로 한다.

Description

밀 트레인 상의 밴드 단부에서 밴드 폭을 최적화하기 위한 방법 {OPTIMIZING THE BAND WIDTH AT THE BAND ENDS ON A MILL TRAIN}

밴드, 예컨대 강 밴드의 밀링시 중요한 문제점 중 하나는 밴드의 길이에 걸쳐 일정한 폭을 가진 직사각형 기본 형태를 얻는 것이다. 밴드 폭의 제어를 위해, 밀 트레인 내에 수직 업세팅 롤러가 사용된다. 업세팅 롤러가 일정하게 움직이면, 밴드의 폭이 일반적으로 밴드 단부, 즉 밴드 헤드 및 밴드 푸트에서 비대칭 재료 흐름 및 다른 효과로 인해 중심 부분 보다 좁아진다. 이러한 문제점을 해결하기 위해, 밴드의 통과 동안 업세팅 롤러가 조절될 수 있다. 즉, 밴드 단부의 통과시 짧은 충격(소위 "short strokes")의 형태로 중심 부분에 비해 조절이 이루어진다. 이러한 밴드 헤드 및 밴드 푸트에서의 보정은 정해진 파라미터에 의해 규정될 수 있는 곡선("short stroke control(SSC-) 곡선")에 따라 이루어진다.

본 발명은 밀 트레인을 통과하는 밴드의 단부에서 밴드 폭을 최적화하기 위한 방법에 관한 것이다.

도 1은 밀링되는 밴드의 폭 및 그것으로부터 유도된, 폭의 보정을 위한 업세팅 롤러용 곡선의 실시예이고,

도 2는 곡선을 규정하는 파라미터를 검출하기 위한 유닛을 가진 밀 트레인의 제어 장치의 실시예이며,

도 3 내지 8은 곡선 파라미터를 검출하기 위한 유닛의 상이한 실시예이고,

도 9는 곡선 파라미터를 검출하기 위한, 도 8의 실시예를 기초로 구체화한 원리를 나타낸다.

본 발명의 목적은 업세팅 롤러를 조절하기 위한 곡선을 프리세팅함으로써, 밴드 단부에서 원하는 밴드 폭을 가급적 양호하게 형성하는 것이다.

상기 목적은 본 발명에 따라 독립 청구항에 제시된 방법에 의해 달성된다.

본 발명에 따른 방법의 바람직한 실시예는 종속항에 제시된다.

밴드의 통과시 업세팅 롤러의 위치를 조절하는 곡선을 형성하기 위한 파라미터의 검출은 신경 회로망에 의한 밀링 공정에 대한 예측을 기초로 이루어진다. 밀링 공정에서 신경 회로망의 온 라인 트레이닝에 의해 상기 예측이 계속 개선된다. 밴드 헤드 및 밴드 푸트에 대해 바람직하게는 별도의 신경 회로망이 사용된다. 동일한 밴드의 연속하는 통과에 대해, 즉 다수의 업셋 패스시 별도의 신경 회로망이 사용될 수 있다. 업셋 패스의 수가 계속 고정적으로 미리 주어지면, 단 하나의 신경 회로망이 사용됨으로써, 업세팅 롤러의 곡선에 대한 파라미터가 연속하는 업셋 패스 동안 검출될 수 있다.

이하, 본 발명을 첨부한 도면을 참고로 구체적으로 설명한다.

도 1의 다이어그램은 밴드 두께를 제어하기 위한 수평 플랫 롤러와 더불어 밴드 폭을 제어하기 위한 수직 플랫 롤러를 포함하는 밀 트레인의 통과시 길이(l)에 대한 밴드 폭(y)을 예시적으로 나타낸다. 업세팅 롤러를 일정하게 조절하면, 밴드 내의 비대칭 재료 흐름으로 인해 밴드 단부, 즉 밴드 헤드 및 밴드 푸트에서 밴드 폭이 좁아진다. 이러한 문제점을 해결하고 밴드의 직사각형 기본 형태를 얻기 위해, 업세팅 롤러의 위치가 밴드 단부의 통과시 곡선(f)을 따라 조절된다. 상기 곡선(f)은 도시된 실시예에서 밴드 헤드 및 밴드 푸트에 대해 별도로 그리고 동일한 밴드의 매 통과 즉, 매 패스에 대해 세팅 가능한 2개의 직선 섹션으로 이루어진다. 여기서, 곡선(f)은 2개의 보정값(a₁) 및 (a₂) 및 2개의 길이 좌표(l₁) 및 (l₂)의 형태인 4개의 파라미터로 표시된다. 보정값(a₁) 및 (a₂)은 롤러 간격에 관련되므로, 2개의 업세팅 롤러의 경로가 각각 1/2의 크기를 갖는다.

물론, 곡선이 다른 방식으로 그리고 더 많은 파라미터로 표시될 수도 있다.

업세팅 롤러가 파라미터에 의해 규정된 곡선에 따라 이동됨으로써, 밴드 단부에서 밴드의 미리 주어진 설정 밴드 폭, 즉 여기서는 직사각형 기본 형상이 주어지도록, 곡선(f)의 파라미터(a₁), (a₂), (l₁) 및 (l₂)가 결정되는 것이 중요하다. 이것은 다수의 실시예를 참고로 하기에 설명되는 바와 같이 신경 회로망에 의해 이루어진다. 그러나, 개별 파라미터, 여기서는 예컨대 길이 좌표(l₁) 및 (l₂)가 경험값으로서 미리 주어질 수도 있다.

도 2는 미리 주어진 설정 밴드 폭(y_soll)에 따라 밀 트레인(3)을 통과하는 밴드(4)의 실제 밴드 폭(y_ist)의 최적화를 수행하는, 밀 트레인 제어 장치를 나타낸다. 밀 트레인(3)으로는 플랫 롤러(5)를 가진 하나 또는 다수의 수평 프레임을 가진 분괴 트레인이 사용되며, 마지막 수평 프레임 앞에 그리고 필요에 따라 부가의 수평 프레임, 여기서는 2개의 마지막 수평 프레임 앞에 업세팅 롤러(6)를 가진 수직 프레임이 배치된다. 밴드(4)가 밀 트레인(3)내로 진입하기 전에, 사전 계산 유닛(7)에서 설정값(SW) 및 1차 데이터(PD)를 기초로 그리고 밀링 공정의 수학적 모델(8)의 액세스에 의해 밀링 공정의 중요한 파라미터(x)가 사전 계산되어 베이스 자동화 유닛(9)에 전달됨으써, 베이스 자동화 유닛(9)이 밀 트레인(3)을 프리세팅한다. 밀링 공정 동안 측정값 검출 장치(10)에 의해 계속해서 밀링 공정의 중요한 측정값이 검출된다. 측정값은 제어 기능을 수행하는 베이스 자동화 유닛(9) 및 사후 계산 유닛(11)에 공급된다. 사후 계산 유닛(11)은 사전 계산 유닛(7)과 동일한 수학적 모델(8)을 액세스하고 관련 모델 파라미터를 밀링 공정의 실제 상태를 나타내는 측정값을 기초로 적응시킨다. 이로 인해, 처음으로 밀링될 밴드(4)에 대한 사전 계산이 계속 개선되고 실제 프로세스 상태에 적응된다.

업세팅 롤러(6)를 제어하기 위해, 베이스 자동화 유닛(9)이 상응하는 제어장치(12)를 포함한다. 제어 장치(12)는 그것에 공급되는 파라미터(s), 예컨대 s=(a₁, a₂)에 따라 도 1에 상응하게 곡선(f)을 발생시킨다. 밴드 단부의 통과시 업세팅 롤러(6)가 상기 곡선(f)에 따라 조절된다. 곡선(f)에 대한 파라미터(s)의 검출은 유닛(13)에서 미리 주어진 설정 밴드 폭(y_soll) 및 사전 계산된 프로세스 파라미터(x)에 따라 적어도 하나의 신경 회로망(14)에 대한 액세스에 의해 이루어진다. 상기 신경 회로망은 밴드 단부에서 업세팅 공정에 대한 예측을 제공한다. 신경 회로망(14)의 예측을 개선시키고 실제 프로세스 상태에 적응시키기 위해, 밀 트레인(3)의 출력에서 폭 측정장치(15)에 의해 실제 밴드 폭(y_ist)이 측정되고, 상기 실제 밴드 폭(y_ist)과 사후 계산 유닛(11)에서 계산된 프로세스 파라미터(x_nach)에 의해 신경 회로망(14)의 적응이 이루어진다.

사용되는 신경 회로망(14)의 수에 관련해서, 바람직하게는 밴드 헤드 및 밴드 푸트에 대해 별도의 신경 회로망이 사용된다. 또한, 동일한 밴드(4)의 연속하는 통과에 대해 별도의 신경 회로망이 사용될 수 있다. 그러나, 업셋 패스의 수가 밴드 마다 가변되면, 많은 수의 패스에 대해 별도의 신경 회로망 사용이 바람직하지 않은데, 그 이유는 거기서 적은 트레이닝 데이터가 발생되기 때문이다.

도 3 및 4는 2가지 작동 상태에서 유닛(13)의 제 1 실시 가능성을 나타낸다. 신경 회로망으로는 업세팅 공정을 그것의 자연적 원인/작용 관계로 나타낸 포워드 신경 모델(140)이 사용된다. 신경 회로망(140)의 트레이닝 단계(도 3)에서 입력값은 사후 계산된 프로세스 파라미터(x_nach), 및 밀링 공정시 업세팅 롤러(6)를 이동시키는 곡선(f_ist)으로부터 환산 유닛(16)에 의해 검출된 곡선의 파라미터(s_ist)로 이루어진다. 신경 회로망(140)은 밴드 폭(y)에 대한 예측을 제공하고, 상기 예측은 측정된 실제 밴드 폭(y_ist)과 비교된다. 거기서 검출된 에러(Δy)에 따라 신경 회로망(140)의 적응이 이루어지므로, 신경 회로망은 곡선의 정해진 파라미터(s) 및 프로세스 파라미터(x)에 대해 그것에 의해 얻어지는 밴드 폭(y)의 가급적 정확한 예측을 제공한다.

도 4는 미리 주어진 설정 밴드 폭(y_soll)을 얻을 수 있는 곡선의 최상의 파라미터(s_opt)를 검출하는 방법을 나타낸다. 먼저, 계산 유닛(17)에 의해 곡선 파라미터(s)에 대한 출발값(s_start)이 미리 주어지고 사전 계산된 프로세스 파라미터(x)와 함께 적응된 신경 회로망(140)에 공급된다. 이것은 밴드 폭(y)에 대한 예측을 제공하고, 상기 예측은 설정 밴드 폭(y_soll)과 비교된다. 예측된 밴드 폭(y)과 설정 밴드 폭(y_soll) 사이의 편차가 미리 주어진 한계치를 초과하면, 출발값(s_start)이 값(Δs)만큼 변동된다. 신경 회로망(140)은 새로운 파라미터(s=s_start+Δs)에 의해 밴드 폭(y)에 대한 새로운 예측을 제공하고, 상기 예측은 다시 설정 밴드 폭(y_soll)과 비교된다. 곡선에 대한 파라미터(s)는 예측된 밴드 폭(y)과 설정 밴드 폭(y_soll) 사이의 편차가 미리 주어진 한계치를 더 이상 초과하지 않을 때까지, 단계적으로 값(Δs) 만큼 변동된다. 검출된 파라미터(s)는 업세팅 롤러(6)를 제어하는 곡선의 최상의 파라미터(s_opt)에 상응한다.

도 5 및 도 6에 도시된 유닛(13)의 실시예에는 2개의 신경 회로망(140) 및 (141)이 사용된다. 상기 신경 회로망 중 제 1 신경 회로망(140)은 도 3 및 4의 실시예에서와 같이 포워드 신경 모델이고, 제 2 신경 회로망(141)은 자연적 원인/작용 관계의 반전을 나타내는 백워드 신경 모델이다. 도 5에 나타나는 바와 같이, 유닛(13)의 제 1 작동 상태에서는 제 1 신경 회로망(140)이 도 3을 참고로 설명된 바와 동일한 방식으로 트레이닝된다.

제 1 신경 회로망(140)의 트레이닝 종료 후, 도 6에 따라 제 2 신경 회로망(141)에 의해 미리 주어진 설정 밴드 폭(y_soll) 및 사전 계산된 프로세스 파라미터(x)를 기초로 곡선의 파라미터(x)에 대한 예측이 발생되고, 상기 예측에 따라 밴드 통과시 업세팅 롤러(6)가 조절된다. 그것으로부터 결과되는 측정된 밴드 폭(y_ist)은 설정 밴드 폭(y_soll)과 비교된다. 여기서 얻어진 에러(Δy)는 적응된 제 1 신경 회로망(140)에 의해 역으로 전파되고 기울기 강하 방법에 따라 제 2 신경 회로망(141)의 가변 웨이트 w(NN₁₄₁)의 적응을 위해 사용된다:

도 7에 도시된 유닛(13)에 대한 실시예는 신경 회로망으로서 백워드 신경 모델(141)을 도 5 및 6의 신경 모델에 상응하게 포함한다. 상기 신경 회로망(141)은 적응된 상태로 미리 주어진 설정 밴드 폭(y_soll) 및 사전 계산된 프로세스 파라미터(x)에 따라, 밴드 통과시 업세팅 롤러(6)를 조절하는 곡선의 파라미터(s)에 대한 예측을 공급한다.

실제 프로세스 상태에 신경 회로망(141)을 적응시키기 위해, 밴드 통과 후에 측정된 실제 밴드 폭(y_ist) 및 사후 계산된 프로세스 파라미터(x_nach)가 신경 회로망(141)에 입력값으로서 공급된다. 신경 회로망의 응답(s)은 측정된 곡선(f_ist)으로부터 환산 유닛(16)에 의해 검출된 실제 곡선 파라미터(s_ist)와 비교된다. 여기서 검출된 에러(Δs)에 따라 신경 회로망(141)의 적응이 이루어진다.

도 8에 도시된 유닛(13)의 실시예는 밴드 폭에 에러가 있으면, 즉 설정 밴드 폭(y_soll)과 측정된 실제 밴드 폭(y_ist) 사이에 편차(Δy)가 있으면, 업세팅 롤러(6)에 대한 곡선(f_ist)이 상기 편차(Δy)의 값 만큼 변동됨으로써, 에러가 보상되어야 한다는 전제 조건을 기초로 한다. 따라서, 신경 회로망(142)으로서 백워드 신경 모델이 사용될 수 있다. 설정 밴드 폭(y_soll)은 예컨대 밴드 단부의 직사각형 형상에 대해 확실히 결정되므로, 신경 회로망(142)이 전술한 실시예에 비해 감소된 과제를 가지며, 곡선 파라미터(s)의 예측을 위해 입력값으로서 프로세스 파라미터(x) 또는 (x_nach)만이 상기 신경 회로망(142)에 공급된다.

밴드의 진입 전에, 신경 회로망(142)이 사전 계산된 프로세스 파라미터(x)를 기초로, 업세팅 롤러(6)를 프리세팅하는 곡선(f)의 파라미터(s)에 대한 예측을 제공한다.

밴드 통과 후에, 원하는 밴드 폭(y_soll)이 측정된 실제 밴드 폭(y_ist)과 비교된다. 여기서 얻어진 편차(Δy)에 의해 측정된 곡선(f_ist)이 설정 곡선(f_soll)로 보정된다. 상기 설정 곡선(f_soll)의 관련 파라미터(s_soll)는 환산 유닛(18)에 의해 검출된다. 신경 회로망(142)은 그것에 공급된 사후 계산된 프로세스 파라미터(x_nach)를 기초로 곡선 파라미터(s)에 대한 예측을 제공하고, 상기 예측은 설정 곡선(f_soll)의 파라미터(s_soll)와 비교된다. 이렇게 얻어진 에러(Δs)는 신경 회로망(142)의 적응을 위해 사용된다. 곡선(f)과 그것의 파라미터(s) 사이의 환산 인터페이스, 도시된 실시예에서는 환산 유닛(18)은 신경 회로망(142)에 의해 예측된 파라미터(s)가 예측된 곡선(f)으로 환산되고 예측된 곡선(f)이 설정 곡선(f_soll)과 비교되는 방식으로, 달리 설계될 수도 있다. 이것은 하기 실시예에서도 나타난다.

도 9는 도 8의 실시예를 기초로 하는 업세팅 롤러(6)에 대한 곡선(f)을 결정하기 위한 상세한 원리를 나타낸다. 도 1에 따라 총 3개의 업셋 패스 i(=1, 2, 3) 각각에 대해 곡선 f(i)이 2개의 직선 섹션으로 이루어져야 한다. 상기 섹션은 전체적으로 4개의 파라미터 a₁(i), a₂(i), l₁(i) 및 l₂(i)로 표시된다. 곡선(f)의 결정을 위해 중요한 프로세스 파라미터(x) 또는 (x_nach)는 매 업셋 패스(i) 후 밴드 폭 b(i), 밴드 두께 d(i) 및 밴드 온도 T(i), 각각의 업셋 패스(i) 후 밴드(4)의 폭 감소 Δb(i) 및 두께 감소 Δd(i) 및 밴드(4)의 재료 경도(변형 저항)에 대한 척도로서 계수(α)를 포함한다.

곡선 파라미터 a₁(i) 및 a₂(i)의 예측, 즉 보정값은 총 3개의 업셋 패스(i)에 대해 하나의 신경 회로망(142)에 의해 이루어진다. 따라서, 신경 회로망(142)은 6개의 출력 O_k(=0...5)을 포함한다. 보정값 a₁(i) 및 a₂(i)은 -1 과 +1 사이에 놓인 출력 o_k과 밴드(4) 각각의 폭 감소 Δb(i)의 곱으로 계산된다. 이것은 보정값 a₁(i) 및 a₂(i) 중 어느 것도 폭 감소Δb(i) 보다 크지 않게 하는 작용을 한다.

길이 좌표 l₁(i) 및 l₂(i)는 장치(19)에 의해 경험값으로서 미리 주어진다. 밴드(4)상에서 제 1 업셋 패스 동안 업세팅 롤러(6)의 작용 영역의 길이에 상응하는 길이 좌표 l₂(1)는 밴드 헤드에 대해 예컨대 3배의 폭으로 그리고 밴드 푸트에 대해 2배의 폭으로 결정된다. 후속하는 업셋 패스에 대해 업세팅 롤러(6)의 작용 영역의 길이가 매번 반분되므로, l₂(2)=1/2 l₂(1) 및 l₂(3) =1/4 l₂(1)이 적용된다. 나머지 길이 좌표는 l₁(i)=1/3 l₂(i)에 의해 결정된다. 이렇게 결정된 길이 좌표에 대한 값은 밴드 폭이 측정되는 경우 밀 트레인(3)으로부터 배출 후 밴드(4)에 관련된다. 따라서, 개별 업셋 패스(i) 동안 업세팅 롤러(6)의 구동을 위해 상기 값이 환산되어야 하는데, 그 이유는 매 밴드 패스시 마다 밀 트레인(3)에 의해, 밀 트레인(3)을 벗어난 후 밴드(4)의 길이에 비해 각각의 패스(i) 전 밴드 길이가 연장되기 때문이다. 상기 환산은 매 업셋 패스(i) 전, 밴드(4)의 온도 T(i), 폭 b(i) 및 두께 d(i), 밀 트레인(3)을 벗어난 후 밴드(4)의 온도, 폭 및 두께 및 팽창 계수(α)이다.

신경 회로망(142)에 의해 사전 계산된 프로세스 파라미터(x)를 기초로 예측된 곡선 파라미터 a₁(i) 및 a₂(i), 및 유닛(19)에 의해 미리 주어진 곡선 파라미터 l₁(i) 및 l₂(i)는 밀 트레인(3)을 세팅시키기 위해 베이스 자동화 유닛(9)에 전달된다. 밀 트레인(3)에서 밴드(4)의 밀링시, 측정값 검출 장치(10) 및 폭 측정 장치(15)에 의해 점형태로 폭 분포(y_ist) 및 업세팅 롤러(6)의 곡선(f_ist)이 측정된다. 유닛(20)에서 미리 주어진 설정 밴드 폭(y_soll)과 측정된 실제 밴드 폭(y_ist) 사이의 에러(Δy)가 그리고 측정된 곡선(f_ist)과 에러(Δy)로부터 설정 곡선(f_soll)이, 여기서는 7개의 미리 주어진 지지점 j(=0...6)에서 계산된다. 설정 곡선(f_soll)의 지지값(f_soll,j)의 계산은 모든 업셋 패스(i)에 대한 가산에 의해 이루어진다; 즉, 설정 곡선(f_soll)은 개별 업셋 패스(i)의 설정 곡선 f_soll(i)의 합이다.

신경 회로망(142)은 밴드(4)의 통과 후에 밀 트레인(3)에 의해 그것에 공급되는 사후 계산된 프로세스 파라미터(x_nach)를 기초로 보정값 a₁(i) 및 a₂(i)에 대한 예측을 제공하고, 유닛(21)에서 상기 보정값으로부터 지지점(j)에서 모든 업셋 패스에 대한 가산시 예측된 보정값 a₁(i) 및 a₂(i)으로부터 얻어지는 예측된 합계 곡선(f)의 지지값(f_j)이 계산된다.

유닛(22)에서 합계 설정 곡선(f_soll)의 지지값(f_soll,j)과 예측된 합계 곡선(f)의 지지값(f_j)의 비교에 의해, 에러(Δf_j=f_soll,j-f_j)가 검출된다. 부가의 유닛(23)에서 상기 에러(Δf_j)로부터 모든 지지점에 걸쳐 가산된 2차 에러

가 형성되고, 상기 에러는 기울기 강하 방법에 따라 신경 회로망(142)을 적응시키기 위해 사용된다.

전술한 바와 같이, 도 1에 도시되 실시예의 밀 트레인(3)으로는 분괴 트레인이 사용된다. 밴드 폭에 대한 후속하는 처리 라인, 예컨대 피니싱 트레인 및 냉각 구간의 영향을 고려하기 위해, 밴드 폭이 냉각 구간의 끝에서 측정되고 곡선 파라미터(s)의 검출을 위해 장치(13)에 공급된다.

Claims

밴드 단부의 통과시 미리 주어진 파라미터(s)로 표시되는 곡선(f)에 따라 업세팅 롤러(6)를 조절함으로써 밀 트레인(3)을 통과하는 밴드(4)의 단부에서 밴드 폭(y)을 최적화하기 위한 방법으로서, 밀링 공정의 파라미터(x_nach) 및 곡선(f_ist)의 파라미터(s_ist)를 기초로 신경 회로망(140)에 의해 밴드 폭(y)에 대한 예측이 주어지고, 예측된 밴드 폭(y)과 측정된 실제 밴드 폭(y_ist) 사이의 에러(Δy)가 에러(Δy)를 감소시키는 방향으로 신경 회로망(140)을 적응시키기 위해 사용되며, 적응된 신경 회로망(140)에 의해 반복적으로 곡선(f)의 파라미터(s)에 대한 최상의 값(s_opt)이 검출되고, 상기 값에 대해 예측된 밴드 폭(y)은 미리 주어진 설정 밴드 폭(y_soll)과의 최소의 편차를 가지며 상기 편차에 따라 업세팅 롤러(6)가 조절되는 것을 특징으로 하는 방법.
밴드 단부의 통과시 미리 주어진 파라미터(s)로 표시되는 곡선(f)에 따라 업세팅 롤러(6)를 조절함으로써 밀 트레인(3)을 통과하는 밴드(4)의 단부에서 밴드 폭(y)을 최적화하기 위한 방법으로서, 밀링 공정의 파라미터(x_nach) 및 측정된 실제 밴드 폭(y_ist)을 기초로 신경 회로망(141)에 의해 곡선(f)의 파라미터(s)에 대한 예측이 주어지고, 곡선(f)의 예측된 파라미터(s)와, 업세팅 롤러(6)를 조절한 곡선(f_ist)의 실제 파라미터(s_ist) 사이의 에러(Δs)가 에러(Δs)를 감소시키는 방향으로 신경 회로망(141)을 적응시키기 위해 사용되며, 적응된 신경 회로망(141)에 의해 밀링 공정의 파라미터(x)와 미리 주어진 설정 밴드 폭(y_soll)을 기초로 곡선(f)의 파라미터(s)에 대한 최상의 값(s_opt)이 검출되고, 상기 값에 따라 업세팅 롤러(6)가 조절되는 것을 특징으로 하는 방법.
밴드 단부의 통과시 미리 주어진 파라미터(s)로 표시되는 곡선(f)에 따라 업세팅 롤러(6)를 조절함으로써 밀 트레인(3)을 통과하는 밴드(4)의 단부에서 밴드 폭(y)을 최적화하기 위한 방법으로서, 밀링 공정의 파라미터(x_nach)를 기초로 그리고 업세팅 롤러(6)를 조절한 곡선(f_ist)의 실제 파라미터(s_ist)를 기초로 신경 회로망(140)에 의해 밴드 폭(y)에 대한 예측이 주어지고, 예측된 밴드 폭(y)과 측정된 실제 밴드 폭(y_ist) 사이의 에러(Δy)가 에러(Δy)를 감소시키는 방향으로 제 1 신경 회로망(140)을 적응시키기 위해 사용되며, 또한 밀링 공정의 파라미터(x) 및 미리 주어진 설정 밴드 폭(y_soll)을 기초로 제 2 신경 회로망(141)에 의해 업세팅 롤러를 조절하는 곡선(f)의 파라미터(s)에 대한 최상의 값에 대한 예측이 주어지고, 설정 밴드 폭(y_soll)과 실제 측정된 밴드 폭(y_ist) 사이의 에러(Δy)가 적응된 제 1 신경 회로망(140)에 의해 역으로 전파되고 에러(Δy)를 감소시키는 방향으로 제 2 신경 회로망(141)을 적응시키기 위해 사용되는 것을 특징으로 하는 방법.
밴드 단부의 통과시 미리 주어진 파라미터(s)로 표시되는 곡선(f)에 따라 업세팅 롤러(6)를 조절함으로써 밀 트레인(3)을 통과하는 밴드(4)의 단부에서 밴드 폭(y)을 최적화하기 위한 방법으로서, 밀링 공정의 파라미터(x)를 기초로 신경 회로망(142)에 의해 업세팅 롤러(6)를 조절하는 곡선(f)의 파라미터(s)에 대한 최상의 값에 대한 예측이 주어지고, 측정된 곡선(f_ist)으로 부터 그리고 미리 주어진 설정 밴드 폭(y_soll)과 측정된 실제 밴드 폭(y_ist) 사이의 에러로부터 설정 곡선(f_soll)이 검출되며, 곡선(f)의 파라미터(s)에 대한 예측된 최상의 값과 설정 곡선(f_soll)으로부터 검출된 관련 파라미터(s_soll) 사이의 에러(Δs) 또는 곡선(f)의 파라미터(s)에 대한 예측된 최상의 값으로부터 결정된 예측된 곡선과 설정 곡선(f_soll) 사이의 에러가 상기 에러를 줄이는 방향으로 신경 회로망(142)을 적응시키기 위해 사용되는 것을 특징으로 하는 방법.
상기 항들 중 어느 한 항에 있어서, 밴드 헤드 및 밴드 푸트에 대해 별도의 신경 회로망이 사용되는 것을 특징으로 하는 방법.
상기 항들 중 어느 한 항에 있어서, 밴드 단부의 통과시 마다 업세팅 롤러(6)를 조절하기 위한 곡선(f)이 2개의 직선 섹션으로 이루어지고, 상기 섹션은 2개의 보정값(a₁, a₂) 및 밴드 종방향으로 2개의 종방향 좌표(l₁, l₂)에 의해 규정되며, 상기 종방향 좌표(l₁, l₂)는 경험값으로서 미리 주어지고 보정값(a₁, a₂)은 곡선(f)의 파라미터를 형성하는 것을 특징으로 하는 방법.
상기 항들 중 어느 한 항에 있어서, 동일한 밴드의 연속하는 통과에 대해 별도의 신경 회로망이 사용되는 것을 특징으로 하는 방법.
제 1항 내지 6항 중 어느 한 항에 있어서, 동일한 밴드의 고정적으로 미리 정해진 수의 연속하는 패스에 대해 하나의 동일한 신경 회로망(142)이 사용되는 것을 특징으로 하는 방법.
상기 항들 중 어느 한 항에 있어서, 프로세스 파라미터(x, x_nach)로서 매 통과(i) 후 밴드 폭(b(i)), 밴드 두께(d(i)) 및 밴드 온도(T(i)), 매 통과(i) 시 밴드(4)의 폭 감소(Δb(i)) 및 두께 감소(Δd(i)) 및 밴드 재료의 변형 저항에 대한 척도(계수 α)가 사용되는 것을 특징으로 하는 방법.