WO1996001705A1 - Verfahren zum walzen eines metallbandes - Google Patents

Verfahren zum walzen eines metallbandes Download PDF

Info

Publication number
WO1996001705A1
WO1996001705A1 PCT/EP1995/002503 EP9502503W WO9601705A1 WO 1996001705 A1 WO1996001705 A1 WO 1996001705A1 EP 9502503 W EP9502503 W EP 9502503W WO 9601705 A1 WO9601705 A1 WO 9601705A1
Authority
WO
WIPO (PCT)
Prior art keywords
width
metal strip
finishing train
change
strip
Prior art date
Application number
PCT/EP1995/002503
Other languages
English (en)
French (fr)
Inventor
Thomas Martinetz
Thomas Poppe
Günter SÖRGEL
Otto Gramckow
Original Assignee
Siemens Aktiengesellschaft
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 Siemens Aktiengesellschaft filed Critical Siemens Aktiengesellschaft
Priority to RU97101897A priority Critical patent/RU2134621C1/ru
Priority to KR1019970700048A priority patent/KR100249914B1/ko
Publication of WO1996001705A1 publication Critical patent/WO1996001705A1/de

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • 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
    • 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
    • B21B37/22—Lateral spread control; Width control, e.g. by edge rolling

Definitions

  • the invention relates to a method for rolling a metal strip in a roughing train and a finishing train, the rolling process in the roughing train being set as a function of a predicted value for the change in the width of the metal strip in the finishing train in such a way that the metal strip comes out of it the finishing train has a predetermined target finished strip width.
  • the change in width of the metal strip associated with the rolling process is also referred to as spreading.
  • the width in a finishing train is the difference between the finished strip width, i.e. the width of the strip emerging from the finishing train, and the pre-strip width, i.e. the width of the strip entering the finishing train, which are the widths of the metal strips at the same temperature .
  • a precise prediction of the spreading is required in order to be able to roll the metal strip in a preliminary mill in upsetting stitches to such a preliminary strip width that the subsequent spreading in the finishing train leads to the desired target finished strip width.
  • the rolling process in the roughing mill is set as a function of the predicted spreading in such a way that the metal strip is rolled there to a roughing strip width that corresponds to the desired finished strip width minus the predicted spreading in the finishing mill.
  • the change in the width of the metal strip in the finishing train is dependent on a large number of influencing factors which originate both from the metal strip itself, such as its width, thickness and temperature, and also act on the metal strip during the rolling process in the finishing train, such as the rolling forces in the individual stands of the rolling mill.
  • influencing factors which originate both from the metal strip itself, such as its width, thickness and temperature, and also act on the metal strip during the rolling process in the finishing train, such as the rolling forces in the individual stands of the rolling mill.
  • the object of the invention is to enable reliable prediction of the spread despite the imprecise knowledge of the relationship between the spread and the influencing variables influencing it.
  • the object is achieved in that in the method of the type mentioned in the context of a pre-calculation that takes place at least before the last upsetting stitch in the roughing mill for presetting the finishing mill, different influencing variables, on which the change in width depends, are determined and as input variables a neuronal one Network with variable network parameters are supplied, that the neural network as a network response generates a calculated value for the change in width, on the basis of which the predictive value is determined that the influencing parameters are measured or calculated from other measured process variables as the metal strip passes through the finishing train the
  • the measured or calculated influencing parameters are fed to the neural network and that the deviation between the network response thus obtained and the measured actual change in width of the metal strip is used to adapt the network parameters in the sense of reducing the deviation.
  • the prediction of the change in width of the metal strip in the finishing train is therefore carried out with the aid of a neural network which is self-learning due to the adaptation of the network parameters, without any model assumptions having to be made for the relationship between the influencing variables and the change in width.
  • the use of the neural network makes it possible to include all those influencing variables in the prediction of the latitude change that are in ir can influence the change in width in some way.
  • At least some of the following variables are used as influencing variables: temperature and thickness of the metal strip before it enters the finishing train, temperature, thickness, target width and exit speed of the metal strip when it leaves the finishing train, material strength and profile of the metal strip, the relative decreases in thickness of the metal strip in the individual rolling stands of the finishing train, the sliding positions of shifting rollers and the trains in the metal strip between the individual rolling stands of the finishing train.
  • the neural network comprises an adaptive linear neuron (Adaline).
  • Adaline adaptive linear neuron
  • a feedforward network with a hidden layer consisting of elements with sigmoid response behavior can be used.
  • the measured actual changes in width of the preceding metal strips can be used as predictive values for the width of the metal strips, while the network response for changeover strips, i.e. when the strip type changes of the neural network serves as a predictive value.
  • y y pre (n + i) k 1 x (n) + k 2 ⁇ NN (x n moment (+ i)) + (1-k 1 -k 2) - YNN (X to (n)) with
  • FIG. 1 shows a block diagram for the process control in a
  • FIG. 3 shows a feed forward network, in each case as an example for the neural network used.
  • 1 shows a roughing mill 1 and a finishing mill 2 with roll stands 3 and 4 for rolling metal strips 5.
  • the roughing mill 1 is controlled by a control device 6, which acts on the individual roll stands 3 and actuates different actuators there.
  • the control device 6 receives the information required for controlling the roll stands 3 both from a computing device 7 and from a measured value recording device 8.
  • prediction values for the sizes are calculated in the computing device 7 on the basis of model assumptions and transferred to the control device 6 for presetting the roughing street 1.
  • the measured value detection device 8 detects measured values of the variables used to control the process and supplies it to the control device 6.
  • the control device 6 also receives information via line 9 for determining a prediction value ⁇ pre for the expected change in width of the metal strip 5 in the finishing train 2.
  • this prediction value Ypre the rolling process, that is, the compression of the metal strip 5 in the preliminary train 1, becomes such controlled that the pre-strip width, i.e. the width of the metal strip 5 when it exits the roughing train 1 is equal to the desired target finished strip width of the metal strip 5 when it exits the finishing train 2 minus the predicted change in width ⁇ pre of the metal strip 5 in the finishing train 2.
  • the metal strip 5 has the desired target finished strip width when it exits the finishing train 2.
  • the individual roll stands 4 are controlled by a control device 10, which obtains the information required for this from a computing device 11 and a measured value detection device 12.
  • a control device 10 which obtains the information required for this from a computing device 11 and a measured value detection device 12.
  • prediction values for the quantities required for regulating the rolling process in the finishing mill 2 are calculated in the computing device 11 and given to the control device 10 for presetting the finishing mill 2.
  • the change in width of the metal strip 5 in the finishing train 2 can be supplied as input variables x in front of a neural network 13 which, as a network response, generates a calculated value Y N N (x forward ) for the change in width and this on line 9 for calculating the predicted value Y pre provides in the control device 6.
  • the following variables, which form the input vector x before , are particularly suitable as influencing variables or input variables for the neural network 13: the pre-strip temperature TV, the pre-strip thickness DV, the finished strip temperature TF, the finished strip thickness DF, the desired finished strip width BF, the exit speed VF of the finished strip from the finishing train 2, the material strength AL, the profile PR, the relative thickness reductions EPS1 to EPS7 in the individual roll stands 4, the sliding positions SCH3 to SCH5 of sliding rollers and the trains ZUG1 to
  • the process-relevant variables including the influencing variables TV, DV, ..., ZUG ⁇ , are measured by means of the measured value detection device 12 and fed to the controller 10 and a device 14 for recalculation.
  • the post-calculation includes, for example, statistical processing of the measured influencing variables and a calculation of influencing variables that cannot be measured directly as a function of other measured variables.
  • the network response Y NN (x nach ) obtained in this case from the neural network 13 is fed to an adaptation algorithm 15, which also includes the actual pre-bandwidth BV measured in front of the finishing train 2 at point 16 and that behind the finishing train 2 actual finished bandwidth BF measured at point 17 are fed.
  • the actual change in width thus obtained
  • y BF-BV
  • Adaptation of the network parameters in the sense of reducing this deviation can be used.
  • the values YNN (x after ) and Y are provided on line 9 and fed to the control device 6 for calculating the predicted value Y pre for the change in width.
  • the prediction value Ypre (n + i) for the change in width of the metal strip n + i in Fertistrasse 2 is in the control device 6 from the calculated value y NN (x before (n + i)) for the change in width of the metal strip generated by the neural network 13 n + i, which is calculated as a result of the network response Y NN (xnach (n)) generated based on the influencing variables Xnach (n) and the actual change in width Y ist (n) of the metal strip n as follows:
  • y pre (n + i) k 1 y is (n) + (k 2 -y NN (x before (n + i)) + (1-k 1 -k 2 ) y NN ⁇ x after (n) with 0 ⁇ k 1 , k 2 ⁇ 1.
  • and the value k 2 is preferably a function of the difference y NN (n + i) -y NN (n), e.g. k 2 p 2 ⁇ (y NN (n + i) -y NN (n)
  • FIG. 2 shows an adaptive linear neuron (Adaline) as an example for the neural network 13.
  • the 24 influencing variables TV, DV,..., ZUG6 combined in the input vector x are fed to a summing point 20 via a corresponding number of input elements 19, by adding individual weighting factors a 1 , a 2 , ..., a 24 and a constant value b to the network response
  • the network response y NN is compared in a comparison point 21 with the measured actual width change y actual, the network parameters a 1 , a 2 , ..., a 24 , b in accordance with the downstream adaptation algorithm 22
  • ⁇ determines the step size of the adaptation.
  • 3 shows, as an example of the neural network 13, a feedforward network which has an input layer with an input element 23 for each of the influencing variables TV, DV, ..., ZUG ⁇ .
  • An offset value Kl is fed to the neural network via an additional input element 24.
  • the input layer is a hidden layer consisting of several, here 10 elements 25, of which each element has a response behavior with a sigmoid course between -1 and +1.
  • the hidden layer has an additional element 26 which serves as an input element for a further offset value K2 and which generates a corresponding output signal.
  • the hidden layer is followed by an output element 27, which gives the answers z i of the elements 25 of the hidden layer with an individual weighting factor C i to the network response

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mechanical Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Metal Rolling (AREA)

Abstract

Es ist bekannt, beim Walzen eines Metallbandes (5) in einer Vorstraße (1) und einer Fertigstraße (2) den Walzprozeß in der Vorstraße (1) in Abhängigkeit von einem Vorhersagewert (ypre) für die Breitenänderung des Metallbandes (5) in der Fertigstraße (2) derart einzustellen, daß das Metallband beim Austritt aus der Fertigstraße eine vorgegebene Soll-Fertigbandbreite aufweist. Um trotz ungenauer Kenntnisse über die Abhängigkeit der Breitenänderung von auf den Prozeß einwirkenden Einflußgrößen eine zuverlässige Vorhersage der Breitenänderung zu ermöglichen, wird diese Abhängigkeit in einem neuronalen Netzwerk (13) nachgebildet, dessen Netzwerkparameter nach jedem Durchlauf des Metallbandes (5) durch die Fertigstraße (2) in Abhängigkeit von den während des Durchlaufs gemessenen oder berechneten Einflußgrößen (xnach) und der gemessenen Ist-Breitenänderung (yist) adaptiv verändert werden.

Description

Beschreibung
Verfahren zum Walzen eines Metallbandes Die Erfindung betrifft ein Verfahren zum Walzen eines Metallbandes in einer Vorstraße und einer Fertigstraße, wobei der Walzprozeß in der Vorstraße in Abhängigkeit von einem Vorhersagewert für die Breitenänderung des Metallbandes in der Fertigstraße derart eingestellt wird, daß das Metallband beim Austritt aus der Fertigstraße eine vorgegebene SollFertigbandbreite aufweist.
Die mit dem Walzprozeß einhergehende Breitenänderung des Metallbandes wird auch als Breitung bezeichnet. Die Breitung in einer Fertigstraße ist dabei die Differenz zwischen der Fertigbandbreite, also der Breite des aus der Fertigstraße austretenden Bandes, und der Vorbandbreite, also der Breite des in die Fertigstraße einlaufenden Bandes, wobei es sich jeweils um die Breiten der Metallbänder bei gleicher Temperatur handelt. Eine genaue Vorhersage der Breitung wird benötigt, um das Metallband in einer Vorstraße in Stauchstichen auf eine derartige Vorbandbreite walzen zu können, daß die anschließende Breitung in der Fertigstraße zu der gewünschten Soll-Fertigbandbreite führt. Dabei wird der Walzprozeß in der Vorstraße in Abhängigkeit von der vorhergesagten Breitung derart eingestellt, daß dort das Metallband auf eine Vorbandbreite gewalzt wird, die der Soll-Fertigbandbreite minus der vorhergesagten Breitung in der Fertigstraße entspricht.
Die Breitenänderung des Metallbandes in der Fertigstraße ist von einer Vielzahl von Einflußgrößen abhängig, die sowohl von dem Metallband selbst herrühren, wie z.B. seine Breite, Dicke und Temperatur, als auch während des Walzprozesses in der Fertigstraße auf das Metallband einwirken, wie z.B. die Walzkräfte in den einzelnen Gerüsten der Walzstraße. Im übrigen ist jedoch nicht im einzelnen bekannt, welche Einfluß großen die Breitung letztendlich in welchem Umfang bestimmen.
Der Erfindung liegt die Aufgabe zugrunde, trotz der ungenauen Kenntnisse über den Zusammenhang zwischen der Breitung und den diese beeinflussenden Einflußgrößen eine zuverlässige Vorhersage der Breitung zu ermöglichen.
Gemäß der Erfindung wird die Aufgabe dadurch gelöst, daß bei dem Verfahren der eingangs angegebenen Art im Rahmen einer zumindest vor dem letzten Stauchstich in der Vorstraße erfolgenden Vorausberechnung zur Voreinstellung der Fertigstraße unterschiedliche Einflußgrößen, von denen die Breitenänderung abhängig ist, bestimmt und als Eingangsgrößen einem neuronalen Netzwerk mit veränderbaren Netzwerkparametern zugeführt werden, daß das neuronale Netzwerk als Netzwerkantwort einen Rechenwert für die Breitenänderung erzeugt, auf dessen Grundlage der Vorhersagewert bestimmt wird, daß während des Durchlaufs des Metallbandes durch die Fertigstraße die Einflußparameter gemessen oder aus anderen gemessenen Prozeßgrößen berechnet werden, daß nach dem
Durchlauf des Metallbandes durch die Fertigstraße die gemessenen oder berechneten Einflußparameter dem neuronalen Netzwerk zugeführt werden und daß die Abweichung zwischen der so erhaltenen Netzwerkantwort und der gemessenen IstBreitenänderung des Metallbandes zur Adaption der Netzwerkparameter im Sinne einer Verringerung der Abweichung herangezogen wird. Die Vorhersage der Breitenänderung des Metallbandes in der Fertigstraße erfolgt also mit Hilfe eines aufgrund der Adaption der Netzwerkparameter selbstlernenden neuronalen Netzwerkes, ohne daß irgendwelche Modellannahmen für den Zusammenhang zwischen den Einflußgrößen und der Breitenänderung getroffen werden müssen. Die Verwendung des neuronalen Netzwerkes ermöglicht es dabei, alle diejenigen Einflußgrößen in die Vorhersage der Breitenänderung einzubeziehen, die in ir gendeiner Weise einen Einfluß auf die Breitenänderung haben können. Dabei werden als Einflußgrößen zumindest einige der folgenden Größen verwendet: Temperatur und Dicke des Metallbandes vor seinem Eintritt in die Fertigstraße, Temperatur, Dicke, Soll-Breite und Austrittsgeschwindigkeit des Metallbandes bei seinem Austritt aus der Fertigstraße, Materialfestigkeit und Profil des Metallbandes, die relativen Dickenabnahmen des Metallbandes in den einzelnen Walzgerüsten der Fertigstraße, die Schiebepositionen von Verschiebewalzen sowie die Züge in dem Metallband zwischen den einzelnen Walzgerüsten der Fertigstraße.
Gegenüber bisherigen, auf Modellannahmen beruhenden Verfahren zur Vorhersage der Breitung konnte mit Hilfe des neuronalen Netzwerkes eine signifikante Verbesserung der Vorhersagegüte erzielt werden. Dabei umfaßt das neuronale Netzwerk im einfachsten Fall ein adaptives lineares Neuron (Adaline). Alternativ dazu kann ein Feedforward-Netzwerk mit einer verdeckten Schicht bestehend aus Elementen mit sigmoidem Antwortverhalten verwendet werden.
Da bei Folgebändern, also aufeinanderfolgenden Metallbändern derselben Bandsorte, die Einflußgrößen im wesentlichen unverändert bleiben, können hier als Vorhersagewerte für die Breitung der Metallbänder die gemessenen Ist-Breitenänderungen der jeweils vorangegangenen Metallbänder herangezogen werden, während bei Umstellungsbändern, also bei Änderung der Bandsorte, die Netzwerkantwort des neuronalen Netzwerkes als Vorhersagewert dient.
Unter Berücksichtigung, daß sich zwischen dem in der Vorstraße zumindest vor dem letzten Stauchstich befindenden Metallband n+i (i≥1) und dem aus der Fertigstraße austretenden Metallband n ein oder mehrere weitere Metallbänder befinden können und so die Messungen der Einflußgrößen und Adaption des neuronalen Netzwerkes erst beim zweiten, dritten oder weiteren Nachfolgeband wirksam werden können, wird der Vor- hersagewert ypre(n+i) für die Breitenänderung des Metallbandes n+i in der Fertigstraße aus dem von dem neuronalen Netzwerk erzeugten Rechenwert yNN(xvor(n+i)) für die Breitenänderung, der für das aus der Fertigstraße austretende Metall- band n aufgrund der gemessenen oder berechneten Einflußgrößen xnach erzeugten Netzwerkantwort YNN(Xnach(n)) und der Ist-Breitenänderung Yist(n) wie folgt bestimmt:
ypre(n+i) = k1·yist(n) + k2ΥNN(xvor (n+i)) + (1-k1-k2)- yNN(Xnach(n)) mit
0≤k1,k2≤1.
Dabei gelten die Werte k1=1 und k2=0 für ein ideales Folgeband (sogenannte Kurzzeitvererbung) und die Werte k1 =0 und k2=1 für ein ideales Umstellungsband (sogenannte Langzeitvererbung), wobei im übrigen vorzugsweise der Wert k1 eine monoton wachsende Funktion der absoluten Differenz Yist(n) - YNN(n) ist und der Wert k2 eine monoton wachsende Funktion der absoluten Differenz YNN(n+i)-yNN(n).
Zur weiteren Erläuterung der Erfindung wird im folgenden auf die Figuren der Zeichnung Bezug genommen; im einzelnen zeigen
FIG 1 ein Blockschaltbild für die Prozeßführung in einer
Vor- und Fertigstraße entsprechend dem
erfindungsgemäßen Verfahren und
FIG 2 ein adaptives lineares Neuron sowie
FIG 3 ein Feedforward-Netzwerk, jeweils als Beispiel für das verwendete neuronale Netzwerk. FIG 1 zeigt eine Vorstraße 1 und eine Fertigstraße 2 mit Walzgerüsten 3 bzw. 4 zum Walzen von Metallbändern 5. Die Steuerung der Vorstraße 1 erfolgt durch eine Steuereinrichtung 6, die auf die einzelnen Walzgerüste 3 wirkt und dort unterschiedliche Stellglieder betätigt. Die Steuereinrichtung 6 erhält die zur Steuerung der Walzgerüste 3 erforderlichen Informationen sowohl aus einer Recheneinrichtung 7 als auch von einer Meßwerterfassungseinrichtung 8. Zu Beginn des Walzprozesses liegen noch keine Meßwerte für die zur Regelung des Prozesses erforderlichen Größen vor. Daher werden in der Recheneinrichtung 7 auf der Basis von Modellannahmen Vorhersagewerte für die Größen berechnet und an die Steuereinrichtung 6 zur Voreinstellung der Vorstraße 1 übergeben. Während des Prozeßablaufes werden durch die Meßwerterfassungseinrichtung 8 Meßwerte der zur Regelung des Prozesses dienenden Größen erfaßt und der Steuereinrichtung 6 zugeführt.
Die Steuereinrichtung 6 erhält ferner über eine Leitung 9 Informationen zur Bestimmung eines Vorhersagewerts γpre für die zu erwartende Breitenänderung des Metallbandes 5 in der Fertigstraße 2. In Abhängigkeit von diesem Vorhersagewert Ypre wird der Walzprozeß, also die Stauchung des Metallbandes 5 in der Vorstraße 1 derart gesteuert, daß die Vorbandbreite, also die Breite des Metallbandes 5 bei seinem Austritt aus der Vorstraße 1 gleich der gewünschten Soll-Fertigbandbreite des Metallbandes 5 bei seinem Austritt aus der Fertigstraße 2 minus der vorhergesagten Breitenänderung γpre des Metallbandes 5 in der Fertigstraße 2 ist. Auf diese Weise wird bei genauer Vorhersage der Breitenänderung des Metallbandes 5 in der Fertigstraße 2 erreicht, daß das Metallband 5 bei seinem Austritt aus der Fertigstraße 2 die ge- wünschte Soll-Fertigbandbreite aufweist.
Bei der Fertigstraße 2 werden ebenso wie bei der Vorstraße 1 die einzelnen Walzgerüste 4 durch eine Steuereinrichtung 10 gesteuert, die die dazu erforderlichen Informationen aus einer Recheneinrichtung 11 und einer Meßwerterfassungseinrichtung 12 bezieht. Bevor ein die Vorstraße 1 durchlaufendes Metallband 5 in die Fertigstraße 2 eintritt, werden in der Recheneinrichtung 11 Vorhersagewerte für die zur Regelung des Walzprozesses in der Fertigstraße 2 erforderlichen Größen berechnet und der Steuereinrichtung 10 zur Voreinstellung der Fertigstraße 2 aufgegeben. Von diesen vorab bestimmten Größen werden diejenigen, die einen Einfluß auf die Breitenänderung des Metallbandes 5 in der Fertigstraße 2 haben können, als Eingangsgrößen xvor einem neuronalen Netzwerk 13 zugeführt, das als Netzwerkantwort einen Rechenwert YNN(xvor) fύr die Breitenänderung erzeugt und diesen auf der Leitung 9 für die Berechnung des Vorhersagewertes Ypre in der Steuereinrichtung 6 bereitstellt. Als Einflußgrößen bzw. Eingangsgrößen für das neuronale Netzwerk 13 sind insbesondere folgende Größen geeignet, die den Eingangsvektor xvor bilden: Die Vorbandtemperatur TV, die Vorbanddicke DV, die Fertigbandtemperatur TF, die Fertigbanddicke DF, die Soll- Fertigbandbreite BF, die Austrittsgeschwindigkeit VF des Fertigbandes aus der Fertigstraße 2, die Materialfestigkeit AL, das Profil PR, die relativen Dickenabnahmen EPS1 bis EPS7 in den einzelnen Walzgerüsten 4, die Schiebepositionen SCH3 bis SCH5 von Verschiebewalzen und die Züge ZUG1 bis
ZUGβ in dem Metallband 5 zwischen den einzelnen Walzgerüsten 4.
Beim Durchlauf des Metallbandes 5 durch die Fertigstraße 2 werden die prozeßrelevanten Größen, darunter die Einflußgrößen TV, DV, ..., ZUGβ mittels der Meßwerterfassungseinrichtung 12 gemessen und der Steuerung 10 sowie einer Einrichtung 14 zur Nachberechnung zugeführt. Die Nachberechnung umfaßt z.B. eine statistische Aufbereitung der gemessenen Einflußgrößen sowie eine Berechnung von nicht unmittelbar meßbaren Einflußgrößen in Abhängigkeit von anderen Meßgrößen. Mit diesen nachberechneten, d.h. im Vergleich zur Vorausberechnung in der Recheneinrichtung 11 wesentlich genaueren Einflußgrößen erfolgt nach dem Durchlauf des Metallbandes 5 durch die Fertigstraße 2 eine Adaption der Netzwerkparameter des neuronalen Netzwerkes 13. Dazu werden die nachberechneten Einflußgrößen in einem Eingangsvektor xnach zusammengefaßt und dem neuronalen Netzwerk 13 aufgegeben. Die dabei von dem neuronalen Netzwerk 13 erhaltene Netzwerkantwort YNN(xnach) wird einem Adaptionsalgorithmus 15 zugeführt, dem außerdem die vor der Fertigstraße 2 an der Stelle 16 gemessene Ist-Vorbandbreite BV sowie die hinter der Fertigstraße 2 an der Stelle 17 gemessene Ist-Fertigbandbreite BF zugeführt werden. Die so erhaltene Ist-Breitenänderung
yist = BF-BV
wird mit der Netzwerkantwort YNN(xnach) verglichen, wobei die Abweichung zwischen der Netzwerkantwort YNN(xnach) und der Ist-Breitenänderung γist über die Verbindung 18 zur
Adaption der Netzwerkparameter im Sinne einer Verringerung dieser Abweichung herangezogen werden. Neben dem Rechenwert YNN(xvor) werden auch die Werte YNN(xnach) und Yist auf der Leitung 9 bereitgestellt und der Steuereinrichtung 6 zur Berechnung des Vorhersagewertes Ypre für die Breitenänderung zugeführt.
Bei dem in FIG 1 gezeigten Beispiel wurde die letzte Nachbe- rechnung der Einflußgrößen xnach und die Adaption des neuronalen Netzwerkes 13 für das Band n am Ende der Fertigstraße 2 durchgeführt, während die nächste Vorhersage für die
Breitenänderung des Metallbandes 5 in der Fertigstraße 2 für das Band n+i angefordert wird, welches sich am Anfang der Vorstraße 1, zumindest aber vor dem letzten Stauchstich in der Vorstraße 1, befindet. Zwischen diesen beiden Bändern n und n+i befinden sich also i-1 Metallbänder 5 in der Vorstraße 1 und der Fertistraße 2, wobei i>1 ist. Der Vorhersagewert Ypre(n+i) für die Breitenänderung des Metallbandes n+i in der Fertistraße 2 wird in der Steuereinrichtung 6 aus dem von dem neuronalen Netzwerk 13 erzeugten Rechenwert yNN(xvor (n+i)) für die Breitenänderung des Metallbandes n+i, der aufgrund der für das Metallband n nachberechneten Einflußgrößen Xnach(n) erzeugten Netzwerkantwort YNN(xnach(n)) und der Ist-Breitenänderung Yist(n) des Metallbandes n wie folgt berechnet:
ypre(n+i) = k1yist(n) + (k2-yNN(xvor(n+i)) + (1-k1-k2)·yNN{xnach(n) mit 0<k1,k2<1. Dabei gelten die Werte k1=1 und k2=0 für ein ideales Folgeband, also bei aufeinanderfolgenden Bändern derselben Band Sorte, während die Werte k1=0 und k2=1 für ein ideales Um- stellungsband, also bei einem Wechsel von einer Bandsorte auf eine andere Bandsorte, gelten. Für dazwischenliegende Bänder ist der Wert k1 vorzugsweise eine Funktion der Differenz yi st (n) -YNN(n), Z.B. k1=P1 ,IYist (n) -yNN (n)|und der Wert k2 vorzugsweise eine Funktion der Differenz yNN(n+i) -yNN(n), z.B. k2=p2·(yNN(n+i)-yNN(n)|.
FIG 2 zeigt ein adaptives lineares Neuron (Adaline) als Bei- spiel für das neuronale Netzwerk 13. Die in dem Eingangsvektor x zusammengefaßten 24 Einflußgrößen TV, DV, ... , ZUG6 werden über eine entsprechende Anzahl von Eingangselementen 19 einem Summierpunkt 20 zugeführt, in dem sie jeweils mit individuellen Gewichtsfaktoren a1, a2,...,a24 und einem konstanten Wert b zu der Netzwerkantwort
YNN = ax+b mit a = (a1, a2, ... ,a24)
aufsummiert werden. Die Netzwerkantwort yNN wird in einem Vergleichspunkt 21 mit der gemessenen Ist-Breitenänderung yist verglichen, wobei in dem nachgeordneten Adaptionsalgorithmus 22 die Netzwerkparameter a1, a2,...,a24, b gemäß
Δa = μ(Yist-yNN)-xnach und Δb = μ(Yist-yNN)
adaptiert werden, wobei μ die Schrittweite der Adaption bestimmt. FIG 3 zeigt als Beispiel für das neuronale Netzwerk 13 ein Feedforward-Netzwerk, das eine Eingangsschicht mit jeweils einem Eingangselement 23 für jede der Einflußgrößen TV, DV,..., ZUGβ aufweist. Über ein zusätzliches Eingangselement 24 wird dem neuronalen Netzwerk ein Offsetwert Kl zugeführt. Der Eingangsschicht ist eine verdeckte Schicht bestehend aus mehreren, hier 10 Elementen 25 nachgeordnet, von denen jedes Element ein Antwortverhalten mit einem sigmoiden Verlauf zwischen -1 und +1 aufweist. Die den Elementen 25 eingangsseitig zugeführten Einflußgrößen xj, j=1,...,24 und x25=K1 werden in jedem Element 25 der versteckten Schicht jeweils mit individuellen Gewichtsfaktoren wij, i=1,...,10, j=1,...,25 versehen aufsummiert und aus der so gebildeten Summe ausgangsseitig die Antwort
Figure imgf000011_0001
erzeugt. Die verdeckte Schicht weist ein zusätzliches Element 26 auf, das als Eingabeelement für einen weiteren Offsetwert K2 dient und ein entsprechendes Ausgangssignal zu erzeugt. Der verdeckten Schicht ist ein Ausgangselement 27 nachgeordnet, das die Antworten zi der Elemente 25 der versteckten Schicht jeweils mit einem individuellen Gewichtsfaktor Ci zu der Netzwerkantwort
Figure imgf000011_0002
aufsummiert. Die Onlineadaption der Netzwerkparameter Wij und ci erfolgt nach jedem Durchlauf eines Metallbandes 5 durch die Fertigstraße 2 auf der Grundlage des Backpropagationalgorithmus.

Claims

Patentansprüche
1. Verfahren zum Walzen eines Metallbandes (5) in einer Vorstraße (1) und einer Fertigstraße (2), wobei der Walzprozeß in der Vorstraße (1) in Abhängigkeit von einem Vorhersagewert (ypre) für die Breitenänderung des Metallbandes (5) in der Fertigstraße (2) derart eingestellt wird, daß das Metallband (5) beim Austritt aus der Fertigstraße (2) eine vorgegebene Soll-Fertigbandbreite aufweist,
d a d u r c h g e k e n n z e i c h n e t,
daß im Rahmen einer zumindest vor dem letzten Stauchstich in der Vorstraße (1) erfolgenden Vorausberechnung zur Voreinstellung der Fertigstraße (2) unterschiedliche Einflußgrößen (xvor), von denen die Breitenänderung abhängig ist, bestimmt und als Eingangsgrößen einem neuronalen Netzwerk (13) mit veränderbaren Netzwerkparametern (a, b, Wi j, ci) zugeführt werden, daß das neuronale Netzwerk (13) als Netzwerkantwort einen Rechenwert (YNN(xvor)) für die Breitenänderung erzeugt, auf dessen Grundlage der Vorhersagewert (ypre) bestimmt wird, daß während des Durchlaufs des Metallbandes (5) durch die Fertigstraße (2) die Einflußparameter (xnach) 9emessen oder aus anderen gemessenen Prozeßgrößen berechnet werden, daß nach dem Durchlauf des Metallbandes (5) durch die Fertigstraße (2) die gemessenen oder berechneten Einflußgrößen (xnach) dem neuronalen Netzwerk (13) zugeführt werden und daß die Abweichung zwischen der so erhaltenen Netzwerkantwort (YNN(xnach)) und der gemessenen Ist-Breitenänderung (yist) des Metallbandes (5) zur Adaption der Netzwerkparameter (a, b, Wij, ci) im Sinne einer Verringerung der Abweichung herangezogen wird.
2. Verfahren nach Anspruch 1,
d a d u r c h g e k e n n z e i c h n e t,
daß als Eingangsgrößen zumindest einige der folgenden Größen verwendet werden: Temperatur (TV) und Dicke (DV) des Metallbandes (5) vor seinem Eintritt in die Fertigstraße (2), Temperatur (TF), Dicke (DF), Soll-Breite (BF) und Austrittsge schwindigkeit (VF) des Metallbandes (5) bei seinem Austritt aus der Fertigstraße (2), Materialfestigkeit (AL) und Profil (PR) des Metallbandes (5), die relativen Dickenabnahmen (EPS 1 bis EPS 7) des Metallbandes (5) in den einzelnen Walzgerü- sten (4) der Fertigstraße (2), die Schiebepositionen (SCH3 bis SCH5) von Verschiebewalzen und die Züge (ZUG1 bis ZUG6) in dem Metallband (5) zwischen den einzelnen Walzgerüsten (4) der Fertigstraße (2).
3. Verfahren nach Anspruch 1 oder 2,
d a d u r c h g e k e n n z e i c h n e t,
daß das neuronale Netzwerk (13) ein adaptives lineares Neuron (Adaline) umfaßt.
4. Verfahren nach Anspruch 1 oder 2,
d a d u r c h g e k e n n z e i c h n e t,
daß als neuronales Netzwerk (13) ein Feedforward-Netzwerk mit einer verdeckten Schicht bestehend aus Elementen (25) mit sigmoidem Antwortverhalten verwendet wird.
5. Verfahren nach einem der vorangehenden Ansprüche,
d a d u r c h g e k e n n z e i c h n e t,
daß bei einem Wechsel von einer Bandsorte auf eine nächste Bandsorte die Netzwerkantwort (YNN(xvor)) als Vorhersagewert (Ypre) für die Breitung und zur Einstellung der Vorstraße (1) herangezogen wird und daß bei aufeinanderfolgenden Metallbändern (5) derselben Bandsorte die gemessene Ist-Breitenänderung jeweils vorangegangener Metallbänder (5) als Vorhersagewert für die Breitenänderung und zur Einstellung der Vorstraße (1) dient.
6. Verfahren nach einem der Ansprüche 1 bis 4,
d a d u r c h g e k e n n z e i c h n e t,
daß für den Fall, daß sich zwischen dem in der Vorstraße (1) zumindest vor dem letzten Stauchstich befindenden Metallband n+i (i≥l) und dem aus der Fertigstraße (2) austretenden Metallband n ein oder mehrere weitere Metallbänder befinden, der Vorhersagewert ypre(n+i) für die Breitenänderung des
Metallbandes n+i in der Fertigstraße (2) aus dem von dem neuronalen Netzwerk (13) erzeugen Rechenwert yNN(xvor (n+i)) für die Breitenänderung, der für das aus der Fertigstraße (2) austretende Metallband n aufgrund der gemessenen oder berechneten Einflußgrößen xnach erzeugten Netzwerkantwort YNN(xnach(n)) und der Ist-Breitenänderung Yist(n) wie folgt bestimmt wird:
ypre(n+i) = k1-yist(n) + k2·yNN(xvor (n+i)) + (1-k1-k2)·yNN(xnach (n)) mit 0≤k1,k2≤1.
7. Verfahren nach Anspruch 6,
d a d u r c h g e k e n n z e i c h n e t,
daß der Wert k1 eine Funktion der Differenz yist (n) -YNN(n) ist und k2 eine Funktion der Differenz YNN(n+i) -yNN(n).
8. Verfahren nach Anspruch 6 oder 7,
d a d u r c h g e k e n n z e i c h n e t,
daß bei aufeinanderfolgenden gleichen Metallbändern (5) der- selben Bandsorte die Werte k1=1 und k2=0 sind und daß bei einem Wechsel von einer Bandsorte auf eine neue Bandsorte die Werte k1 =0 und k2=1 sind.
9. Einrichtung zum Walzen eines Metallbandes mit zur Durchführung des Verfahrens nach einem der Ansprüche 1 bis 8 ausgebildeten Mitteln.
PCT/EP1995/002503 1994-07-07 1995-06-27 Verfahren zum walzen eines metallbandes WO1996001705A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
RU97101897A RU2134621C1 (ru) 1994-07-07 1995-06-27 Способ прокатки металлической ленты
KR1019970700048A KR100249914B1 (ko) 1994-07-07 1995-06-27 금속 밴드의 로울링 방법 및 장치

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP94110599.1 1994-07-07
EP94110599 1994-07-07

Publications (1)

Publication Number Publication Date
WO1996001705A1 true WO1996001705A1 (de) 1996-01-25

Family

ID=8216093

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP1995/002503 WO1996001705A1 (de) 1994-07-07 1995-06-27 Verfahren zum walzen eines metallbandes

Country Status (8)

Country Link
US (1) US5740686A (de)
JP (1) JPH0824925A (de)
KR (1) KR100249914B1 (de)
CN (1) CN1194825C (de)
DE (1) DE19522494C2 (de)
RU (1) RU2134621C1 (de)
TW (1) TW293789B (de)
WO (1) WO1996001705A1 (de)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19644132A1 (de) * 1996-10-23 1998-04-30 Siemens Ag Verfahren zur Optimierung der Bandbreitenverteilung an den Enden eines eine Walzstraße durchlaufenden Bandes
DE19644131A1 (de) * 1996-10-23 1998-04-30 Siemens Ag Verfahren zum Optimieren der Bandbreitenverteilung an den Enden eines eine Walzstraße in einem oder mehreren Stichen durchlaufenden Bandes
WO1999005577A1 (de) * 1997-07-24 1999-02-04 Siemens Aktiengesellschaft Verfahren zur steuerung und voreinstellung eines stahlwerkes oder von teilen eines stahlwerkes
RU2511159C1 (ru) * 2013-01-10 2014-04-10 Александр Иванович Трайно Способ производства широких полос

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19618712B4 (de) * 1996-05-09 2005-07-07 Siemens Ag Regelverfahren für ein Walzgerüst zum Walzen eines Bandes
DE19642918C2 (de) * 1996-10-17 2003-04-24 Siemens Ag System zur Berechnung des Enddickenprofils eines Walzbandes
DE19715503A1 (de) * 1997-04-14 1998-10-15 Siemens Ag Integriertes Rechner- und Kommunikationssystem für den Anlagenbereich
JP2000061520A (ja) * 1998-08-25 2000-02-29 Toshiba Corp 熱間圧延機の平坦度制御装置
DE50000754D1 (de) * 1999-03-23 2002-12-19 Siemens Ag Verfahren und einrichtung zur bestimmung der walzkraft in einem walzgerüst
JP2000312909A (ja) * 1999-04-27 2000-11-14 Toshiba Corp 板幅制御装置
DE19930472A1 (de) * 1999-07-01 2001-01-11 Siemens Ag Verfahren und Einrichtung zum Walzen eines Walzbandes mit variierender Dicke
DE10048470A1 (de) * 2000-09-29 2002-04-25 Siemens Ag Verfahren und Vorrichtung zum Betreiben einer Warmwalzstraße mit mindestens einem Stauchgerüst
AT413609B (de) 2001-05-10 2006-04-15 Voest Alpine Ind Anlagen Verfahren und vorrichtung zur produktionsstufenübergreifenden verknüpfung von daten
US6708077B2 (en) * 2002-08-16 2004-03-16 General Electric Company Furnace pacing for multistrand mill
CN100457304C (zh) * 2004-03-24 2009-02-04 沃斯特-阿尔派因工业设备制造股份有限公司 减小带宽变化的方法和轧机
CN101648215B (zh) * 2008-08-14 2011-07-20 宝山钢铁股份有限公司 一种连轧机的带钢边缘降控制方法
US8868221B1 (en) * 2008-08-22 2014-10-21 Marvell International Ltd. Adaptive neural net feed forward system and method for adaptive control of mechanical systems
CN101403890B (zh) * 2008-11-08 2010-06-09 山西太钢不锈钢股份有限公司 利用神经元网络分类建模法提高模型预报精度的方法
CN102125934A (zh) * 2009-12-31 2011-07-20 新疆八一钢铁股份有限公司 单机架粗轧减宽控制方法
EP2431105A1 (de) * 2010-09-16 2012-03-21 Siemens Aktiengesellschaft Ermittlungsverfahren für Steuergrößen einer Walzstraße mit mehreren Walzgerüsten zum Walzen eines Metallbandes
DE102012218353A1 (de) * 2012-10-09 2014-04-10 Siemens Ag Breitenbeeinflussung eines bandförmigen Walzguts
KR101461734B1 (ko) * 2012-12-21 2014-11-14 주식회사 포스코 연주 및 열연 간 직결 연연속 압연 라인에서의 폭 제어장치 및 방법
DE102022207656A1 (de) * 2022-07-26 2024-02-01 Sms Group Gmbh Verfahren zur Regelung einer Walzstraße sowie Walzstraße

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2042389A (en) * 1979-02-24 1980-09-24 Nippon Kokan Kk Method for automatically controlling width of slab during hot rough-rolling
JPS63238912A (ja) * 1986-11-11 1988-10-05 Kobe Steel Ltd 圧延材の板幅制御方法
JPH0371909A (ja) * 1989-08-11 1991-03-27 Sumitomo Metal Ind Ltd 熱間連続圧延における板幅制御方法
EP0460892A2 (de) * 1990-06-04 1991-12-11 Hitachi, Ltd. Steuerungsvorrichtung für die Steuerung einer gesteuerten Anlage und Steuerungsverfahren dafür
JPH04167908A (ja) * 1990-11-01 1992-06-16 Toshiba Corp 圧延機の設定装置
JPH04190910A (ja) * 1990-11-22 1992-07-09 Toshiba Corp 圧延機の設定計算装置
EP0534221A1 (de) * 1991-09-24 1993-03-31 Siemens Aktiengesellschaft Regelparameter-Verbesserungsverfahren für industrielle Anlagen
DE4301130A1 (en) * 1992-01-20 1993-07-22 Hitachi Ltd Control system with highly nonlinear characteristic - uses learning function and derives control values from selected parameter values of set point adjustment model

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5193066A (en) * 1989-03-14 1993-03-09 Kabushiki Kaisha Kobe Seiko Sho Equipment for adjusting the shape of a running band-like or plate-like metal material in the width direction
JPH05234029A (ja) * 1992-02-26 1993-09-10 Alps Electric Co Ltd 磁気ヘッドおよびその製造方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2042389A (en) * 1979-02-24 1980-09-24 Nippon Kokan Kk Method for automatically controlling width of slab during hot rough-rolling
JPS63238912A (ja) * 1986-11-11 1988-10-05 Kobe Steel Ltd 圧延材の板幅制御方法
JPH0371909A (ja) * 1989-08-11 1991-03-27 Sumitomo Metal Ind Ltd 熱間連続圧延における板幅制御方法
EP0460892A2 (de) * 1990-06-04 1991-12-11 Hitachi, Ltd. Steuerungsvorrichtung für die Steuerung einer gesteuerten Anlage und Steuerungsverfahren dafür
JPH04167908A (ja) * 1990-11-01 1992-06-16 Toshiba Corp 圧延機の設定装置
JPH04190910A (ja) * 1990-11-22 1992-07-09 Toshiba Corp 圧延機の設定計算装置
EP0534221A1 (de) * 1991-09-24 1993-03-31 Siemens Aktiengesellschaft Regelparameter-Verbesserungsverfahren für industrielle Anlagen
DE4301130A1 (en) * 1992-01-20 1993-07-22 Hitachi Ltd Control system with highly nonlinear characteristic - uses learning function and derives control values from selected parameter values of set point adjustment model

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
PATENT ABSTRACTS OF JAPAN vol. 13, no. 28 (M - 788) 23 January 1989 (1989-01-23) *
PATENT ABSTRACTS OF JAPAN vol. 15, no. 232 (M - 1124) 13 June 1991 (1991-06-13) *
PATENT ABSTRACTS OF JAPAN vol. 16, no. 467 (M - 1317) 29 September 1992 (1992-09-29) *
PATENT ABSTRACTS OF JAPAN vol. 16, no. 515 (M - 1329) 23 October 1992 (1992-10-23) *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19644132A1 (de) * 1996-10-23 1998-04-30 Siemens Ag Verfahren zur Optimierung der Bandbreitenverteilung an den Enden eines eine Walzstraße durchlaufenden Bandes
DE19644131A1 (de) * 1996-10-23 1998-04-30 Siemens Ag Verfahren zum Optimieren der Bandbreitenverteilung an den Enden eines eine Walzstraße in einem oder mehreren Stichen durchlaufenden Bandes
US6418354B1 (en) 1996-10-23 2002-07-09 Siemens Aktiengesellschaft Optimizing the band width at the band ends on a mill train
DE19644131C2 (de) * 1996-10-23 2002-09-19 Siemens Ag Verfahren zum Optimieren der Bandbreitenverteilung an den Enden eines eine Walzstraße in einem oder mehreren Stichen durchlaufenden Bandes
DE19644132B4 (de) * 1996-10-23 2005-07-07 Siemens Ag Verfahren zum Optimieren der Bandbreitenverteilung an den Enden eines eine Walzstraße durchlaufenden Bandes
WO1999005577A1 (de) * 1997-07-24 1999-02-04 Siemens Aktiengesellschaft Verfahren zur steuerung und voreinstellung eines stahlwerkes oder von teilen eines stahlwerkes
US6807449B1 (en) 1997-07-24 2004-10-19 Siemens Aktiengessellscaft Method for controlling and pre-setting a steelworks or parts of a steelworks
AT500860B1 (de) * 1997-07-24 2006-04-15 Siemens Ag Verfahren zur steuerung und voreinstellung eines stahlwerkes oder von teilen eines stahlwerkes
RU2511159C1 (ru) * 2013-01-10 2014-04-10 Александр Иванович Трайно Способ производства широких полос

Also Published As

Publication number Publication date
DE19522494C2 (de) 1997-06-19
TW293789B (de) 1996-12-21
KR100249914B1 (ko) 2000-04-01
DE19522494A1 (de) 1996-01-18
JPH0824925A (ja) 1996-01-30
US5740686A (en) 1998-04-21
CN1194825C (zh) 2005-03-30
KR970704528A (ko) 1997-09-06
CN1151708A (zh) 1997-06-11
RU2134621C1 (ru) 1999-08-20

Similar Documents

Publication Publication Date Title
WO1996001705A1 (de) Verfahren zum walzen eines metallbandes
DE4338608B4 (de) Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System
DE4416364B4 (de) Verfahren und Regeleinrichtung zur Regelung eines Prozesses
DE102010013387B4 (de) Steuervorrichtung und -verfahren für ein Walzwerk
DE4338615B4 (de) Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System
DE4105321A1 (de) Regelung eines warm- und/oder kaltwalzprozesses
DE4416317B4 (de) Verfahren und Regeleinrichtung zur Regelung eines materialverarbeitenden Prozesses
DE4338607B4 (de) Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System
DE19644132B4 (de) Verfahren zum Optimieren der Bandbreitenverteilung an den Enden eines eine Walzstraße durchlaufenden Bandes
WO1998015882A1 (de) Verfahren und einrichtung zur identifikation bzw. vorausberechnung von prozessparametern eines industriellen zeitvarianten prozesses
DE19881041B4 (de) Verfahren zur Steuerung und Voreinstellung eines Stahlwerkes oder von Teilen eines Stahlwerkes
DE69913538T2 (de) Verfahren und Vorrichtung zur Planheitsregelung
DE3522631A1 (de) Verfahren und geraet zur ermittlung eines stellwertes fuer eine formregelung in einer walzstrasse
EP0815498B1 (de) Verfahren und vorrichtung zur führung eines prozesses
DE3832789A1 (de) Stoerungsfolgevorrichtung
WO2016041746A1 (de) Breiteneinstellung bei einer fertigstrasse
EP0662017B1 (de) Verfahren zum unterdrücken des einflusses von walzenexzentrizitäten auf die regelung der walzgutdicke in einem walzgerüst
AT408728B (de) Verfahren und einrichtung zur voreinstellung einer walzstrasse
EP0811435B1 (de) Voreinstellung für Kaltwalzreversiergerüst
DE3026229C2 (de)
DE19644131C2 (de) Verfahren zum Optimieren der Bandbreitenverteilung an den Enden eines eine Walzstraße in einem oder mehreren Stichen durchlaufenden Bandes
WO1998043755A1 (de) Verfahren und einrichtung zur voreinstellung der planheit eines walzbandes
DE2850484A1 (de) Vorwaertsregelverfahren zur automatischen dickenregelung
DE60113132T2 (de) Blechbreitenregelung beim warmbandwalzen
DE19641432A1 (de) Verfahren und Einrichtung zur Vorausberechnung von vorab unbekannten Parametern eines industriellen Prozesses

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 95193938.6

Country of ref document: CN

AK Designated states

Kind code of ref document: A1

Designated state(s): CN KR RU UA

DFPE Request for preliminary examination filed prior to expiration of 19th month from priority date (pct application filed before 20040101)
WWE Wipo information: entry into national phase

Ref document number: 1019970700048

Country of ref document: KR

WWP Wipo information: published in national office

Ref document number: 1019970700048

Country of ref document: KR

WWG Wipo information: grant in national office

Ref document number: 1019970700048

Country of ref document: KR