KR20140103806A - 압연 프로세스의 학습 제어 장치 - Google Patents

압연 프로세스의 학습 제어 장치 Download PDF

Info

Publication number
KR20140103806A
KR20140103806A KR1020130076336A KR20130076336A KR20140103806A KR 20140103806 A KR20140103806 A KR 20140103806A KR 1020130076336 A KR1020130076336 A KR 1020130076336A KR 20130076336 A KR20130076336 A KR 20130076336A KR 20140103806 A KR20140103806 A KR 20140103806A
Authority
KR
South Korea
Prior art keywords
learning coefficient
target point
learning
value
coefficient
Prior art date
Application number
KR1020130076336A
Other languages
English (en)
Other versions
KR101451516B1 (ko
Inventor
나오히로 쿠보
Original Assignee
도시바 미쓰비시덴키 산교시스템 가부시키가이샤
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 filed Critical 도시바 미쓰비시덴키 산교시스템 가부시키가이샤
Publication of KR20140103806A publication Critical patent/KR20140103806A/ko
Application granted granted Critical
Publication of KR101451516B1 publication Critical patent/KR101451516B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B21B37/16—Control of thickness, width, diameter or other transverse dimensions
    • B21B37/24—Automatic variation of thickness according to a predetermined programme
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B21B37/46—Roll speed or drive motor control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B21B37/58—Roll-force control; Roll-gap control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B21B37/74—Temperature control, e.g. by cooling or heating the rolls or the product

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Metal Rolling (AREA)
  • Feedback Control In General (AREA)

Abstract

본 발명은 압연 프로세스의 설정 계산에서의 예측치의 정밀도를 향상시킨다. 학습 제어 장치(5)는, 순시치 계산 수단(10), 전후점 비교 수단(13), 갱신 게인 계산 수단(17)를 구비한다. 순시치 계산 수단(10)은, 압연재(1)의 목표점에서의 실적 데이터 및 목표점의 부근에 설정된 보조목표점에서의 실적 데이터를 이용하여 학습 계수를 계산한다. 전후점 비교 수단(13)은, 순시치 계산 수단(10)에 의해 계산된 목표점의 학습 계수 및 보조목표점의 학습 계수를 비교하여, 목표점의 학습 계수에 포함되는 노이즈의 유무를 판정한다. 갱신 게인 계산 수단(17)은, 전후점 비교 수단(13)에 의해 판정된 노이즈의 유무에 의거하여, 학습 계수의 갱신 게인을 계산한다.

Description

압연 프로세스의 학습 제어 장치{LEARNING CONTROL APPARATUS OF ROLLING PROCESS}
본 발명은, 압연 프로세스의 제어에서 사용되는 학습 제어 장치에 관한 것이다.
압연 프로세스의 제어에서는, 제조 완료시의 압연재가 소망하는 치수 및 소망하는 온도가 되도록, 각 설비를 구동한다. 압연 프로세스의 제어는, 일반적으로, 설정 제어와 다이내믹 제어로 이루어진다. 설정 제어는, 특히, 압연 초기에 행하여진다. 또한, 압연이 시작되고 충분한 실적 데이터가 얻어지면, 설정 제어로부터 다이내믹 제어로 이행된다.
설정 제어에서는, 압연 현상을 모델식에 의해 예측한다. 즉, 설정 제어에서는, 모델식에 의해 얻어진 예측치에 의거하여, 압연 설비의 액추에이터 등의 설정치를 결정한다. 결정하는 설정치의 예로서, 예를 들면, 압연 속도, 냉각수의 수량, 압연기의 롤 갭 등을 들 수 있다.
압연 프로세스에서 일어나는 물리 현상을 모델식에 의해 완전하게 표현할 수는 없다. 또한, 계산 부하의 경감 및 조정의 편리성을 우선하여, 모델식이 간소화되는 것도 있다. 이 때문에, 모델식에 의해 얻어진 예측치와 실제로 얻어진 값(실적치)에는 편차가 발생한다.
종래로부터, 모델식에 학습항을 마련하여, 학습항에 반영시키는 학습 계수를 실적 데이터에 의거하여 갱신하는 것이 행하여지고 있다. 이와 같은 학습 제어에서는, 사용하는 학습 계수의 값(사용치)를 정밀도 좋게 고응답으로 추종시키는 것이 중요해진다. 그러나, 모델식의 오차가 어떤 요인에 기인하여 발생하고 있는지를 정확하게 파악하는 것은 어렵다. 또한, 학습 제어에서 사용되는 실적 데이터 자체에도 오차가 포함된다. 이 때문에, 얻어진 학습 계수(순시치(瞬時値))를, 그대로 학습 계수의 사용치로서 채용할 수는 없다.
그래서, 일반적으로는, 학습 계수(순시치)를, 평활 필터를 통하고 나서 갱신치에 반영시키는 것이 행하여지고 있다. 이하에, 그 예를 표시한다.
Znew=Zuse×(1-α1)+Zcur×α1
여기서,
Znew : 학습 계수(갱신치)
Zuse : 학습 계수(전회치(前回値))
Zcur : 학습 계수(순시치)
α1 : 학습 계수의 갱신 게인(예를 들면, 필터의 시정수)
이다.
학습 계수의 갱신 게인(α1)은, 일반적으로는, 조정 가능한 정수로서 기억된다. 갱신 게인(α1)에 의해, 학습 제어에서의 내(耐)노이즈성(또는, 내외란성(耐外亂性))과 추종성과의 밸런스가 조정된다. 즉, 갱신 게인(α1)을 0에 가까운 값으로 설정하면, 내노이즈성은 향상하지만, 추종성은 저하된다. 갱신 게인(α1)을 1에 가까운 값으로 설정하면, 내노이즈성은 저하되지만, 추종성은 향상한다.
이에 대해, 특허 문헌 1에, 내노이즈성과 추종성을 동시에 향상시키기 위한 장치가 제안되어 있다.
일본 특개2009-116759호 공보
특허 문헌 1에 기재된 장치에서는, 학습 제어의 추종성을 향상시키기 위해, 평활 필터를 사용하여 학습 계수의 갱신치를 산출하고 있다.
Zrp(i)=(1-α2)×Zrp(i-1)+α2×E(i-1)
여기서,
α2 : 시정수 파라미터
Zrp(i-1) : 동일 구간에서의 전회 출력
E(i-1) : 오차
이다.
또한, 학습 제어의 내노이즈성을 향상시키기 위해, 이전에 제조된 복수의 재(材)의 학습 계수에 의거하여 학습 계수의 경향을 회귀 계산에 의해 구하여, 학습 계수의 갱신치로 하고 있다.
Znz(i)=p1×(i)+p2
여기서,
p1 : 과거의 복수의 학습 계수(순시치)를 1차식으로 회귀한 때의 계수
p2 : 과거의 복수의 학습 계수(순시치)를 1차식으로 회귀한 때의 계수(절편)
이다.
또한, 과거의 학습 계수의 거동을 감시하고, 그 거동에 응하여, 내노이즈성 및 추종성의 어느것을 우선하는지 무게 계수(wk)로서 산출한다. 최종적인 학습 계수의 갱신치는, 다음 식에 의해 구하여진다.
L(i)=wk×Zrp(i)+(1-wk)×Znz(i)
특허 문헌 1에 기재된 것에서는, 이전에 제조된 복수의 재의 학습 계수에 의거하여, 현재 압연하고 있는 재의 학습 계수에 노이즈가 포함되어 있는지의 여부를 판단하고 있다. 이 때문에, 과거의 재의 학습 계수에 이미 노이즈가 포함되어 있는 경우는, 내노이즈성을 향상시킬 수가 없다.
또한, 시정수 파라미터(α2)가 고정치이기 때문에, 추종성은 일정하게 된다. 제어 결과의 오차가 크고 학습 계수가 크게 변화한 경우에, 충분한 추종성을 얻을 수가 없다는 문제가 있다.
본 발명은, 상술한 바와 같은 과제를 해결하기 위해 이루어진 것으로, 그 목적은, 적어도 학습 제어의 내노이즈성을 향상시킴에 의해, 설정 계산에서의 예측치의 정밀도를 향상시킬 수 있는 압연 프로세스의 학습 제어 장치를 제공하는 것이다.
또한, 다른 목적은, 학습 제어의 내노이즈성과 추종성과의 쌍방을 향상시킴에 의해, 설정 계산에서의 예측치의 정밀도를 향상시킬 수 있는 압연 프로세스의 학습 제어 장치를 제공하는 것이다.
본 발명에 관한 압연 프로세스의 학습 제어 장치는, 압연 프로세스의 설정 계산에서 설정치의 정밀도를 향상시키기 위해 사용되는 학습 계수를 갱신하기 위한 학습 제어 장치로서, 압연재의 목표점에서의 실적 데이터 및 목표점의 부근에 설정된 보조목표점에서의 실적 데이터를 이용하여 학습 계수를 계산하는 제1 계산 수단과, 제1 계산 수단에 의해 계산된 목표점의 학습 계수 및 보조목표점의 학습 계수를 비교하여, 목표점의 학습 계수에 포함되는 노이즈의 유무를 판정하는 제1 비교 수단과, 제1 비교 수단에 의해 판정된 노이즈의 유무에 의거하여, 학습 계수의 갱신 게인을 계산하는 제2 계산 수단을 구비한 것이다.
또한, 본 발명에 관한 압연 프로세스의 학습 제어 장치는, 압연재의 목표점의 학습 계수 및 과거재의 대응하는 학습 계수를 비교하는 제2 비교 수단을 또한 구비하고, 제2 계산 수단은, 제1 비교 수단에 의해 노이즈 없음이 판정된 경우에, 제2 비교 수단의 비교 결과에 의거하여 학습 계수의 갱신 게인을 설정하고, 제1 계산 수단에 의해 계산된 목표점의 학습 계수를 갱신치에 반영시키는 것이다.
본 발명에 관한 학습 제어 장치라면, 압연 프로세스의 설정 계산에서의 예측치의 정밀도를 향상시킬 수 있다.
도 1은 본 발명의 실시의 형태 1에서의 압연 프로세스의 학습 제어 장치의 구성을 도시하는 도면.
도 2는 본 발명의 실시의 형태 2에서의 압연 프로세스의 학습 제어 장치의 구성을 도시하는 도면.
첨부한 도면을 참조하여, 본 발명을 상세히 설명한다. 각 도면에서는, 동일 또는 상당하는 부분에, 동일한 부호를 붙이고 있다. 중복된 설명은, 적절히 간략화 또는 생략한다.
실시의 형태 1.
도 1은 본 발명의 실시의 형태 1에서의 압연 프로세스의 학습 제어 장치의 구성을 도시하는 도면이다.
도 1에서, 1은 압연 라인을 흐르는 압연재이다. 압연 라인에서, 압연재(1)는, 소망하는 치수 및 소망하는 온도가 되도록 압연기에 의해 압연된다. 상술한 바와 같이, 압연 프로세스의 제어에서는, 설정 제어와 다이내믹 제어가 행하여진다.
설정 계산 수단(2)은, 압연 프로세스의 설정 계산을 행한다. 즉, 설정 계산 수단(2)은, 설정 제어에서, 소정의 모델식을 사용하여 압연 설비의 액추에이터 등의 설정치를 결정한다. 설정 계산 수단(2)이 결정하는 설정치에는, 예를 들면, 압연 속도, 냉각수의 수량, 압연기의 롤 갭 등이 있다. 모델식으로부터 얻어지는 설정치(예측치)와 실제로 압연이 행하여진 때에 얻어지는 값(실적치)과의 사이에는, 편차가 발생한다. 이 때문에, 설정 계산에서는, 설정치의 정밀도를 향상시키기 위해 학습 계수가 사용된다. 이에 의해, 압연 현상의 예측 정밀도의 향상과 조업의 안정화가 도모된다.
판독 수단(3)은, 학습 계수(사용치)를 기억 수단(4)으로부터 판독한다. 기억 수단(4)에, 압연재(1)의 종류별마다의 학습 계수(사용치)가 기억된다. 판독 수단(3)은, 현재 압연이 행하여지고 있는 압연재(1)(이하, 「현재재」라고도 한다)의 종류별에 맞추어서, 적절한 학습 계수를 기억 수단(4)으로부터 판독한다. 설정 계산 수단(2)은, 판독 수단(3)에 의해 판독된 학습 계수를 모델식의 학습항에 반영시켜서, 설정치의 계산을 행한다.
학습 제어 장치(5)는, 기억 수단(4)에 기억되어 있는 학습 계수를 갱신하기 위한 장치이다. 학습 제어 장치(5)는, 기억 수단(4) 외에, 실적 데이터 수집 수단(6), 실적 데이터 편집 수단(7), 기억 수단(8), 실적 재계산 수단(9), 순시치 계산 수단(10), 정상 판정 수단(11), 기억 수단(12), 전후점 비교 수단(13), 기억 수단(14), 시계열 비교 수단(15), 기억 수단(16), 갱신 게인 계산 수단(17), 갱신치 계산 수단(18)를 구비한다.
실적 데이터 수집 수단(6)은, 압연재(1)의 목표점과 보조목표점에서, 실적 데이터를 수집한다. 실적 데이터에는, 압연중의 프로세스 데이터와 압연 완료 후의 데이터(결과)가 포함된다.
압연재(1)에는, 실적 데이터를 수집하기 위한 목표점과 보조목표점이 미리 설정된다. 목표점은, 예를 들면, 압연재(1)의 선단부에 설정된다. 목표점의 위치는, 압연재(1)의 중간부나 미단부(尾端部)에 설정하여도 좋다. 압연재(1)의 복수의 위치에, 목표점을 설정하여도 좋다. 그러나, 설정 제어가 압연 초기에 행하여지는 것을 고려하면, 압연재(1)의 선단부에 목표점을 설정하는 것이 알맞다.
보조목표점은, 목표점의 부근에 설정된다. 도 1에는, 목표점의 전후(압연재(1)의 선단측 및 미단측)에 각각 2개소의 보조목표점을 설정하는 경우를 한 예로서 나타내고 있다. 보조목표점의 위치는, 상기로 한정되는 것이 아니다. 보조목표점을 목표점의 앞측에만(또는, 후측에만) 설정하여도 좋다. 보조목표점을 목표점의 전후에 1개소씩 설정하여도 좋다. 그러나, 학습 계수의 최적인 갱신을 행하는 것을 고려하면, 목표점의 전후에 각각 복수의 보조목표점을 설정하는 것이 알맞다.
실적 데이터 수집 수단(6)은, 압연재(1)의 어느 1점의 실적 데이터를 취득하여, 그 값을 목표점의 실적 데이터로 하여도 좋다. 또한, 실적 데이터 수집 수단(6)은, 압연재(1)의 어느 범위에 포함되는 복수점의 실적 데이터를 취득하고, 그 복수의 실적 데이터로부터 얻어진 값(예를 들면, 평균치)를 목표점의 실적 데이터로 하여도 좋다.
보조목표점의 실적 데이터에 관해서도 마찬가지이다.
실적 데이터 편집 수단(7)은, 실적 데이터 수집 수단(6)에 의해 취득된 실적 데이터를 편집한다. 예를 들면, 실적 데이터 편집 수단(7)은, 실적 데이터 수집 수단(6)에 의해 취득된 실적 데이터로부터 계측 노이즈를 제거한다. 또한, 실적 데이터 편집 수단(7)은, 실적 데이터 수집 수단(6)에 의해 취득된 실적 데이터로부터 이상치(異常値)를 제거한다. 기억 수단(8)에, 이상 판정 임계치가 기억된다. 실적 데이터 편집 수단(7)은, 실적 데이터 수집 수단(6)에 의해 취득된 실적 데이터와 기억 수단(8)에 기억된 이상 판정 임계치를 비교하여, 실적 데이터가 이상치에 해당하는지의 여부를 판정한다. 실적 데이터 편집 수단(7)은, 목표점에서 수집된 실적 데이터와 각 보조목표점에서 수집된 실적 데이터에 대해 마찬가지의 편집을 행한다.
실적 데이터 편집 수단(7)의 기능은, 필요에 응하여 부가하여도 좋다.
실적 재계산(再計算) 수단(9)은, 실적 재계산치를 산출한다. 실적 재계산 수단(9)은, 실적 재계산치를 계산할 때에, 실적 데이터 편집 수단(7)에 의해 편집된 실적 데이터와 설정 계산 수단(2)에서 사용되는 모델식을 사용한다.
설정 계산 수단(2)은, 모델식에 예측치를 대입하고, 설정 제어에서 사용하기 위한 설정치(예측치)를 얻는다. 이에 대해, 실적 재계산 수단(9)은, 모델식에 실적 데이터를 대입하고, 예측치를 얻는다. 모델식에 실적 데이터를 대입하여 얻어진 값(예측치)인 것을 실적 재계산치라고 부른다. 실적 재계산 수단(9)은, 목표점에서 수집된 실적 데이터에 의거하여, 목표점의 실적 재계산치를 계산한다. 또한, 실적 재계산 수단(9)은, 각 보조목표점에서 수집된 실적 데이터에 의거하여, 각 보조목표점의 실적 재계산치를 계산한다.
순시치 계산 수단(10)(제1 계산 수단)은, 학습 계수(순시치)를 산출한다. 순시치 계산 수단(10)은, 학습 계수(순시치)를 계산할 때에, 실적 데이터와 실적 재계산치를 사용한다.
예를 들면, 순시치 계산 수단(10)은, 우선, 실적 재계산 수단(9)으로부터, 상기 계산에 의해 얻어진 목표점의 실적 재계산치를 취득한다. 또한, 순시치 계산 수단(10)은, 실적 데이터 수집 수단(6)이 목표점에서 수집한 실적 데이터 중, 실적 재계산 수단(9)이 계산한 실적 재계산치에 대응하는 실적 데이터를, 실적 데이터 수집 수단(6)으로부터 취득한다. 순시치 계산 수단(10)은, 상기 취득한 목표점의 실적 재계산치와 목표점의 실적 데이터를 비교하여, 목표점의 학습 계수(순시치)(Zmain)를 계산한다. 학습 계수는, 예를 들면, 상기2개의 값의 비(比)를 이용하여 표시된다. 상기2개의 값의 차(差)를 이용하여 학습 계수를 나타내여도 좋다.
순시치 계산 수단(10)은, 각 보조목표점에 관해서도 마찬가지로, 실적 데이터와 실적 재계산치를 이용하여, 학습 계수(순시치)(Zsub(i))를 계산한다. i는 현재재의 보조목표점의 번호를 나타낸다. 본 실시의 형태에서는, 4개소의 보조목표점을 설정하고 있기 때문에, i=1, 2, 3, 4가 된다.
정상 판정 수단(11)은, 목표점의 학습 계수(순시치)(Zmain)가 정상적인 값인지의 여부를 판정한다. 기억 수단(12)에, 학습 계수의 상하한치가 기억된다. 정상 판정 수단(11)은, 순시치 계산 수단(10)에 의해 계산된 학습 계수(순시치)(Zmain)와 기억 수단(12)에 기억된 상하한치를 비교하여, 상기 판정을 행한다.
예를 들면, 상하한치로 규정되는 범위로부터 학습 계수(순시치)(Zmain)가 벗어나는 경우, 정상 판정 수단(11)은, 학습 계수(순시치)(Zmain)가 이상하다고 판정한다. 정상 판정 수단(11)은, 학습 계수(순시치)(Zmain)가 상한치를 초과하고 있으면, 학습 계수(순시치)(Zmain)를 상한치로 치환한다. 정상 판정 수단(11)은, 학습 계수(순시치)(Zmain)가 하한치를 하회하고 있으면, 학습 계수(순시치)(Zmain)를 하한치로 치환한다.
한편, 상하한치로 규정되는 범위에 학습 계수(순시치)(Zmain)가 들어가 있는 경우, 정상 판정 수단(11)은, 학습 계수(순시치)(Zmain)가 정상이라고 판정하다. 이러한 경우, 정상 판정 수단(11)은, 학습 계수(순시치)(Zmain)의 재기록 등은 행하지 않는다. 정상 판정 수단(11)은, 순시치 계산 수단(10)으로부터 입력된 학습 계수(순시치)(Zmain)를 그대로 출력한다.
정상 판정 수단(11)의 기능은, 필요에 응하여 부가하여도 좋다.
전후점 비교 수단(13)(제1 비교 수단)은, 순시치 계산 수단(10)에 의해 계산된 목표점의 학습 계수(순시치)(Zmain)와 보조목표점의 학습 계수(순시치)Zsub(i)를 비교한다.
예를 들면, 전후점 비교 수단(13)은, 우선, 보조목표점의 학습 계수(순시치)(Zsub(i=1 내지 4))의 평균치를 산출한다. 다음에, 전후점 비교 수단(13)은, 목표점의 학습 계수(순시치)(Zmain)와 상기 평균치와의 비를 산출한다. 이 때, 전후점 비교 수단(13)은, 비가 아니라 차를 산출하여도 좋다. 기억 수단(14)에, 비교 판정을 행하기 위한 상하한치가 기억된다. 전후점 비교 수단(13)은, 상기 산출한 비(또는, 차)와 기억 수단(14)에 기억되어 있는 상하한치를 비교하여, 학습 계수(순시치)(Zmain)에 포함되는 노이즈의 유무를 판정한다.
예를 들면, 상기 산출한 비의 값이 상하한치로 규정되는 범위로부터 벗어나는 경우, 전후점 비교 수단(13)은, 학습 계수(순시치)(Zmain)를 산출하기 위해 사용한 실적 데이터에 노이즈가 포함되어 있다고 판정한다. 즉, 전후점 비교 수단(13)은, 학습 계수(순시치)(Zmain)가 이상하다고 판정한다.
한편, 상기 산출한 비의 값이 상하한치로 규정되는 범위에 들어가 있는 경우, 전후점 비교 수단(13)은, 학습 계수(순시치)(Zmain)를 산출하기 위해 사용한 실적 데이터에 노이즈가 포함되어 있지 않다고 판정한다. 즉, 전후점 비교 수단(13)은, 학습 계수(순시치)(Zmain)가 정상이라고 판정한다.
전후점 비교 수단(13)은, 노이즈 없음을 판정하면, 그 판정 결과를 γ로서 수치화하여 출력한다. γ는, 예를 들면, 이하와 같이 수치화된다.
학습 계수(순시치)(Zmain)에 노이즈가 포함되지 않은 경우 : γ=1.0
학습 계수(순시치)(Zmain)에 노이즈가 포함되어 있는 경우 : γ=0.0
시계열 비교 수단(15)(제2 비교 수단)은, 현재재의 목표점의 학습 계수(순시치)(Zmain)와 현재재 전(前)에 압연이 행하여진 압연재(이하, 「과거재」라고도 한다)에서의 동일점(목표점)의 학습 계수(순시치)(Zmain_old(j))를 비교한다. 기억 수단(16)에, 과거재의 학습 계수(순시치)(Zmain_old(j))가 기억된다. j는 과거재의 번호를 나타낸다. 예를 들면, Zmain_old(1)는, 현재재와 동종의 과거재중, 현재재의 직전에 압연된 것의 목표점의 학습 계수(순시치)이다.
예를 들면, 시계열 비교 수단(15)은, 현재재와 동종의 과거재중, 현재재의 가장 가까운 때에 압연된 복수의 것의 목표점의 학습 계수(순시치)(Zmain_old(j=1 내지 m))를, 기억 수단(16)으로부터 취득한다. 시계열 비교 수단(15)은, 취득한 목표점의 학습 계수(순시치)(Zmain_old(j=1 내지 m))의 평균치를 산출한다. 다음에, 시계열 비교 수단(15)은, 상기 평균치에 대한 현재재의 목표점의 학습 계수(순시치)(Zmain)의 변화량을 산출한다. 예를 들면, 시계열 비교 수단(15)은, 현재재의 목표점의 학습 계수(순시치)(Zmain)와 상기 평균치와의 비를 산출한다. 시계열 비교 수단(15)은, 비가 아니라 차를 산출하여도 좋다.
갱신 게인 계산 수단(17)(제2 계산 수단)은, 학습 계수의 갱신 게인을 산출한다. 구체적으로, 갱신 게인 계산 수단(17)은, 평활 계수(α)를 산출한다. 갱신 게인 계산 수단(17)은, 전후점 비교 수단(13)에 의해 판정된 노이즈의 유무(즉, γ의 값)와 시계열 비교 수단(15)의 비교 결과에 의거하여, 평활 계수(α)의 계산을 행한다. 예를 들면, 갱신 게인 계산 수단(17)은, 다음 식에 의해 평활 계수(α)를 계산한다.
Figure pat00001
α0는, 종래 방식에 의해 도출된 평활 계수의 기준치이다. α0로서, 예를 들면, 고정치가 채용된다. 또한, β=0.0 내지 1.0이다.
갱신치 계산 수단(18)은, 목표점의 학습 계수(갱신치)를 계산한다. 예를 들면, 갱신치 계산 수단(18)은, 갱신 게인 계산 수단(17)에 의해 산출된 평활 계수(α)를 사용하고, 다음 식에 의해 상기 계산을 행한다.
Znew=Zold×(1-α)+Zcur×α
여기서,
Znew : 학습 계수(갱신치)
Zold : 학습 계수(사용치)
Zcur : 학습 계수(순시치)
이다. 갱신치 계산 수단(18)은, 기억 수단(4)으로부터 학습 계수(사용치)(Zold)를 취득한다. 갱신치 계산 수단(18)은, 정상 판정 수단(11)으로부터 학습 계수(순시치)(Zcur)를 취득한다. 갱신치 계산 수단(18)은, 위 식에 의해 학습 계수(갱신치)(Znew)를 산출하면, 얻어진 값을 기억 수단(4)에 기억시키고, 그 기억 내용을 갱신한다.
상기 구성을 갖는 학습 제어 장치(5)라면, 압연 프로세스의 설정 계산에서의 예측치의 정밀도를 향상시킬 수 있다. 이 때문에, 제품의 품질 정밀도 및 조업의 안정성을 개선시킬 수 있다.
예를 들면, 전후점 비교 수단(13)에 의해 노이즈 있음이 판정되면, 전후점 비교 수단(13)의 출력(γ)이 0이 된다. 평활 계수(α)가 0이 되고, 갱신 게인 계산 수단(17)은, 갱신 게인을 0으로 설정한다. 순시치 계산 수단(10)에 의해 계산된 학습 계수(순시치)(Zmain)는, 학습 계수의 갱신치에 반영되지 않는다. 이 때문에, 내노이즈성에 우수한 학습 제어를 제공할 수 있다.
한편, 전후점 비교 수단(13)에 의해 노이즈 없음이 판정되면, 갱신 게인 계산 수단(17)은, 시계열 비교 수단(15)의 비교 결과에 의거하여 갱신 게인을 설정한다. 구체적으로는, 학습 계수가 과거의 것과 비교하여 크게 변화하고 있는 경우는, β의 값이 커지고, 학습 계수는 순시치에 무게를 두고 갱신된다. 즉, 갱신 게인 계산 수단(17)은, 시계열 비교 수단(15)에 의해 계산된 변화량이 커질수록, 순시치 계산 수단(10)에 의해 계산된 학습 계수(순시치)(Zmain)가 갱신치에 크게 반영되도록, 갱신 게인을 설정한다. 이 때문에, 추종성에 우수한 학습 제어를 제공할 수 있다.
실시의 형태 2.
도 2는 본 발명의 실시의 형태 2에서의 압연 프로세스의 학습 제어 장치의 구성을 도시하는 도면이다. 본 실시의 형태에서의 학습 제어 장치(5)는, 시계열 비교 수단(15) 및 기억 수단(16)를 구비하지 않는 점에서, 도 1에 도시하는 학습 제어 장치(5)라고 상위하다. 학습 제어 장치(5)의 다른 구성 및 학습 제어 장치(5) 이외의 구성은, 도 1에 도시하는 구성과 같다.
도 2에 도시하는 학습 제어 장치(5)에서는, 전후점 비교 수단(13)에 의해 노이즈 있음이 판정된 경우는, 도 1에 도시하는 학습 제어 장치(5)와 같은 제어를 행한다.
한편, 전후점 비교 수단(13)에 의해 노이즈 없음이 판정된 경우는, 갱신 게인 계산 수단(17)은, 갱신 게인을 정수(定數)로 설정한다. 이 때문에, 순시치 계산 수단(10)에 의해 계산된 학습 계수(순시치)(Zmain)가, 일정한 비율로 갱신치에 반영된다.
본 실시의 형태에서의 학습 제어 장치(5)라면, 과거재의 학습 계수를 보존하여 둘 필요가 없다. 이 때문에, 학습 제어 장치(5) 내의 기억 영역을 대폭적으로 저감시킬 수 있다. 학습 제어 장치(5)의 구성을 간소화할 수 있고, 용이하게 실시할 수 있게 된다.
1 : 압연재
2 : 설정 계산 수단
3 : 판독 수단
4, 8, 12, 14, 16 : 기억 수단
5 : 학습 제어 장치
6 : 실적 데이터 수집 수단
7 : 실적 데이터 편집 수단
9 : 실적 재계산 수단
10 : 순시치 계산 수단
11 : 정상 판정 수단
13 : 전후점 비교 수단
15 : 시계열 비교 수단
17 : 갱신 게인 계산 수단
18 : 갱신치 계산 수단

Claims (5)

  1. 압연 프로세스의 설정 계산에서 설정치의 정밀도를 향상시키기 위해 사용되는 학습 계수를 갱신하기 위한 학습 제어 장치로서,
    압연재의 목표점에서의 실적 데이터 및 상기 목표점의 부근에 설정된 보조목표점에서의 실적 데이터를 이용하여 학습 계수를 계산하는 제1 계산 수단과,
    상기 제1 계산 수단에 의해 계산된 상기 목표점의 학습 계수 및 상기 보조목표점의 학습 계수를 비교하여, 상기 목표점의 학습 계수에 포함되는 노이즈의 유무를 판정하는 제1 비교 수단과,
    상기 제1 비교 수단에 의해 판정된 노이즈의 유무에 의거하여, 학습 계수의 갱신 게인을 계산하는 제2 계산 수단을 구비한 것을 특징으로 하는 압연 프로세스의 학습 제어 장치.
  2. 제1항에 있어서,
    상기 제2 계산 수단은, 상기 제1 비교 수단에 의해 노이즈 있음이 판정된 경우에, 학습 계수의 갱신 게인을 0으로 설정하고, 상기 제1 계산 수단에 의해 계산된 상기 목표점의 학습 계수를 갱신치에 반영시키지 않는 것을 특징으로 하는 압연 프로세스의 학습 제어 장치.
  3. 제1항 또는 제2항에 있어서,
    상기 제2 계산 수단은, 상기 제1 비교 수단에 의해 노이즈 없음이 판정된 경우에, 학습 계수의 갱신 게인을 정수로 설정하고, 상기 제1 계산 수단에 의해 계산된 상기 목표점의 학습 계수를 일정한 비율로 갱신치에 반영시키는 것을 특징으로 하는 압연 프로세스의 학습 제어 장치.
  4. 제1항 또는 제2항에 있어서,
    상기 압연재의 상기 목표점의 학습 계수 및 과거재의 대응하는 학습 계수를 비교하는 제2 비교 수단을 또한 구비하고,
    상기 제2 계산 수단은, 상기 제1 비교 수단에 의해 노이즈 없음이 판정된 경우에, 상기 제2 비교 수단의 비교 결과에 의거하여 학습 계수의 갱신 게인을 설정하고, 상기 제1 계산 수단에 의해 계산된 상기 목표점의 학습 계수를 갱신치에 반영시키는 것을 특징으로 하는 압연 프로세스의 학습 제어 장치.
  5. 제4항에 있어서,
    상기 제2 비교 수단은, 과거재의 학습 계수에 대한 상기 압연재의 상기 목표점의 학습 계수의 변화량을 계산하고,
    상기 제2 계산 수단은, 상기 제1 비교 수단에 의해 노이즈 없음이 판정된 경우에, 상기 제2 비교 수단에 의해 계산된 변화량이 커질수록, 상기 제1 계산 수단에 의해 계산된 상기 목표점의 학습 계수가 갱신치에 크게 반영되도록, 학습 계수의 갱신 게인을 설정하는 것을 특징으로 하는 압연 프로세스의 학습 제어 장치.
KR1020130076336A 2013-02-19 2013-07-01 압연 프로세스의 학습 제어 장치 KR101451516B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2013030209A JP5939175B2 (ja) 2013-02-19 2013-02-19 圧延プロセスの学習制御装置
JPJP-P-2013-030209 2013-02-19

Publications (2)

Publication Number Publication Date
KR20140103806A true KR20140103806A (ko) 2014-08-27
KR101451516B1 KR101451516B1 (ko) 2014-10-15

Family

ID=51305126

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130076336A KR101451516B1 (ko) 2013-02-19 2013-07-01 압연 프로세스의 학습 제어 장치

Country Status (3)

Country Link
JP (1) JP5939175B2 (ko)
KR (1) KR101451516B1 (ko)
CN (1) CN103990650B (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109857157A (zh) * 2019-01-22 2019-06-07 中南大学 一种区域性加压泵站进水流量调度方法
KR20190078338A (ko) * 2017-12-26 2019-07-04 주식회사 포스코 열연 공정에서의 캠버 제어 장치
KR20200078418A (ko) * 2018-12-19 2020-07-01 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 압연 프로세스의 학습 제어 장치

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101832653B1 (ko) 2014-02-17 2018-02-26 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 압연 프로세스의 학습 제어 장치
JP6233272B2 (ja) * 2014-10-23 2017-11-22 Ｊｆｅスチール株式会社 被圧延材の形状制御装置および形状制御方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5288253A (en) * 1976-01-19 1977-07-23 Nippon Kokan Kk Learning controller for controlling tension in tandem tolling
JPH07200005A (ja) * 1993-12-28 1995-08-04 Mitsubishi Electric Corp 学習制御方法
JPH1031505A (ja) * 1996-07-16 1998-02-03 Mitsubishi Electric Corp プロセスラインの学習制御方法
JP4119684B2 (ja) 2002-05-27 2008-07-16 東芝三菱電機産業システム株式会社 圧延機設定計算装置用学習制御装置
EP1608472B1 (en) * 2003-03-28 2016-09-07 Tata Steel Limited A system for on-line property prediction for hot rolled coil in a hot strip mill
CN1270838C (zh) * 2003-08-29 2006-08-23 东北大学 金属板带轧制自动控制工艺参数的优化方法
JP4543684B2 (ja) * 2004-01-16 2010-09-15 住友金属工業株式会社 学習制御方法
JP2009113101A (ja) * 2007-11-09 2009-05-28 Jfe Steel Corp 圧延荷重の学習制御方法および装置、ならびに鋼板の製造方法
JP2009116759A (ja) * 2007-11-09 2009-05-28 Jfe Steel Corp プロセスラインにおける制御モデル学習方法および装置、ならびに鋼板の製造方法
CN101869914B (zh) * 2009-04-22 2012-03-28 宝山钢铁股份有限公司 一种精轧带钢的厚度控制方法及装置
JP5759206B2 (ja) 2011-03-01 2015-08-05 東芝三菱電機産業システム株式会社 学習係数制御装置
CN102303050B (zh) * 2011-06-03 2013-07-17 攀钢集团有限公司 一种粗轧宽度自学习的方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190078338A (ko) * 2017-12-26 2019-07-04 주식회사 포스코 열연 공정에서의 캠버 제어 장치
KR20200078418A (ko) * 2018-12-19 2020-07-01 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 압연 프로세스의 학습 제어 장치
CN109857157A (zh) * 2019-01-22 2019-06-07 中南大学 一种区域性加压泵站进水流量调度方法

Also Published As

Publication number Publication date
CN103990650A (zh) 2014-08-20
JP5939175B2 (ja) 2016-06-22
JP2014159036A (ja) 2014-09-04
CN103990650B (zh) 2016-06-08
KR101451516B1 (ko) 2014-10-15

Similar Documents

Publication Publication Date Title
KR101451516B1 (ko) 압연 프로세스의 학습 제어 장치
KR101832653B1 (ko) 압연 프로세스의 학습 제어 장치
US11554448B2 (en) Machining condition adjustment apparatus and machine learning device
CN108958161B (zh) 一种五轴刀具轨迹的b样条拟合方法
KR20180046746A (ko) 이상 감지 방법 및 장치
US11714007B2 (en) Temperature interpolation device
JP3924974B2 (ja) 制御パラメータ決定方法及び装置
JP2009116759A (ja) プロセスラインにおける制御モデル学習方法および装置、ならびに鋼板の製造方法
JP2003268428A (ja) 鋼材の製品品質制御装置
JP2020099982A (ja) 工作機械の熱変位補正方法、熱変位補正プログラム、熱変位補正装置
CN113435106B (zh) 一种过渡模态操作故障检测方法和系统
CN115027279A (zh) 磁浮列车过轨道接缝的悬浮控制方法、装置和计算机设备
JP2007102816A (ja) 制御パラメータ決定方法及び装置
CN110889190B (zh) 面向预测精度要求的性能退化建模数据量优化方法
CN113467466A (zh) 一种工业机器人控制方法、装置及工业机器人
KR101543828B1 (ko) 공정지표 관리 장치 및 방법
JP2017113825A (ja) ワイヤ放電加工機
CN109870311A (zh) 车辆转向盘的转角阶跃输入试验方法和系统
CN116954158B (zh) 基于数据分析的快速义齿切削速度控制方法
JP7323051B2 (ja) 圧延プロセスの学習制御装置
CN116900808B (zh) 一种航空发动机叶片数控铣销变形的误差补偿方法和系统
CN111199595B (zh) 数值显示控制方法
JP2018185631A (ja) 製造プロセス学習制御装置
WO2021245916A1 (ja) サーボ制御装置
JP4155174B2 (ja) 数式モデルにおける予測誤差補正用テーブル値生成装置及びその方法

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20170919

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20180918

Year of fee payment: 5