WO1996028772A1 - Leitsystem für eine anlage der grundstoff- oder der verarbeitenden industrie o.ä. - Google Patents

Leitsystem für eine anlage der grundstoff- oder der verarbeitenden industrie o.ä. Download PDF

Info

Publication number
WO1996028772A1
WO1996028772A1 PCT/DE1996/000397 DE9600397W WO9628772A1 WO 1996028772 A1 WO1996028772 A1 WO 1996028772A1 DE 9600397 W DE9600397 W DE 9600397W WO 9628772 A1 WO9628772 A1 WO 9628772A1
Authority
WO
WIPO (PCT)
Prior art keywords
control system
model
optimization
values
casting
Prior art date
Application number
PCT/DE1996/000397
Other languages
English (en)
French (fr)
Inventor
Hannes Schulze Horn
Jürgen ADAMY
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
Family has litigation
First worldwide family litigation filed litigation Critical https://patents.darts-ip.com/?family=7756201&utm_source=google_patent&utm_medium=platform_link&utm_campaign=public_patent_search&patent=WO1996028772(A1) "Global patent litigation dataset” by Darts-ip is licensed under a Creative Commons Attribution 4.0 International License.
Application filed by Siemens Aktiengesellschaft filed Critical Siemens Aktiengesellschaft
Priority to EP96905686A priority Critical patent/EP0813701B1/de
Priority to DE59603352T priority patent/DE59603352D1/de
Publication of WO1996028772A1 publication Critical patent/WO1996028772A1/de

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
    • B22D11/16—Controlling or regulating processes or operations

Definitions

  • the invention relates to a control system for a plant in the basic material or processing industry or the like, e.g. for a metallurgical plant, for example for the production of strips of steel or non-ferrous metals, the control system using computer technology, based on input of prior knowledge, the condition of the plant and details of a manufacturing process running in the plant, e.g. a continuous casting process for strips, which recognizes itself automatically and gives instructions appropriate to the situation in order to achieve a safe production success.
  • a control system for a plant in the basic material or processing industry or the like e.g. for a metallurgical plant, for example for the production of strips of steel or non-ferrous metals
  • the control system using computer technology, based on input of prior knowledge, the condition of the plant and details of a manufacturing process running in the plant, e.g. a continuous casting process for strips, which recognizes itself automatically and gives instructions appropriate to the situation in order to achieve a safe production success.
  • Expert systems as so-called intelligent systems, with which the quality of the manufactured products is also to be improved with regard to quality features that are difficult to control from a control point of view, are also known for systems in the basic material industry, e.g. from the article "Process optimization for maximum availability in continuous casting", published in the journal "Metallurgical Plant and Technologie International 5/1994". Expert systems of this type, which can certainly improve the success of production, do not, however, overcome the basic weaknesses of conventional control. These are particularly visible when it comes to processes that are more suitable (such as in the raw materials industry) due to the lack
  • the task is solved by an actually intelligently designed control system, which, based on the input of prior knowledge, automatically gives appropriate instructions for a safe and as good as possible (optimal) process control. It is therefore a fully developed technical intelligence that, surprisingly, can already be implemented for the process control systems of large systems using the computing resources available today.
  • control system is designed to optimize the situation-specific instructions step by step in terms of computing. This results in a further increase in the intelligent behavior, which leads to a quality of the process control which cannot be achieved by human operating personnel or at least not in the short time that can be achieved by computer technology. .
  • the prior knowledge entered that is to say the process knowledge predefined by humans, preferably automatically, continuously improved by knowledge obtained internally computationally in the process during production, for example in different operating points, and this self-generated process knowledge in one, in particular, constantly updated data storage is adopted as new prior knowledge. So one becomes very advantageous constantly improved basis for further adaptation or optimization of the process.
  • the knowledge gained is not only limited to more precise parameters etc., but also includes the principles of the algorithms used, etc. in particular.
  • the control system has a basic functional system for the system components, which contains the instructions from the computational, e.g. knowledge gained from a process model, preferably an overall process model, is reliably implemented in the plant management.
  • a safe basic function system which is preferably designed as a basic automation system that makes the system components safe to work on their own or in summary, with a static process model adapted to the situation, results in an implementation that is related to the safety of the process - Management of the conventional design of a control system is at least equivalent, in terms of the cost / benefit ratio and the reliably achievable process result, but is superior.
  • the basic automation system is advantageously designed as an autonomous subsystem that guarantees a safe state of the system or the system components and the process state, for example as a hazard state relapse system, which, if necessary, recognized as safe instead of the computationally generated instructions , operating values stored in the data memory can be used. This enables safe, albeit suboptimal, operation of the system even in the event of a failure or malfunction of the intelligent computer part.
  • the basic function system advantageously also has start-up and run-up routines that can be entered manually or automatically, as well as suboptimal normal operating routines in which individual, otherwise computationally determined, instructions can be replaced by constant, reliable specifications.
  • Such a configuration of the basic function system is particularly advantageous for the commissioning phases, for operation with a sudden change in requirements, etc.
  • For the, albeit sub-optimal, function of the intelligent computer part it is not always necessary for all model parts to be available in a specifically adapted form. Operation with an only partially elaborated and / or adapted overall process model is also advantageously possible.
  • the process model itself in the form of an overall process model, is particularly modular and describes the behavior between the process input variables and the manipulated variables and the process output variables, for example quality parameters of the product produced.
  • the modularity allows a particularly advantageous design and processing of the overall process model, since it is possible to start from individual, easily visible, partial models.
  • the process model is advantageously based as far as possible on mathematical forms of description. Where such mathematical forms of description are not possible, use is made, for example, of linguistically formulated model parts, which can be implemented, for example, by fuzzy systems, neuro-fuzzy systems, expert systems or the like.
  • self-learning systems for example neural networks, are used. This means that all production plants, regardless of how large they are designed or how they are designed, have the option of creating an overall process model.
  • the process model is advantageously continuously adapted and further improved to the process on the basis of process data collected on the system and archived in a process database, this advantageously using adaptive methods, learning methods, e.g. through a backpropagation learning process or a selection process for different sub-models, such as neural networks or their parts. This results in a largely self-taught model that can be adapted or improved on-line or off-line.
  • the adjustable process variables are optimized by the optimizer on the process model in such a way that the model output variables, which are in particular quality parameters of the product, are matched as well as possible with predetermined, e.g. the target,
  • the off-line optimization can be carried out on a separate computing unit parallel to the model adaptation, as well as during breaks, for example at weekends or during repair downtimes on the computer, which outputs the reference values of the basic function system during operation.
  • the optimization is advantageously carried out using known optimization methods, in particular using genetic algorithms.
  • the selection of the optimization process depends on the situation and problem. It can be done by a specification, e.g. on the basis of an analysis of the course of the process, or by means of a computational selection from an optimization method collection. A simple "trial and error” procedure can be used for this, but in order to reduce the computational effort, it is advisable to support the "trial and error” procedure by means of convergence criteria, methods of pattern recognition in the course of error acceptance, etc.
  • the respective start values for an optimization are advantageously determined on the basis of the suboptimal operating data archived in a process data memory. This reduces the optimization effort, since the optimization calculation starts with pre-optimized values when it uses intermediate values that are recognized as safe as start values.
  • the overall system is improved at least in three stages.
  • the lowest level is the continuous improvement of the existing process knowledge, stored in the data memory, for example in the form of suboptimal, safe operating points, which are continuously brought up to a better adapted level of knowledge, and which is then again assumed.
  • the second stage essentially forms the model adaptation, which adapts the model behavior to the process behavior as well as possible.
  • the third stage is a continuous improvement of the situation-specific instructions by the process optimizer, e.g. about evolutionary strategies, genetic algorithms etc. These strategies require a large computing time and preferably run off-line.
  • the system improvement is advantageously also continuously supported by external simulation calculations, model tests, possibly also by tests on the production plant with new aids, etc.
  • control system according to the invention is described below by way of example on the basis of a strip casting installation for steel. Further, also inventive details and advantages result from the drawing and the description of the drawing as well as from the subclaims.
  • FIG. 5 essential components of the process model and their rough link structure
  • FIG. 1, 1 denotes the casting rolls of a two-roll casting device
  • the material, between the casting rolls 1, Liquid steel, for example, is poured in from the ladle 4 via the tundish 5 and a dip tube 6 and solidifies into a strip 3, which can be further deformed in a rolling mill symbolized by the circles 2 with arrows.
  • the downstream rolling plant can also be simply replaced by conveyor rollers, a reel or the like if the rolling is not to take place immediately after the casting.
  • the design of the overall system is carried out in a requirement-specific manner. It is also possible to design the system downstream of the casting device as a hot-cold rolling mill and is recommended at very high casting speeds, since the cold rolling section of the system can then also be sufficiently utilized.
  • the casting roll device preferably has an electrodynamic system 8, 9, also shown only symbolically, and an induction heating system 10.
  • the electrodynamic system part 8 advantageously serves to relieve the weight, the cast band 3, which is still very soft and therefore at risk of constriction, and the electrodynamic system part 9 guides the band 3, while the induction heating system 10 maintains a predetermined temperature profiles over the bandwidth is incumbent if, for example this is followed by direct post-forming in a rolling mill. This is particularly advantageous for crack-sensitive steels.
  • the cast strip 3 is checked for cracks by a camera 73, it being possible advantageously to use the fact that the crack pattern in the scale is influenced by cracks in the base material.
  • the formation of a measured variable is advantageously carried out by a neuro-fuzzy system.
  • the casting roller device Due to the data transmissions 1, 11 and VI, which are symbolized by arrows, the casting roller device, in which the solidification shells of the steel formed on the two casting rollers 1 are not only combined, but also formed in a rolling manner, with the intelligent one Part of the control system connected.
  • FIG. 2 shows the structure of the intelligent part of the control system. This essentially consists of the parts of process optimizer 15, model 20, model adaptation 16 and data storage device 17. These parts of the control system work together in such a way that the setpoint output 13 provides the best possible, situation-specific instructions via data line V for process control become. These instructions are then converted into setpoints for the basic automation. The task and function of the individual parts are described below.
  • the model output variables are typical quality parameters of the product.
  • the model description y, (" ⁇ -...,” ,, ...- v ,, - .., v ,, ...)
  • the process behavior generally does not exactly understand why y, - and y, differ more or less from one another.
  • the manipulated variables w and the non-influenceable manipulated variables v are transmitted via the data lines I and II.
  • the model adaptation 16 has the task of improving the model so that the model behavior corresponds as well as possible to the process behavior. This can be done online, at least for model parts, by adapting or tracking these model parts on the basis of continuously acquired process data.
  • the adaptation can also be carried out off-line at specific times. This is done on the basis of a number m of process states representing the process (“, *, v *, y *), which are stored in the data memory 17.
  • the index k quantifies the respective process status.
  • model parameters or the model structure are varied so that ⁇ becomes as small as possible.
  • the process optimizer has the task of using an optimization method and the process model to find manipulated variables u t which lead to the best possible process behavior.
  • the process optimizer works off-line at specific times, for example, which can be predetermined manually, as follows:
  • the non-influenceable manipulated variables v for which the optimization is to take place - for example the current ones - are kept constant and supplied to the model via the data line II.
  • the process optimizer is then connected to the model by means of switch 18. It gives control values u t on the Model.
  • the initial values y i are determined via the model. These are compared with target output values y target l , and it becomes the error
  • the error E should be minimized.
  • the process optimizer varies the manipulated variables u t in an iterative loop, each of which contains the calculation of v and E and the new selection of u t , until the error cannot be reduced further or this optimization is terminated.
  • genetic algorithms, hill-clibing methods, etc. can be used as optimization methods.
  • the optimal manipulated variables u opll obtained in this way which are the result of the above-mentioned minimization, are then transferred as setpoints to the basic function system via the setpoint specification and the data line V.
  • the main task of the data memory is to archive representative process states (w.-v ,,; - /). In doing so, he replaces old process data again and again with new ones, in order to enable a current, albeit selective, process description based on this data.
  • the data memory then supplies the model adaptation, as described above. On the other hand, it also supplies start values w for the process optimizer.
  • Start values are selected, for example, in such a way that the output values y belonging to these start values correspond as closely as possible to the target values y target l .
  • model 20 and process optimizer 15 which uses, for example, genetic algorithms for, for example, evolutionary, model improvement, preferably works off-line because, because of the grain complexity of a plant control model with its many possible configurations, the computing time of an evolutionary optimization process becomes comparatively long. Even with good optimization strategies, which are selected, for example, on the basis of an analysis of the probable model behavior, many optimization processes can be calculated until a significant model improvement is achieved.
  • Workstations are used as computers for process optimization and parameter adaptation, e.g. from the Sun company.
  • computers working in parallel are advantageously used. This applies in particular if the model can be divided into groups of Mode11 modules, which can be partially optimized depending on one another.
  • FIG. 3 shows more precise details of the program structure with which the optimization is terminated and the new setpoint output is started.
  • 58 designates an error function to be selected in each case, into which the errors (setpoint deviations) determined flow.
  • the error function fulfills the termination criteria of the optimization. If this is the case, further optimized control and regulating variables are output.
  • start values continuously arrive from the data memory in the start value specification 59, from which in search steps in 60, not from the optimizer, but from the data memory, for example with the aid of fuzzy interpolation, control and regulating parameters for a sub-optional process control be won.
  • Switching takes place after reaching the predetermined quality factor, which is adapted to the respective control system knowledge.
  • the minimization which can never be absolute, is stopped when the specified quality factor is reached.
  • the model is also advantageous if it is connected to the process, i.e. Switch 1 is closed, an alarm signal is also generated which signals that critical operating states have been reached.
  • Switch 1 is closed, an alarm signal is also generated which signals that critical operating states have been reached.
  • FIG. 4 which shows the structure of a model adaptation by means of an optimization algorithm
  • data from the start value specification 61 arrive in a search step unit 62 and are passed on from there to the model 63 as model parameters.
  • the model 63 forms, together with the data memory 64, a parameter improvement loop which compares the values formed and stored in a known manner in 65.
  • the comparison values are fed to the error function 67, which forwards their values to the termination criteria unit 66. If the termination criteria are met, the model is no longer improved and the existing values are used. Otherwise the optimization is continued with further search steps and the intermediate values in the data memory.
  • FIG. 5 which shows the essential partial models of the overall process model of the exemplary embodiment, 46 denotes this
  • Input model in which the external influences, such as the influences from the quality of the material used, are summarized.
  • the quality of the steel used results e.g. the liquidus value, the solidus value, and other variables that characterize the casting behavior.
  • 47 denotes the tundish model in which e.g. the steel volume of the tundish, the dip tube position or the like, the stopper position and the steel outflow temperature.
  • the input models 46 and 47 are combined in the sub-model 56, which reflects the status of the material supplied.
  • Such partial models can advantageously be parallel to other partial models, such as the casting area model, the rolling area model or the like. be optimized.
  • the input model 48 contains the influences that affect the solidification, e.g. the casting roll cooling, the infrared heating etc.
  • the input model 49 contains the values that are necessary for the heat balance, such as the steel casting roll temperature difference, the influence of lubricant as a function of the amount of lubricant, the rate of crystal formation of the respective steel type and e.g. the roller surface condition.
  • the input model 50 contains e.g. the influences of the casting level characteristics, such as the level of the casting level, the thickness of the slag layer and the radiation coefficient.
  • the input models 48, 49 and 50 are combined to form a partial model 54, which represents the status of the casting area. This
  • Model area summary is generally advantageous for production areas, since it simplifies and improves the overall model optimization.
  • the sub-models are still partially dependent on one another, for example the input models 49 (input model heat balance) and 50 to a considerable extent (Initial model of the mold level characteristic). Secondary dependencies are not shown for simplification.
  • the sub-model 51 contains all influences on the solidification front, i.e. to the area where the metal shells solidified on the two cooling rolls meet. Essentially, these influences are the forming work performed by the casting rolls, the vibration width of the casting rolls or the emerging strip, the side gap sealing influences and the degree of effort of the overall system, this is e.g. a fuzzy model.
  • the partial model 52 reproduces the exit values, e.g. the quality of the strip, the outlet temperature and distribution, but also the tendency to stick and the condition of the scale formed.
  • the input model 53 and the input model 74 which relate to the temperature profile transverse to the strip and to the surface condition of the strip, also go into the partial part 52.
  • the rolling mill part models 54 are also included in this special process model, since the product formation after the exit from the roll stands is the decisive criterion.
  • the partial models are combined to form the product training model 57, which summarizes the thickness profile of the strip formed, the strip thickness, a possible defect pattern, the grain structure of the strip, the surface structure, etc.
  • the surface structure and in particular the grain structure of the strip can only be determined with a considerable time delay. It is therefore advantageous here to work with submodels based on neural networks for the qualitative and quantitative determination of influencing variables.
  • the above illustration shows the particular advantage that results from the design of the model in module form, since in particular the parts of a complex overall process model can be processed in parallel. This is particularly advantageous for the commissioning period of a system, in which the input and partial models are adapted to the actual conditions, linked together, etc.
  • 68 denotes the process data archive, 69 the model parameter memory part, 70 the part with the start values for the optimizer and 71 the memory part for the safe operating points.
  • the respective model formation is also stored in 68.
  • the basic automation which with its controls, controls, interlocks etc., is an indispensable part of the
  • Control system because it Guaranteeing the safe functioning of the system even in the event of a malfunction of the model part of the control system operating according to the invention must perform a multitude of functions.
  • 21 means in the exemplary embodiment the mass flow control via the individual speed controller, 22 the control of the tundish heating, 23 the mold level control, 24 the tundish outflow control and 25 the heating power of the infrared or above screen 7 for maintaining the operating temperature of the casting rolls.
  • 26 means the regulation of the lubricant additions, for example in the form of loose casting powder or of casting powder paste applied to the casting rolls, 27 the cooling water quantity regulation, 28 possibly the roll oscillation regulation, 29 the electric drive regulation and 30 the roll gap setting.
  • 31 means the roll speed control and 32 possibly the control of the roll torque, 33 the setting of the cleaning system, consisting for example of a brush and a scraper for the casting rolls and 34 the control of the electrodynamic System for balancing the belt weight and 35 the regulation of the vibration width of the cast belt.
  • 36 means the regulation of the individual parts of an electrodynamic system for side gap sealing and 37 the regulation of the heating for the side walls of the space between the casting rolls.
  • 38 means the temperature profile control of the induction heating system 10.
  • 39 and indicated further control units relate to controls of the downstream deformation units, for example roll stands, the train between these roll stands etc.
  • the timing control 45 acts on the above actuators, controllers etc. which coordinates the manipulated variable outputs etc. in time.
  • auxiliary controls and the interlocks are summarized, for example 41 means the automatic start-up, 42 the automatic switch-off, 43 and 44 interlocks which, for example, prevent molten steel from flowing before the casting roller pair and the forming rollers are operational , etc.
  • 41 means the automatic start-up
  • 42 the automatic switch-off
  • 43 and 44 interlocks which, for example, prevent molten steel from flowing before the casting roller pair and the forming rollers are operational , etc.
  • the strip edge separation that may be required, for example by laser, for influencing the scale formation, for example by
  • the casting and rolling process consists of a number of sub-processes, the formation and influences of which are decisive for the end product.
  • the properties of the end product for example its thickness, its thickness profile and its surface formation, can be influenced and optimized by a number of adjustable process variables, such as, for example Casting roll gap, the casting roll profile, the casting level, etc., which in turn influence the position of the union zone of the solidified metal shells deposited on the casting rolls.
  • an overall process model is advantageously created according to the invention, which describes the process behavior.
  • the influencing variables with which the process is influenced can be adapted and optimized step by step in accordance with the process conditions.
  • the intelligent, self-improving part of the control system is composed of three essential elements: the process model, the model adaptation and the process optimizer.
  • the process model consists of subsystems (modules), which will be of different types depending on the process knowledge. Knowing the physical relationships, classic, physical-mathematical models can be created. If, on the other hand, one only has experience or estimates, then fuzzy or neuro-fuzzy systems are used. If one knows little or nothing about the process behavior, such as crack formation and surface formation, neural networks are used, at least initially, for process formation.
  • the model describes the relationship between the process variables, such as the height of the mold level in the selected example, the condition values and the quality of the cast material, the setting values of the casting rolls, etc. and the quality parameters of the Band, for example the thickness, the profile and the surface training.
  • model adaptation which is based on data from past process states.
  • model adaptation provides the model parameters above. in such a way that the model behavior corresponds as closely as possible to that of the process.
  • the models themselves are optimized in a changing manner, e.g. through genetic algorithms, combinatorial evolution etc. Appropriate optimization strategies are known, e.g. from Ulrieh Hoffmann, Hanns Hofmann “Introduction to Optimization", Verlag Chemie GmbH, 1971 Weinheim / Bergstrasse; H.P.
  • control structure according to the invention with the procedure according to the invention described above leaves the previous structure of a control system.
  • level I a basic automation
  • level II a basic automation
  • intelligent self-optimization it ensures better and better process results due to the process results already achieved.
  • Individual feedback control loops can be omitted.
  • Quality control sensors are only for checking the process results necessary.
  • the control system according to the invention therefore only has two essential levels, of which the intelligent level requires no visualization except for programming. For control purposes, however, the elements of the basic automation can be visualized in a known manner.

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Feedback Control In General (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)
  • General Factory Administration (AREA)
  • Control Of Metal Rolling (AREA)

Abstract

Leitsystem für eine Anlage der Grundstoff- oder der verarbeitenden Industrie, z.B. für eine hüttentechnische Anlage, etwa zur Erzeugung von Bändern aus Stahl oder NE-Metallen, wobei das Leitsystem durch Rechnertechnik, aufbauend auf eingegebenem Vorwissen, den Zustand der Anlage und Einzelheiten eines in der Anlage ablaufenden Herstellungsprozesses, z.B. eines kontinuierlichen Gießprozesses für Bänder, selbsttätig erkennend und zur Erzielung eines sicheren Produktionserfolges situationsgerechte Anweisungen gebend, ausgebildet ist.

Description

Beschreibung
LeitSystem für eine Anlage der Grundstoff- oder der verar¬ beitenden Industrie o.a.
Die Erfindung betrifft ein Leitsystem für eine Anlage der Grundstoff- oder der verarbeitenden Industrie o.a., z.B. für eine hüttentechnische Anlage, etwa zur Erzeugung von Bändern aus Stahl oder NE-Metallen, wobei das Leitsystem durch Rech- nertechnik, aufbauend auf eingegebenem Vorwissen, den Zustand der Anlage und Einzelheiten eines in der Anlage ablaufenden Herstellungsprozesses, z.B. eines kontinuierlichen Gießprozesses für Bänder, selbsttätig erkennend und zur Erzielung eines sicheren Produktionserfolges situations- gerechte Anweisungen gebend, ausgebildet ist.
Für industrielle Anlagen zur Erzeugung oder Verarbeitung von Gütern oder Energie besteht seit jeher ein Bedürfnis nach einem Leitsystem, das eine optimale und dabei insbesondere kostengünstige, Führung des in der Anlage durchgeführten
Prozesses ermöglicht. Diesem Bedürfnis wurde bisher sub¬ optimal durch Einrichtungen der konventionellen Regeltechnik soweit wie möglich Rechnung getragen. Insbesondere bei Produktionsprozessen, die große regeltechnische Probleme mit sich bringen, steigt jedoch der notwendige regeltechnische Aufwand enorm an, ohne daß das erreichte Ergebnis wirklich zufriedenstellend ist.
Bei Bandgießanlagen für Metall, deren Betrieb besonders große regeltechnische Probleme mit sich bringt und die daher bei¬ spielhaft im weiteren behandelt werden, ist es bereits bekannt, mit miteinander verbundenen Einzelreglern oder Regelkreisen zu arbeiten. Beispiele zeigen die EP 0 138 059 AI und die EP 0 228 038 sowie der Aufsatz "Development of twin-drum strip caster for stainless steel" von K. Yanagi u.a., Metec Conference, Juni 1994, Mitsubishi Heavy Industries, Ltd./Nippon Steel Corp. Die bekannten Regelungen, die suboptimal arbeiten, obwohl sie teilweise bereits mit Reglern ausgerüstet sind, die mathematische Modelle benutzen, führen zur Herstellung von Bändern, deren Maßhaltigkeit und Qualität noch relativ großen Schwankungen unterliegen. Besonders nachteilig ist dabei, daß die Anlagen, die mit den bekannten Reglern und Regelkreisen arbeiten, schnelle, vorzugsweise hydraulische, Stellglieder benötigen, die sehr kostenaufwendig sind.
Um die vorstehenden Nachteile zumindest teilweise zu vermeiden, ist es bekannt, Expertensysteme zu verwenden. Expertensysteme als sogenannte intelligente Systeme, mit denen die Qualität der hergestellten Produkte auch in bezug auf regeltechnisch schlecht beherrschbare Qualitätsmerkmale verbessert werden soll, sind auch für Anlagen der Grundstoff¬ industrie bekannt, so z.B. aus dem Aufsatz "Process optimization for maximum availability in continuous casting", veröffentlicht in der Zeitschrift "Metallurgical Plant and Technologie International 5/1994". Derartige Expertensysteme, die den Produktionserfolg durchaus verbessern können, besei¬ tigen jedoch nicht die prinzipiellen Schwächen der konventionellen Regelung. Diese werden insbesondere dann sichtbar, wenn es sich um Vorgänge handelt, die (wie etwa in der Grundstoffindustrie) wegen des Fehlens geeigneter
Sensoren, etwa im Innern von Hochtemperaturvorgängen, nicht direkt geregelt werden können.
Speziell zur Regelung des Bandgießens von Stahl ist es zur indirekten Regelung aus der EP 0 411 962 A2 weiterhin bekannt, mit einer Kurvenschar zulässiger Eingangsgrößen als Anlagenführungsbasis zu arbeiten. Die Kurvenschar gibt den Verlauf von als sicher erkannten Eingangsgrößen-Konstella¬ tionen wieder. Ein derartiges Vorgehen, bei dem Experten- wissen über Sollwertvorgaben in die Anlagenführung umgesetzt wird, erfordert bei Qualitäts- oder Anforderungsänderungen aufwendige Anlagen-Verhaltenstests zur Ermittlung neuer Führungskurven. Darüber hinaus ist nur ein Arbeiten in weitem Abstand vom Prozeßoptimum möglich.
Es ist Aufgabe der Erfindung, insbesondere für konventionell schwierig zu regelnde Produktionsprozesse, z.B. für das Band¬ gießen von Metallbändern, ein Leitsystem anzugeben, mit dem sicher in kostengünstigen Anlagen ein besserer Produktions¬ erfolg erreicht werden kann.
Die Aufgabe wird durch ein tatsächlich intelligent ausgebil¬ detes Leitsystem gelöst, das aufbauend auf eingegebenem Vor¬ wissen, selbsttätig situationsgerechte Anweisungen für eine sichere und möglichst gute (optimale) Prozeßführung gibt. Es handelt sich also um eine vollständig ausgebildete technische Intelligenz, die überraschenderweise bereits mit den heute zur Verfügung stehenden rechentechnischen Mitteln auch für Prozeßleitsysteme von Großanlagen realisiert werden kann.
In Ausgestaltung der Erfindung ist vorgesehen, daß das erfin¬ dungsgemäße Leitsystem die situationsgerechten Anweisungen rechentechnisch schrittweise optimierend ausgebildet ist. Hierdurch wird eine weitere Steigerung des intelligenten Ver¬ haltens erreicht, die zu einer Qualität der Prozeßführung führt, die durch menschliches Bedienungspersonal nicht oder zumindest nicht in der rechentechnisch erreichbaren, kurzen Zeit erzielbar ist. .
In weiterer Ausgestaltung der Erfindung ist vorgesehen, daß das eingegebene Vorwissen, also das von Menschen vorgegebene Prozeßwissen, vorzugsweise selbsttätig, laufend durch am Prozeß während der Produktion intern rechentechnisch, z.B. in unterschiedlichen Betriebspunkten, gewonnenes Wissen verbes¬ sert und dieses selbstgenerierte Prozeßwissen in einen, ins- besondere ständig aktualisierten, Datenspeicher als neues Vorwissen übernommen wird. So wird sehr vorteilhaft eine ständig verbesserte Grundlage für eine weitere Adaption oder Optimierung des Prozesses geschaffen. Das gewonnene Wissen ist dabei nicht nur auf genauere Parameter etc. beschränkt, sondern schließt auch insbesondere die Prinzipien der verwendeten Algorithmen etc. mit ein.
Insbesondere für das Erreichen eines sicheren Produktionser¬ folges, der die Grundlage des Vertrauens der Kunden in ein derartiges System bildet, ist vorgesehen, daß das Leitsystem ein Basis-Funktionssystem für die Anlagenkomponenten auf¬ weist, welches die Anweisungen aus dem rechentechnisch, z.B. aus einem Prozeßmodell, vorzugsweise einem Prozeßgesamt- modell, gewonnenen Wissen, sicher in die Anlagenführung um¬ setzt. Durch die Verbindung eines sicheren Basisfunktions- Systems, das vorzugsweise als ein die Anlagenkomponenten je für sich oder zusammengefaßt sicher arbeitsfähig machendes Basisautomatisierungssystem ausgebildet ist, mit einem situa¬ tionsgerecht angepaßten, statischen Prozeßmodell, ergibt sich eine Ausführung, die in bezug auf die Sicherheit der Prozeß- führung der herkömmlichen Ausbildung eines Leitsystems minde¬ stens gleichwertig, in bezug auf das Kosten/Nutzenverhältnis und das sicher erreichbare Prozeßergebnis, aber überlegen is .
Von besonderem Vorteil ist dabei, daß die situationsgerechten Anweisungen, z.B. in Form von Einstellwerten, den Anla¬ genkomponenten direkt in Form von Ansteuerungswerten, etwa von Positionen oder insbesondere indirekt, z.B. über Regler¬ sollwerte, etwa für Drehzahlen, aufgegeben werden. Die Anweisungen werden besonders vorteilhaft direkt aus den
Größen des Prozeßmodells bestimmt. Dies geschieht für zeitkritische Sollwerte vorteilhaft on-line, sonst off-line. So ergibt sich eine besonders günstige Reaktion der Anlage auf geänderte Prozeßbedingungen unter vorteilhaft möglicher Einsparung von Sollwertrechnern. Vorteilhaft wird zur Erhöhung der Betriebssicherheit das Basisautomatisierungssystem als autonomes, einen sicheren Zustand der Anlage oder der Anlagenkomponenten und des Pro- zesszustandes garantierendes Subsystem, z.B. als Gefahren- Zustands-Rückfallsystem ausgebildet, das ggf. anstelle der rechentechnisch erzeugten Anweisungen, insbesondere auf als sicher erkannte, im Datenspeicher abgelegte, Betriebswerte zurückgreifen kann. So ist ein sicheres, wenn auch suboptima¬ les Arbeiten der Anlage auch bei einem Ausfall oder beim Auftreten von Fehlfunktionen des intelligenten Rechnerteils möglich.
Das Basisfunktionssystem weist vorteilhaft auch Start- und Hochlauf outinen auf, die manuell oder automatisch eingegeben werden können, sowie suboptimale Normalbetriebsroutinen, in denen einzelne, sonst rechentechnisch ermittelte, Anweisungen durch konstante, sichere Vorgaben ersetzt werden können. Eine derartige Ausgestaltung des Basisfunktionssystems ist besonders für die Inbetriebnahmephasen, für einen Betrieb mit sprunghaftem Anforderungswechsel etc. vorteilhaft. Zur, wenn auch suboptimalen, Funktion des intelligenten Rechnerteils brauchen auch nicht immer alle Modellteile in spezifisch angepaßter Form zur Verfügung stehen. Es ist vorteilhaft auch ein Betrieb mit einem nur teilweise ausgearbeiteten und/oder angepaßten Prozeßgesamtmodell möglich.
Das Prozeßmodell selbst ist in der Form als Prozeßgesamt¬ modell insbesondere odular aufgebaut und beschreibt das Ver¬ halten zwischen den Prozeßeingangsgrößen sowie den Stellgrö- ßen und den Prozeßausgangsgrößen, z.B. Qualitätskennwerten des erzeugten Produktes. Die Modularität erlaubt dabei eine besonders vorteilhafte Ausgestaltung und Bearbeitung des Prozeßgesamtmodells, da von einzelnen, gut übersehbaren, Teilmodellen ausgegangen werden kann. Das Prozeßmodell beruht vorteilhaft soweit wie möglich auf mathematischen Beschrei¬ bungsformen. Wo derartige mathematische Beschreibungsformen nicht möglich sind, wird etwa auf linguistisch formulierte Modellteile zurückgegriffen, die z.B. durch Fuzzy-Systeme, Neuro-Fuzzy-Systeme, Expertensysteme o.a. realisiert sein können. Für, z.B. völlig neue, Anlagenkomponenten, für die keine Modellbildung auf Basis mathematisch-physikalischer, chemischer oder metallurgischer Grundlagen o. . oder aufgrund von linguistisch beschreibbarem Prozeßwissen möglich ist, werden selbstlernende Systeme, z.B. neuronale Netze ver¬ wendet. So ergibt sich für alle Produktionsanlagen, gleich- gültig wie groß sie ausgelegt oder wie sie ausgestaltet sind, die Möglichkeit, ein Prozeßgesamtmodell zu erstellen.
Es ist natürlich auch möglich, den Produktionsprozeß mit den Teilen, für die kostengünstige konventionelle Lösungen zur Verfügung stehen, konventionell zu betreiben. Dann wird das sonst notwendig gewesene Modellmodul unter Berücksichtigung der Wirkung des verwendeten konventionellen Teils passend ersetzt. Dieses Vorgehen bietet sich u.U. im Haspelbereich eines Walzwerks an.
Das Prozeßmodell wird vorteilhaft aufgrund von an der Anlage gesammelten Prozeßdaten, die in einer Prozeßdatenbank archi¬ viert werden, dem Prozeß fortlaufend angepaßt und weiter ver¬ bessert, wobei dies vorteilhaft mittels adaptiver Verfahren, Lernverfahren, z.B. durch ein Backpropagation-Lernverfahren oder auch ein Auswahlverfahren für verschiedene Teilmodelle, etwa neuronale Netze oder deren Teile, geschieht. So ergibt sich ein in wesentlichen Teilen selbstgelerntes Modell, das on-line oder off-line angepaßt oder verbessert werden kann.
In vorteilhafter Ausgestaltung ist vorgesehen, daß die ein¬ stellbaren Prozeßvariablen durch den Optimierer am Proze߬ modell derart optimiert werden, daß die Modellausgangsgrößen, die insbesondere Qualitätskennwerte des Produktes sind, möglichst gut mit vorgegebenen, z.B. den anzustrebenden,
Werten übereinstimmen. Durch eine off-line-Bearbeitung der Optimierung wird der hohe Rechenaufwand derartiger Vorgänge kostengünstig beherrschbar. Die off-line-Optimierung kann sowohl auf einer separaten Recheneinheit parallel zu der Modelladaption, als auch in Pausen, z.B. am Wochenende oder bei Reparaturstillständen auf dem Rechner, der z.B. im Betrieb die Führungsgrößen des Basis-Funktionssystems ausgibt, erfolgen.
Die Optimierung erfolgt vorteilhaft mit bekannten Optimie- rungsverfahren, insbesondere über genetische Algorithmen. Die Auswahl der Optimierungsverfahren erfolgt dabei situations- und problemabhängig. Sie kann sowohl durch eine Vorgabe, z.B. aufgrund einer Analyse des Prozeßverlaufs, oder durch rechen¬ technische Auswahl aus einer Optimierungs-Methodensammlung erfolgen. Hierfür kann ein einfaches "Trial and Error"- Vor¬ gehen angewendet werden, es empfiehlt sich jedoch zur Vermin¬ derung des Rechenaufwandes, das "Trial and Error"-Vorgehen durch Konvergenzkriterien, Methoden der Mustererkennung beim Fehlerabnahmeverlauf etc. zu unterstützen.
Die jeweiligen Startwerte für eine Optimierung werden vor¬ teilhaft auf Basis der in einem Prozeßdatenspeicher archi¬ vierten, suboptimalen Betriebsdaten ermittelt. So verringert sich der Optimierungsaufwand, da die Optimierungsrechnung schon mit voroptimierten Werten beginnt, wenn sie als sicher erkannte Zwischenwerte als Startwerte benutzt.
Die Verbesserung des Gesamtsystems erfolgt zumindest dreistu¬ fig. Die unterste Stufe bildet die laufende Verbesserung des vorhandene Prozeßwissens, abgelegt im Datenspeicher, z.B. in Form von suboptimalen, sicheren Betriebspunkten, die selbst¬ tätig fortlaufend auf ein besser angepaßtes Wissensniveau ge¬ bracht werden, und von dem dann wiederum weiter ausgegangen wird. Die zweite Stufe bildet im wesentlichen die Modelladaption, die das Modellverhalten dem Prozeßverhalten möglichst gut an¬ paßt.
Als dritte Stufe erfolgt eine fortlaufende Verbesserung der situationsgerechten Anweisungen durch den Prozeßoptimierer, z.B. über evolutionäre Strategien, genetische Algorithmen etc. Diese Strategien erfordern eine große Rechenzeit und laufen vorzugsweise off-line ab.
Die Systemverbesserung wird vorteilhaft auch noch durch externe Simulationsrechnungen, Modellversuche, evtl. auch durch Versuche an der Produktionsanlage mit neuen Hilfsmit¬ teln etc., laufend unterstützt.
Das erfindungsgemäße Leitsystem wird im folgenden beispiel¬ haft anhand einer Bandgießanlage für Stahl beschrieben. Dabei ergeben sich weitere, auch erfinderische Einzelheiten und Vorteile aus der Zeichnung und der Zeichnungsbeschreibung ebenso wie aus den Unteransprüchen.
Im einzelnen zeigen:
FIG 1 eine schematisierte Darstellung der Bandgießanlage mit Meßdatenerfassung und Stellgrößenausgabe,
FIG 2 die Struktur des "intelligenten" Teils des Leitsy¬ stems mit der Sollwert-Vorgabebildung,
FIG 3 Einzelheiten des Prozeßoptimierers,
FIG 4 Einzelheiten des Adaptionsvorgangs, FIG 5 wesentliche Bestandteile des Prozeßmodells und ihre Grob-Verknüpfungsstruktur,
FIG 6 erfindungswesentliche Teile des Datenspeichers und
FIG 7 ein Komponenten-Schema der Basisaucomatisierung.
In FIG 1 bezeichnet 1 die Gießwalzen einer Zweiwalzen-Gie߬ einrichtung, wobei zwischen den Gießwalzen 1 das Material, etwa flüssiger Stahl, aus der Gießpfanne 4 über den Tundish 5 und ein Tauchrohr 6 eingegeben wird und zu einem Band 3 er¬ starrt, das in einer, durch die Kreise 2 mit Bewegungspfeilen symbolisierten, Walzanlage weiterverformt werden kann. Die nachgeschaltete Walzanlage kann auch einfach durch Förder¬ rollen, eine Haspel o.a. ersetzt werden, wenn das Auswalzen nicht unmittelbar nach dem Gießen erfolgen soll. Die Ausge¬ staltung der Gesamtanlage wird anforderungsspezifisch vor¬ genommen. Auch eine Ausbildung der, der Gießeinrichtung nachgeschalteten, Anlage als Warm-Kalt-Walzwerk ist möglich und bei sehr hohen Gießgeschwindigkeiten empfehlenswert, da dann auch der Kalzwalzteil der Anlage ausreichend ausgelastet sein kann.
Zwischen den Gießwalzen und den nachgeschalteten Einrichtun¬ gen weist die Gießwalzeinrichtung vorzugsweise ein ebenfalls nur symbolisch dargestelltes elektrodynamisches System 8,9 und ein Induktionsheizsystem 10 auf. Der elektrodynamische Systemteil 8 dient dabei vorteilhaft der Gewichtsentlastung, des gegossenen, hier noch sehr weichen und damit einschnü- rungsgefährdeten, Bandes 3 und der elektrodynamische System¬ teil 9 der Führung des Bandes 3, während dem Induktionsheiz¬ system 10 die Einhaltung eines vorherbestimmten Temperatur¬ profils über die Bandbreite obliegt, wenn sich z.B. eine di- rekte Nachverformung in einer Walzanlage anschließt. Dies ist insbesondere für rißempfindliche Stähle vorteilhaft. Die Kontrolle des gegossenen Bandes 3 auf Risse erfolgt durch eine Kamera 73, wobei vorteilhaft ausgenutzt werden kann, daß das Rißbild im Zunder durch Risse im Grundmaterial beeinflußt wird. Die Bildung einer Meßgröße erfolgt dabei vorteilhaft durch ein Neuro-Fuzzy-System.
Da die Oberflächentemperatur der Gießwalzen zur Vermeidung von Temperaturwechselbeanspruchungen im wesentlichen konstant sein soll, werden diese durch ein IR-Heizsystem 7, ein Induk¬ tionsheizsystem o. . auch in dem, nicht mit flüssigem Stahl in Berührung stehenden Bereich, auf Arbeitstemperatur gehal¬ ten. Diese und andere Einzelkomponenten der, nur grob schema¬ tisch gezeichneten, Gießwalzeinrichtung werden z.B. über Tem¬ peraturregler, Durchflußeinsteller, Drehzahlregler etc. im Rahmen der Basisautomatisierung über eine Stellgrößenausgabe 12 direkt oder geregelt eingestellt. Die Ist-Daten der Stell¬ glieder, der Regler etc. werden in der Meßdatenerfassung 11 für den Datenspeicher und den Modelleingang sowie in nicht gezeigter Weise für die Basisautomatisierung zusammengefaßt und aufbereitet. Durch die Datenübertragungen 1,11 und VI, die durch Pfeile symbolisiert sind, ist die Gießwalzein¬ richtung, in der die auf den beiden Gießwalzen 1 gebildeten Erstarrungsschalen des Stahls nicht nur vereinigt, sondern auch schon walzend vormaßhaltig geformt werden, mit dem in- telligenten Teil des Leitsystems verbunden.
FIG 2 zeigt die Struktur des intelligenten Teils des Leit¬ systems. Dieser besteht im wesentlichen aus den Teilen Pro- zeßoptimierer 15, Modell 20, Modelladaption 16 und Datenspei- eher 17. Diese Teile des Leitsystems wirken derart zusammen, daß über die Sollwertausgabe 13 möglichst gute, situationsgerechte Anweisungen über die Datenleitung V zur Prozeßführung zur Verfügung gestellt werden. Diese Anweisungen werden dann in Sollwerte für die Basis- automatisierung umgesetzt. Im folgenden wird die Aufgabe und die Funktion der einzelnen Teile beschrieben.
Das Modell 20 bildet das statische Prozeßverhalten y, = fl{u.,...,u„...,v.,...Υv ), d.h. die Abhängigkeit der n Modellausgangsgrößen y von den Stellgrößen ι.,, mit denen der Prozeß beeinflußt werden kann, und von den nichtbeeinflußbaren Prozeßgrößen v,, wie z.B. der Kühlwassertemperatur, nach. Die Modellausgangsgrößen sind da¬ bei, wie schon erwähnt, typische Qualitätsparameter des Pro- duktes. Die Modellbeschreibung y, = ("■-...,",,...-v,,-..,v,,...) erfaßt das Prozeßverhalten im allgemeinen nicht exakt, wes¬ halb y,- und y, mehr oder weniger voneinander abweichen. Über¬ tragen werden die Stellgrößen w, und die nichtbeeinflußbaren Stellgrößen v, über die Datenleitungen I und II.
Die Modelladaption 16 hat die Aufgabe das Modell zu verbes¬ sern, damit das Modellverhalten möglichst gut dem Prozeßver¬ halten entspricht. Dies kann - zumindest für Modellteile - on-line geschehen, indem diese Modellteile auf der Basis von laufend erfaßten Prozeßdaten adaptiert oder nachgeführt wer¬ den.
Für andere Modellteile kann die Adaption auch off-line zu be¬ stimmten Zeitpunkten vorgenommen werden. Dies geschieht auf der Basis einer Anzahl m von den Prozeß repräsentierenden Prozeßzuständen («,*,v*,y*), die im Datenspeicher 17 abgelegt sind. Der Index k beziffert den jeweiligen Prozeßzustand. Bei dieser Art der Adaption wird der Modellfehler
Figure imgf000013_0001
minimiert in Abhängigkeit von den Modellparametern oder der Modellstruktur. D.h. man variiert die Modellparameter bzw. die -Struktur so, daß εmöglichst klein wird.
Der Prozeßoptimierer hat die Aufgabe, mittels eines Optimie- rungsverfahrens und des Prozeßmodells Stellgrößen ut zu fin¬ den, die zu einem möglichst guten Prozeßverhalten führen. Der Prozeßoptimierer arbeitet off-line zu bestimmten, beispiels¬ weise manuell vorgebbaren Zeitpunkten und zwar wie folgt:
Zuerst werden die nichtbeeinflußbaren Stellgrößen v,, für die die Optimierung erfolgen soll - z.B. die aktuellen - , kon¬ stant gehalten und dem Modell über die Datenleitung II zuge¬ führt. Sodann wird mittels Schalter 18 der Prozeßoptimierer it dem Modell verbunden. Er gibt Stellwerte ut auf das Modell. Über das Modell werden die Ausgangswerte y, bestimmt. Diese werden mit Sollausgangswerten ySoll l verglichen, und es wird der Fehler
E = ∑(ysoiι, - y-)
1=1 bestimmt .
Der Fehler E soll minimiert werden. Zu diesem Zweck variiert der Prozeßoptimierer die Stellgrößen ut solange in einer iterativen Schleife, die jeweils die Berechnung von v, und E sowie die Neuauswahl von ut enthält, bis der Fehler nicht weiter verringert werden kann oder man diese Optimierung ab¬ bricht. Als Optimierungsverfahren können beispielsweise gene¬ tische Algorithmen, Hill-Cli bing-Methoden etc. eingesetzt werden.
Die so erhaltenen optimalen Stellgrößen uopll , die das Ergebnis obiger Minimierung sind, werden dann über die Sollwertvorgabe und die Datenleitung V als Sollwerte zum Basisfunktionssystem transferiert.
Der Datenspeicher hat die Hauptaufgabe repräsentative Proze߬ zustände (w.-v,,;-/) zu archivieren. Hierbei ersetzt er alte Pro¬ zeßdaten immer wieder durch neu ermittelte, um anhand dieser Daten eine aktuelle, wenn auch punktuelle, Prozeßbeschreibung zu ermöglichen. Der Datenspeicher versorgt dann einerseits, wie oben beschrieben, die Modelladaption. Andererseits lie¬ fert er auch Startwerte w, für den Prozeßoptimierer. Die
Startwerte werden hierbei z.B. so ausgewählt, daß die zu die- sen Startwerten gehörenden Ausgangswerte y, möglichst gut den Sollwerten ySoll l entsprechen.
Die vorzugsweise off-line arbeitende Schleife: Modell 20 und Prozeßoptimierer 15, die sich etwa z.B. genetischer Algo- rithmen zur z.B. evolutionären, Modellverbesserung bedient, arbeitet vorzugsweise deswegen off-line, weil wegen der Korn- plexität eines Anlagenleitmodells mit seinen vielen möglichen Ausgestaltungen die Rechenzeit eines evolutionären Opti¬ mierungsvorgangs vergleichsweise lang wird. Auch bei guten Optimierungsstrategien, die z.B. aufgrund einer Analyse des wahrscheinlichen Modellverhaltens ausgewählt werden, sind viele Optimierungsvorgänge bis zum Erreichen einer deutlichen Modellverbesserung durchzurechnen.
Die Erstellung einer erfindungsgemäß zu verwendenden Modell- Struktur und eines wesentlichen Teilmodells wird z.B. in dem Aufsatz "Automation Of A Laboratory Plant For Direct Casting Of Thin Steel Strips" von S. Bernhard, M. Enning and H. Rabe in "Control Eng. Practice", Vol.2, No.6, page 961-967, 1994, Elsevier Science Ltd. beschrieben. Aus dieser Veröffent- lichung sind u.a. auch die Grundstrukturen geeigneter Basis¬ automatisierungssysteme und von Startroutinen zu ersehen, auf denen der Fachmann aufbauen kann.
Als Rechner für die Prozeßoptimierung und die Parameter- adaption sind Workstations, z.B. von der Firma Sun, geeignet. Für große Leitsysteme werden vorteilhaft parallel arbeitende Rechner eingesetzt. Dies gilt insbesondere, wenn das Modell in Gruppen von Mode11-Modulen aufteilbar ist, die teilab¬ hängig voneinander optimiert werden können.
Im Vergleichspunkt 19, in den die Sollwerte, im gewählten Ausführungsbeispiel die Sollwerte für die Banddicke, die Pro¬ filform, die Oberflächengüte des Bandes etc. einfließen, werden laufend die Ergebnisse aus der Modellrechnung mit den Sollwertvorgaben verglichen. Die Differenz ist durch die
Optimierung zum minimieren. Da die Differenz bei technischen Prozessen im allgemeinen nicht Null werden kann, muß der Optimierungsvorgang sinnvoll begrenzt, also vorgegeben abge¬ brochen werden. Genauere Einzelheiten der Programmstruktur, mit der die Optimierung abgebrochen und jeweils die neue Sollwertausgabe gestartet wird, zeigt FIG 3. In FIG 3 bezeichnet 58 eine, jeweils auszuwählende, Fehler¬ funktion, in die die festgestellten Fehler (Sollwertabwei¬ chungen) einfließen. In 61 wird nun untersucht, ob die Feh¬ lerfunktion die Abbruchkriterien der Optimierung erfüllt. Falls dies der Fall ist, werden weiter optimierte Steuer- und Regelgrößen ausgegeben. Vor Erreichen des Abbruchkriteriums gelangen laufend Startwerte vom Datenspeicher in die Start¬ wertvorgabe 59, aus denen in Suchschritten in 60, nicht vom Optimierer, sondern aus dem Datenspeicher, z.B. unter Zuhil- fenahme einer Fuzzy-Interpolation, Steuer- und Regelparameter für eine suboptionale Prozeßführung gewonnen werden. Eine Umschaltung erfolgt nach Erreichen des vorherbestimmten Gütefaktors, der dem jeweiligen Leitsystem-Wissensstand an¬ gepaßt wird. Wie bereits vorstehend gesagt, wird die Minimie- rung, die ja niemals absolut sein kann, bei Erreichen des vorgegebenen Gütefaktors abgebrochen.
Aus dem Modell wird im übrigen vorteilhaft, wenn es an den Prozeß angeschlossen, d.h. Schalter 1 geschlossen ist, auch ein Alarmsignal generiert, welches das Erreichen kritischer Betriebszustände signalisiert. Derartige Prozeduren sind bereits bekannt und finden sich in gleicher Weise auch in konventionellen Leitsystemen.
In FIG 4, die die Struktur einer Modelladaption mittels eines Optimierungsalgorithmus zeigt, gelangen Daten aus der Start- wertvorgabe 61 in eine Suchschritteinheit 62 und werden von dort als Modellparameter an das Modell 63 weitergegeben. Das Modell 63 bildet zusammen mit dem Datenspeicher 64 eine Para- meterverbesserungsschleife, die in 65 in bekannter Weise die gebildeten und gespeicherten Werte vergleicht. Die Ver¬ gleichswerte werden der Fehlerfunktion 67 zugeführt, die ihre Werte an die Abbruchkriterieneinheit 66 weitergibt. Sind die Abbruchkriterien erfüllt, wird das Modell nicht mehr weiter verbessert und mit den vorhandenen Werten gearbeitet. Sonst wird die Optimierung mit weiteren Suchschritten und den Zwischenwerten im Datenspeicher weitergeführt.
In FIG 5, die die wesentlichen Teilmodelle des Prozeßgesamt- modells des Ausführungsbeispiels zeigt, bezeichnet 46 das
Eingangsmodell, in dem die Außeneinflüsse, etwa die Einflüsse aus der Qualität des eingesetzten Materials, zusammengefaßt sind. Aus der Stahl-Einsatzqualität ergibt sich z.B. der Liquiduswert, der Soliduswert, sowie weitere, das Gießver- halten kennzeichnende Größen. 47 bezeichnet das Tundishmo- dell, in das z.B. das Stahlvolumen des Tundish, die Tauch¬ rohrstellung o.a., die Stopfenstellung und die Stahl-Aus¬ flußtemperatur eingehen. Die Eingangsmodelle 46 und 47 werden im Teilmodell 56 zusammengefaßt, das den Status des zuge- führten Materials wiedergibt. Derartige Teilmodelle können vorteilhaft parallel zu anderen Teilmodellen, etwa dem Gieß- bereichsmodell, dem Walzbereichsmodell o.a. optimiert werden.
Das Eingangsmodell 48 enthält die Einflüsse, die die Erstar- rung beeinflussen, z.B. die Gießwalzenkühlung, die Infrarot- heizung etc., Das Eingangsmodell 49 enthält die Werte, die für die Wärmebilanz notwendig sind, so die Stahl-Gießwalzen- Temperaturdifferenz, den Schmiermitteleinfluß als Funktion der Schmiermittelmenge, die Kristallbildungsgeschwindigkeit der jeweiligen Stahlsorte sowie z.B. den Walzenoberflächen- zustand. Das Eingangsmodell 50 enthält z.B. die Einflüsse der Gießspiegelcharakteristik, so die Gießspiegelhöhe, die Schlackenschichtdicke und den Abstrahlungskoeffizienten. Die Eingangsmodelle 48,49 und 50 sind zu einem Teilmodell 54, das den Status Gießbereich wiedergibt, zusammengefaßt. Diese
Modellbereichs-Zusammenfassung ist allgemein für Produktions¬ bereiche vorteilhaft, da sie die Gesamt-Modelloptimierung vereinfacht und verbessert. Unter sich sind die Teilmodelle z.T. noch voneinander abhängig, so etwa in erheblichem Maß die Eingangsmodelle 49 (Eingangsmodell Wärmebilanz) und 50 (Eingangsmodell Gießspiegelcharakteristik) . Sekundärabhän¬ gigkeiten sind zur Vereinfachung nicht dargestellt.
Das Teilmodell 51 enthält alle Einflüsse auf die Erstarrungs- front, d.h. auf den Bereich, in dem die auf den beiden Kühl- walzen erstarrten Metallschalen zusammentreffen. Im wesentli¬ chen sind diese Einflüsse die Umformarbeit, die von den Gie߬ walzen geleistet wird, die Vibrationsweite der Gießwalzen oder des austretenden Bandes, die Seitenspalt-Dichtungs- einflüsse und der Anstrengungsgrad des Gesamtsystems, dies ist z.B. ein Fuzzy-Modell. Das Teilmodell 52 gibt die Aus¬ trittswerte wieder, so z.B. die Qualität des Bandes, die Austrittstemperatur- und Verteilung, aber auch die Klebe¬ neigung und den Zustand des gebildeten Zunders. In das Teil- modeil 52 geht auch das Eingangsmodell 53 und das Eingangsmo¬ dell 74 ein, die sich auf den Temperaturverlauf quer zum Band und auf den Oberflächenzustand des Bandes beziehen. Für den besonders vorteilhaften Fall, daß es sich um ein Bandgieß-Walzwerk handelt, gehen auch die Walzwerksteilmodelle 54 mit in dieses spezielle Prozeßmodell ein, da die Produktausbildung nach dem Austritt aus den Walzgerüsten das entscheidende Kriterium ist.
Die Teilmodelle sind zu dem Produkt-Ausbildungsmodell 57 zu- sam engefaßt, welches das Dickenprofil des gebildeten Bandes, die Banddicke, ein evtl. auftretendes Fehlerbild, die Korn¬ struktur des Bandes, die Oberflächenstruktur etc. zusammen¬ faßt. Die Oberflächenstruktur und insbesondere die Kornstruk¬ tur des Bandes sind nur mit erheblicher Zeitverzögerung er- mittelbar. Hier arbeitet man daher vorteilhaft mit Teilmodel¬ len auf der Basis von neuronalen Netzen zur qualitativen und quantitativen Einflußgrößenermittlung.
Aus der vorstehenden Darstellung ergibt sich der besondere Vorteil, der sich aus der Ausbildung des Modells in Modulform ergibt, da insbesondere so die Teile eines komplexen Gesamt- prozeßmodells parallel bearbeitbar werden. Dies ist besonders vorteilhaft für den Inbetriebsetzungszeitraum einer Anlage, in dem die Eingangs- und Teilmodelle den tatsächlichen Ver¬ hältnissen angepaßt, miteinander verknüpft etc. werden üs- sen.
FIG 6 zeigt schließlich den erfindungsgemäß wesentlichen Teil der Datenspeicherstruktur. 68 bezeichnet das Prozeßdaten¬ archiv , 69 den Modellparameterspeicherteil, 70 den Teil mit den Startwerten für den Optimierer und 71 den Speicherteil für die sicheren Betriebspunkte. In 68 wird auch die jewei¬ lige Modellausbildung gespeichert.
Die Basisautomatisierung, die mit ihren Regelungen, Steue- rungen, Verriegelungen etc., einen unverzichtbaren Teil des
Leitsystems bildet, da sie u.a. das sichere Funktionieren der Anlage auch bei einer Fehlfunktion des Modellteils des erfindungsgemäß arbeitenden Leitsystems garantiert, muß eine Vielzahl von Funktionen erfüllen.
Die einzelnen Funktionen sind, nicht abschließend, durch die einzelnen "black box" in FIG 7 symbolisiert. Dabei bedeutet 21 im Ausführungsbeispiel die Massenflußregelung über die Einzel-Drehzahlregler, 22 die Regelung der Tundish-Heizung, 23 die Gießspiegelregelung, 24 die Tundish-Ausflußregelung und 25 die Heizleistung des Infrarot- o.a. Schirms 7 für die Aufrechterhaltung der Betriebstemperatur der Gießwalzen. 26 bedeutet die Regelung der Schmiermittelzugäbe, z.B. in Form von losem Gießpulver oder von auf die Gießwalzen aufgetrage- ner Gießpulverpaste, 27 die Kühlwassermengenregelung, 28 ggf. die Walzenoszillationsregelung, 29 die elektrische Antriebsregelung und 30 die Walzspalteinstellung. 31 bedeutet die Walzendrehzahlregelung und 32 ggf. die Regelung des Walzendrehmoments, 33 die Einstellung des Reinigungssystems, bestehend beispielsweise aus einer Bürste und einem Schaber für die Gießwalzen und 34 die Regelung des elektrodynamischen Systems zum Ausgleich des Bandgewichtes sowie 35 die Regelung der Vibrationsweite des gegossenen Bandes. 36 bedeutet die Regelung der einzelnen Teile eines elektrodynamischen Systems zur Seitenspaltabdichtung und 37 die Regelung der Heizung für die Seitenwände des Raumes zwischen den Gießwalzen. 38 bedeutet die Temperatur-Profilregelung des Induktions¬ heizsystems 10. 39 sowie angedeutete weitere Regeleinheiten beziehen sich auf Regelungen der nachgeschalteten Ver¬ formungseinheiten, z.B. Walzgerüsten, den Zug zwischen diesen Walzgerüsten etc. Auf die vorstehenden Stellglieder, Regler etc. wirkt die Zeitsteuerung 45, die die Stellgrößenausgaben etc. zeitlich koordiniert. Im Block 40 sind beispielhaft die Hilfs-Steuerungen und die Verriegelungen zusammengefaßt, so bedeuten z.B. 41 die Anfahrautomatik, 42 die Ausschalt- automatik, 43 und 44 Verriegelungen, die z.B. verhindern, daß Flüssigstahl fließen kann, bevor das Gieß-Walzenpaar und die Verformungswalzen arbeitsfähig sind, etc. Darüber hinaus sind weitere, in dem Prinzipbild nicht dargestellte, Systeme für die ggf. erforderliche Bandkantenabtrennung, z.B. durch Laser, für die Zunderausbildungsbeeinflussung, z.B. durch
Silikatisierung, die Walzenschmierung etc. vorhanden. In der Basisautomatisierung, in die die Meßdaten I und die Soll¬ wertvorgaben V eingehen, werden die Stellgrößen VI generiert, über die die Anlage geführt wird.
Die Charakteristik des sich selbst optimierenden und wis¬ sensmäßig weiterentwickelnden Leitsystemε, am Beispiel des Gießwalzprozesses gezeigt, werden im folgenden näher erläu¬ tert:
Der Gießwalzprozeß besteht aus einer Anzahl von Teilprozes¬ sen, deren Ausbildung und Einflüsse ausschlaggebend für das Endprodukt sind. Erfindungsgemäß beeinflußbar und optimierbar sind dabei die Eigenschaften des Endproduktes, z.B. seiner Dicke, seinem Dickenprofil und seiner Oberflächenausbildung, durch eine Reihe einstellbarer Prozeßgrößen, wie z.B. dem Gießwalzspalt, dem Gießwalzenprofil, der Gießspiegelhöhe etc., die wiederum die Lage der Vereinigungszone der auf den Gießwalzen abgeschiedenen, erstarrten Metallschalen beein¬ flussen. Für eine Regelung und Optimierung wird vorteilhaft erfindungsgemäß ein Gesamtprozeßmodell erstellt, welches das Prozeßverhalten beschreibt . Auf der Basis dieses Prozeßmo¬ dells können die Einflußgrößen, mit denen man den Prozeß beeinflußt, schrittweise entsprechend den Prozeßbedingungen angepaßt und optimiert werden. Die durch diese Optimierung bestimmten situationsgerechten Anweisungen führen dann zu einer Verbesserung des Prozeßgeschehens. Insgesamt ergeben sich trotz der bei der Erstellung relativ aufwendigen, (aber mit geringerem Aufwand auch bei anderen Anlagen weiter¬ verwendbaren) , Software erhebliche Kostenvorteile, da die Anlage mit wesentlich einfacheren mechanischen Komponenten, weniger Reglern etc. arbeiten kann, als die bekannten Anlagen. Auch die Sensorik wird wesentlich einfacher, da nur die Prozeßausgangsgrößen laufend genau erfaßt werden müssen.
Zusammengesetzt ist der intelligente, sich selbständig ver¬ bessernde, Teil des Leitsystems aus drei wesentlichen Ele¬ menten: Dem Prozeßmodell, der Modelladaption und dem Proze߬ optimierer. Das Prozeßmodell setzt sich aus Teilsystemen (Modulen) zusammen, die je nach Prozeßkenntnis von unter- schiedlichem Typ sein werden. Bei Kenntnis der physikalischen Zusammenhänge können klassische, physikalisch-mathematische Modelle erstellt werden. Verfügt man dagegen nur über Erfah¬ rungswissen oder Schätzungen, so werden Fuzzy- oder Neuro- Fuzzy-Systeme verwandt. Falls man nur wenig oder nichts über das Prozeßverhalten weiß, wie etwa bei der Rißbildung und der Oberflächenausbildung setzt man, zumindest am Anfang, neuro¬ nale Netze für die Prozeßbildung ein. Insgesamt beschreibt das Modell den Zusammenhang zwischen den Prozeßgrößen, wie im gewählten Beispiel der Gießspiegelhöhe, den Zustandswerten und der Qualität des vergossenen Materials, den Einstell¬ werten der Gießwalzen etc. und den Qualitätsparametern des Bandes, z.B. der Dicke, dem Profil und der Oberflächenausbil¬ dung.
Da das Modell zu einem bestimmten, u.U. erheblichen, Prozent- satz auf unsicherem Wissen gründet, ist es nicht genau. Das Modell muß also anhand gewonnener Prozeßdaten adaptiert, ver¬ ändert etc. werden. Dies geschieht vorteilhaft einerseits mittels der bekannten Modelladaption, die auf Daten vergan¬ gener Prozeßzustände aufsetzt. Auf Basis dieser Daten stellt sie die Modellparameter o.a. so ein, daß das Modellverhalten möglichst gut dem des Prozesses entspricht. Außerdem werden die Modelle selbst verändernd optimiert, so z.B. durch gene¬ tische Algorithmen, eine kombinatorische Evolution etc. Ent¬ sprechende Optimierungsstrategien sind bekannt, z.B. aus Ul- rieh Hoffmann, Hanns Hofmann "Einführung in die Optimierung", Verlag Chemie GmbH, 1971 Weinheim / Bergstraße; H.P. Schwefel "Numerische Optimierung von Computer-Modellen mittels der Evolutionsstrategie, Basel, Stuttgart : Birkhäuser 1977; Eberhard Schöneburg "Genetische Algorithmen und Evolutionsstrategien, Bonn, Paris, Reading, Mass, Addison- Wesley, 1994; Jochen Heistermann "Genetische Algorithmen: Theorie und Praxis evolutionärer Optimierung, Stuttgart, Leipzig, Teubner, 1994 (Teubner-Texte zur Informatik; Bd 9)
Durch das erfindungsgemäße Leitsystem mit dem vorstehend be¬ schriebenen erfindungsgemäßen Vorgehen wird die bisherige Aufbaustruktur eines Leitsystems verlassen. Über einer Basis¬ automatisierung, die im wesentlichen die Prozeßebene betrifft (Level I) , befindet sich ein nur einstufiges, intelligentes Leitsystem, dem die Produktionssollwerte vorgegeben werden und das daraus selbsttätig alle Vorgabegrößen (Stellbefehle) generiert (Level II) . In intelligenter Selbstoptimierung sorgt es aufgrund des bereits erreichten Prozeßergebnisses für immer bessere Prozeßergebnisse. Einzelne Feed-Back- Regelkreise können entfallen. Nur für die Kontrolle der Prozeßergebnisse sind qualit tskontrollierende Sensoren notwendig. Das erfindungsgemäße Leitsystem besitzt also nur noch zwei wesentliche Ebenen, von denen die intelligente Ebene außer etwa zur Programmierung keiner Visualisierung bedarf. Zur Kontrolle können aber die Elemente der Basis- automatisierung in bekannter Weise visualisiert werden.

Claims

Patentansprüche
1. Leitsystem für eine Anlage der Grundstoff- oder der verarbeitenden Industrie, z.B. für eine hüttentechnische Anlage, etwa zur Erzeugung von Bändern aus Stahl oder NE- Metallen, wobei das Leitsystem durch Rechnertechnik, aufbauend auf eingegebenem Vorwissen, den Zustand der Anlage und Einzelheiten eines in der Anlage ablaufenden Herstel¬ lungsprozesses, z.B. eines kontinuierlichen Gießprozesses für Bänder, selbsttätig erkennend und zur Erzielung eines sicheren, ggf. möglichst hohen, Produktionserfolges situationsgerechte Anweisungen gebend, ausgebildet ist.
2. Leitsystem nach Anspruch 1, dadurch gekenn z e i c hne t , daß es die situationsgerechten Anweisungen optimierend, vorzugsweise selbsttätig in vorgegebenen Optimierungsroutinen optimierend, ausgebildet ist.
3. Leitsystem nach Anspruch 1 oder 2, da du r c h g e k e n n z e i c hn e t , daß das eingegebene Vorwissen, vorzugsweise selbsttätig, laufend durch am Prozeßmodell während der Produktion intern rechentechnisch, z.B. in unterschiedlichen Betriebspunkten, gewonnenes Wissen verbessert und dieses selbst generierte Prozeßwissen in einen, insbesondere ständig aktualisierten, Datenspeicher als neues Vorwissen übernommen wird.
4. Leitsystem nach Anspruch 1,2 oder 3, dadurch gekenn z e i chne t , daß die situationsgerechten Anweisungen, z.B. in Form von Einstellwerten, den Anlagenkomponenten direkt in Form von Ansteuerungswerten, etwa von Positionen oder insbesondere indirekt, z.B. über Reglersollwerte, etwa für Drehzahlen, aufgegeben werden.
5. Leitsystem nach Anspruch 1,2,3 oder 4, da du r c h g e k e n n z e i c hn e t , daß es ein Basis-Funktionssystem für die Anlagenkomponenten aufweist, das die Anweisungen aus dem rechentechnisch, z.B. aus einem Prozeßmodell, vorzugsweise einem Prozeßgesamt- modeil, gewonnenen Wissen sicher in die Anlagenführung umsetzt.
6. Leitsystem nach Anspruch 5, dadurch gekenn z e i chne t , daß das Basis-Funktionssystem als ein die Anlagenkomponenten, je für sich oder zusammengefaßt, sicher arbeitsfähig machendes Basis-Automatisierungssystem ausgebildet ist.
7. Leitsystem nach Anspruch 5 oder 6, da du r c h g ek enn z e i c hn e t , daß das Basis-Funktionssystem seine Vorgabewerte direkt aus dem intelligenten Teil des Leitsystems erhält, das diese Werte aus den Ergebnissen von Adaptierungs- und/oder Optimierungsprozessen am Prozeßmodell bestimmt.
8. Leitsystem nach Anspruch 5,6 oder 7, da d u r c h g e k e nn z e i c hn e t , daß das Basis-Automatisierungssystem als autonomes, einen sicheren Zustand der Anlage und des Prozesses garantierendes Subsystem (Gefahren-Zustands-Rückfallsystem) ausgebildet ist, das anstelle der rechentechnisch erzeugten Anweisungen, insbesondere auf als sicher erkannte, im Datenspeicher abge¬ legte, Betriebswerte zurückgreifen kann.
9. Leitsystem nach Anspruch 5,6,7 oder 8, d a d u r c h g e k e n n z e i c hn e t , daß das Basis-Funktionssystem Start- und Hochlauf outinen aufweist, die manuell oder automatisch eingegeben werden können sowie suboptimale Normalbetriebsroutinen, in denen einzelne, sonst rechentechnisch ermittelte, Anweisungen durch konstante Vorgaben ersetzt werden können.
10. Leitsystem für industrielle oder in industriellen Anlagen genutzte Prozesse, insbesondere nach Anspruch 1,2,3,4,5,6,7,8 oder 9, dadurch gekenn z e i chne t , daß der Zustand der Anlage und der einzelnen Anlagenkompo¬ nenten zur Optimierung fortlaufend anhand eines Prozeßmodells simuliert wird, das insbesondere modular aufgebaut ist und welches das Verhalten zwischen den Prozeßeingangsgrößen sowie Stellgrößen und den Prozeßausgangsgrößen, z.B. Qualitätskennwerten des erzeugten Produktes, beschreibt.
11. Leitsystem nach Anspruch 10, dadurch gekennz e i chnet , daß das Prozeßmodell zumindest teilweise, soweit es auf Basis mathematisch-physikalischer, chemischer bzw. metallurgischer oder biologischer Gesetzmäßigkeiten modelliert werden kann, mathematische Beschreibungsformen aufweist.
12. Leitsystem nach Anspruch 10 oder 11, da du r c h g e k e nn z e i c hn e t , daß das Prozeßmodell für die Anlagenkomponenten, für die Prozeßwissen vorliegt, das nur linguistisch ausgedrückt werden kann, linguistisch formulierte Modellteile aufweist, die z.B. durch Fuzzy-Systeme, Neuro-Fuzzy-Systeme, Expertensysteme oder Tabellenwerke realisiert sein können.
13. Leitsystem nach Anspruch 10,11 oder 12, da du r c h g e k en n z e i c hn e t , daß das Prozeßmodell für die Anlagenkomponenten, für die keine Modellbildung auf Basis mathematisch-physikalischer, chemischer bzw. metallurgischer oder biologischer Grundlagen oder aufgrund von linguistisch beschreibbarem Prozeßwissen möglich ist, selbstlernende Systeme, z.B. neuronale Netze, aufweist.
14. Leitsystem nach Anspruch 10,11,12 oder 13, da du r c h g e k e nn z e i c hn e t , daß das Prozeßmodell aufgrund von an der Anlage gesammelten Prozeßdaten, die in einer Prozeßdatenbank archiviert werden, dem Prozeß fortlaufend angepaßt oder nachgeführt wird und daß dies mittels adaptiver Verfahren oder Lernverfahren, z.B. durch ein Backpropagation-Lernverfahren oder ein Auswahl¬ verfahren für verschiedene Teilmodelle, etwa neuronale Netze, geschieht.
15. Leitsystem nach Anspruch 10,11,12,13 oder 14, da du r c h g e k e nn z e i c hn e t , daß die einstellbaren Prozeßvariablen off-line durch einen Optimierer am Prozeßmodell derart optimiert werden, daß die Modellausgangsgrößen, die insbesondere Qualitätskennwerte des Produktes sind, möglichst gut mit vorgegebenen, z.B. den anzustrebenden, Werten übereinstimmen.
16. Leitsystem nach Anspruch 10,11,12,13,14 oder 15, d a d u r c h g e k e n n z e i c h n e t , daß die Optimierung mit einem bekannten Optimierungs¬ verfahren, z.B. mit einem genetischen Algorithmus, dem Verfahren von Hooke-Jeeves, einem Verfahren des Simulated Annealings o.a. erfolgt und daß die jeweils angewandten Optimierungsverfahren situations- und problemabhängig, vorgegeben oder aus einer Datei ausgewählt werden, z.B. in Abhängigkeit von der Anzahl der zu optimierenden Größen und/oder der Ausbildung der zu erwartenden Minima.
17. Leitsystem nach Anspruch 16, dadu rch gekenn z e i chne t , daß die Abbruchkriterien der Optimierungsverfahren, z.B. mit neuronalen Netzen, nach einer Methode der Mustererkennung oder klassischen Konvergenzkriterien aufgrund des Optimie- rungsverlaufs ermittelt werden.
18. Leitsystem nach Anspruch 13,14,15,16 oder 17, dadurch gekennz ei chnet , daß die Startwerte für eine Optimierung auf Basis der in einem Prozeßdatenspeicher archivierten, suboptimalen Betriebsdaten ermittelt werden.
19. Leitsystem nach Anspruch 10,11,12,13,14,15,16,17 oder 18, dadurch gekenn z e i chnet , daß die Optimierung off-line anhand des Prozeßmodells erfolgt, wobei einstellbare Prozeßvariable, die so ermittelt wurden, daß die vom Modell nachgebildeten Kennwerte des erzeugten Produktes möglichst gut mit den vorgegebenen Wunschwerten übereinstimmen, als Vorgabewerte an das Basis- Funktionssystem des Prozesses gegeben werden und von diesem der Prozeß entsprechend den Vorgabewerten eingestellt wird.
20. Leitsystem nach Ansprüche 10,11,12,13,14,15,16,17,18 oder 19, dadurch gekennz ei chnet , daß die Vorgabewerte für das Basis-Funktions-System bei einer Fehlfunktion o.a. des Modells oder des Optimierers direkt aus den Daten der Prozeßdatenbank erzeugt werden können, wobei zur Verbesserung der Vorgabewerte, insbesondere zwischen den gespeicherten Betriebsdaten, interpoliert wird.
21. Leitsystem nach einem oder mehreren der Ansprüche 10 bis 19, dadur ch gekenn z e i chne t , daß das Modell, etwa bei einem Walzgießprozeß für Metallbänder, insbesondere die Beschränkungen der Stellgrößen, das Stellglied-Zeitverhalten und ggf. die Prozeßdynamik berücksichtigt, vorzugsweise im und vor dem Bereich der Gießwalzen, z.B. in Bezug auf die Lage der Erstarrungsschalen-Vereinigungszone für die auf den Gießwalzen abgeschiedenen Erstarrungsschalen.
22. Verwendung von technischer, künstlicher Intelligenz in einem Leitsystem der verarbeitenden und/oder der Grundstoff- industrie, insbesondere der Hüttentechnik, mit einem überge¬ ordneten, sich fortlaufend selbst verbessernden, intelli¬ genten Teil mit einem, insbesondere modulartig aufgebauten, Prozeßmodell, in dem eingegebenes Vorwissen und selbst- generiertes Wissen über das Verhalten der Anlage, z.B. einer Bandgießanlage oder eines Bandgießwalzwerks, vorzugsweise unter Einbeziehung eines nachfolgenden Kaltwalzens, und den Prozeß enthalten ist und einem Basis-Funktionsteil, der die Ergebnisse der künstlichen Intelligenz umsetzt und bei einer Fehlfunktion des intelligenten Teils für einen sicheren Betrieb sorgt.
23. Technische, künstliche Intelligenz nach Anspruch 23, dadurch g ekenn z e i chne t , daß über einen vorzugsweise off-line arbeitenden Optimierer, insbesondere mit Hilfe eines Gesamt-Prozeß-Modells, die für die Führung einer Anlage optimalen Betriebsparameter, Modell¬ ausbildungen, Selbstlernroutinen, Einstellkombinationen der Anlagenkomponenten, z.B. von Gieß-Walzwerks-Komponenten etc. ermittelt werden, während der Produktionsprozeß auf einer bereits erreichten, suboptimalen Basis läuft.
PCT/DE1996/000397 1995-03-09 1996-03-06 Leitsystem für eine anlage der grundstoff- oder der verarbeitenden industrie o.ä. WO1996028772A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP96905686A EP0813701B1 (de) 1995-03-09 1996-03-06 Leitsystem für eine anlage der grundstoff- oder der verarbeitenden industrie o.ä.
DE59603352T DE59603352D1 (de) 1995-03-09 1996-03-06 Leitsystem für eine anlage der grundstoff- oder der verarbeitenden industrie o.ä.

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE19508476.4 1995-03-09
DE19508476A DE19508476A1 (de) 1995-03-09 1995-03-09 Leitsystem für eine Anlage der Grundstoff- oder der verarbeitenden Industrie o. ä.

Publications (1)

Publication Number Publication Date
WO1996028772A1 true WO1996028772A1 (de) 1996-09-19

Family

ID=7756201

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/DE1996/000397 WO1996028772A1 (de) 1995-03-09 1996-03-06 Leitsystem für eine anlage der grundstoff- oder der verarbeitenden industrie o.ä.

Country Status (6)

Country Link
US (1) US5727127A (de)
EP (1) EP0813701B1 (de)
CN (1) CN1244032C (de)
AT (1) ATE185626T1 (de)
DE (2) DE19508476A1 (de)
WO (1) WO1996028772A1 (de)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19706767A1 (de) * 1997-02-20 1998-09-03 Siemens Ag Verfahren und Einrichtung zur Simulation einer Anlage der Grundstoffindustrie
WO2010051981A1 (de) * 2008-11-04 2010-05-14 Sms Siemag Ag Verfahren und vorrichtung zur steuerung der erstarrung eines glessstrangs in einer stranggiessanlage beim anfahren des glessprozesses
CN102520705A (zh) * 2011-12-31 2012-06-27 中国石油天然气股份有限公司 一种炼化生产过程优化分析方法及系统

Families Citing this family (57)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19508474A1 (de) * 1995-03-09 1996-09-19 Siemens Ag Intelligentes Rechner-Leitsystem
DE19513801A1 (de) * 1995-04-11 1996-10-17 Siemens Ag Verfahren zur automatischen Erzeugung einer Steuerung
EP0906594B1 (de) * 1996-06-21 2001-09-12 Siemens Aktiengesellschaft Verfahren und system zur inbetriebsetzung von industrieanlagen, insbesondere der grundstoffindustrie
DE19640806C2 (de) * 1996-10-02 2002-03-14 Siemens Ag Verfahren und Einrichtung zum Gießen eines Stranges aus flüssigem Material
DE19704983B4 (de) * 1997-01-29 2006-07-06 Diehl Bgt Defence Gmbh & Co. Kg Autonomes System, insbesondere autonome Plattform
JP3802965B2 (ja) * 1997-03-21 2006-08-02 ヴイ．ウリヤノフ セルゲイ 非線形の物理的な制御対象の最適制御のための自己組織化方法及び装置
DE19715503A1 (de) * 1997-04-14 1998-10-15 Siemens Ag Integriertes Rechner- und Kommunikationssystem für den Anlagenbereich
DE19731980A1 (de) * 1997-07-24 1999-01-28 Siemens Ag Verfahren zur Steuerung und Voreinstellung eines Walzgerüstes oder einer Walzstraße zum Walzen eines Walzbandes
DE19744815C1 (de) * 1997-10-02 1999-03-11 Mannesmann Ag Verfahren zur Materialflußbestimmung und -steuerung von stranggegossenen Brammen
DE19752548A1 (de) * 1997-11-27 1999-06-10 Schloemann Siemag Ag Verfahren zur Vorrichtung zum Einstellen und Halten der Temperatur einer Stahlschmelze beim Stranggießen
DE19807114B4 (de) * 1998-02-20 2006-11-23 Sms Demag Ag Verfahren zur Qualitätsüberwachung des Gießvorganges einer Stranggießanlage
AT409229B (de) * 1998-04-29 2002-06-25 Voest Alpine Ind Anlagen Verfahren zur verbesserung der kontur gewalzten materials und zur erhöhung der gewalzten materiallänge
DE19832762C2 (de) * 1998-07-21 2003-05-08 Fraunhofer Ges Forschung Gießwalzanlage, insbesondere Dünnbrammengießwalzanlage
DE19916190C2 (de) * 1998-12-22 2001-03-29 Sms Demag Ag Verfahren und Vorrichtung zum Stranggießen von Brammen
DE10001400C2 (de) * 1999-01-14 2003-08-14 Sumitomo Heavy Industries Vorrichtung zum Regeln des Gießspiegels einer Stranggußvorrichtung
DE10027324C2 (de) * 1999-06-07 2003-04-10 Sms Demag Ag Verfahren zum Gießen eines metallischen Strangs sowie System hierzu
DE19931331A1 (de) 1999-07-07 2001-01-18 Siemens Ag Verfahren und Einrichtung zum Herstellen eines Stranges aus Metall
US6505475B1 (en) 1999-08-20 2003-01-14 Hudson Technologies Inc. Method and apparatus for measuring and improving efficiency in refrigeration systems
US6564194B1 (en) * 1999-09-10 2003-05-13 John R. Koza Method and apparatus for automatic synthesis controllers
DE19959204A1 (de) * 1999-12-08 2001-07-12 Siemens Ag Verfahren zur Ermittlung einer Beizzeit eines eine Zunderschicht aufweisenden Metallbandes
US7216113B1 (en) * 2000-03-24 2007-05-08 Symyx Technologies, Inc. Remote Execution of Materials Library Designs
AT409352B (de) * 2000-06-02 2002-07-25 Voest Alpine Ind Anlagen Verfahren zum stranggiessen eines metallstranges
US6581672B2 (en) 2000-09-29 2003-06-24 Nucor Corporation Method for controlling a continuous strip steel casting process based on customer-specified requirements
ATE349288T1 (de) * 2000-09-29 2007-01-15 Nucor Corp Herstellungsverfahren von angeforderten stahlbändern
US7591917B2 (en) * 2000-10-02 2009-09-22 Nucor Corporation Method of producing steel strip
US6801817B1 (en) * 2001-02-20 2004-10-05 Advanced Micro Devices, Inc. Method and apparatus for integrating multiple process controllers
US6615098B1 (en) * 2001-02-21 2003-09-02 Advanced Micro Devices, Inc. Method and apparatus for controlling a tool using a baseline control script
US6915172B2 (en) 2001-11-21 2005-07-05 General Electric Method, system and storage medium for enhancing process control
US7367018B2 (en) * 2002-10-25 2008-04-29 Aspen Technology, Inc. System and method for organizing and sharing of process plant design and operations data
EA200500945A1 (ru) * 2002-12-09 2005-12-29 Хадсон Текнолоджиз, Инк Способ и устройство для оптимизации холодильных систем
US8463441B2 (en) * 2002-12-09 2013-06-11 Hudson Technologies, Inc. Method and apparatus for optimizing refrigeration systems
DE10306273A1 (de) 2003-02-14 2004-09-02 Siemens Ag Mathematisches Modell für eine hüttentechnische Anlage und Optimierungsverfahren für den Betrieb einer hüttentechnischen Anlage unter Verwendung eines derartigen Modells
DE10310357A1 (de) * 2003-03-10 2004-09-30 Siemens Ag Gießwalzanlage zur Erzeugen eines Stahlbandes
JP2004315949A (ja) * 2003-04-21 2004-11-11 Internatl Business Mach Corp <Ibm> 物理状態制御用情報計算装置、物理状態制御用情報計算方法、物理状態制御用情報計算用プログラム及び物理状態制御装置
SE527168C2 (sv) * 2003-12-31 2006-01-10 Abb Ab Förfarande och anordning för mätning, bestämning och styrning av planhet hos ett metallband
JP4834988B2 (ja) * 2004-12-14 2011-12-14 横河電機株式会社 連続系プロセス制御方法および連続系プロセス制御システム
DE102007025447A1 (de) * 2006-10-09 2008-04-17 Siemens Ag Verfahren zur Steuerung und/oder Regelung eines industriellen Prozesses
DE102008020381A1 (de) * 2008-04-23 2009-10-29 Siemens Aktiengesellschaft System und Verfahren zum Sammeln von Daten aus industriellen Anlagen
US8042602B2 (en) * 2009-06-16 2011-10-25 Nucor Corporation High efficiency plant for making steel
KR101130222B1 (ko) * 2009-12-24 2012-03-29 주식회사 오토스윙 용접 헬멧의 카트리지 제어방법
KR101299094B1 (ko) * 2010-08-30 2013-08-27 현대제철 주식회사 래들 교환시 용강 오염범위 예측 방법
EP2578333A1 (de) * 2011-10-07 2013-04-10 Nemak Linz GmbH Verfahren zum Steuern einer Giessanlage
CN103293951B (zh) * 2013-06-14 2015-07-29 湘潭大学 一种智能出钢材组炉组浇装置及方法
DE102013220657A1 (de) * 2013-07-26 2015-01-29 Sms Siemag Ag Verfahren und Vorrichtung zur Herstellung eines metallischen Bandes im kontinuierlichen Gießwalzverfahren
ITUD20130128A1 (it) * 2013-10-04 2015-04-05 Danieli Off Mecc Impianto siderurgico a linea di co-laminazione multipla e relativo metodo di produzione
AT516440B1 (de) * 2014-10-28 2017-03-15 Primetals Technologies Austria GmbH Strangführungssegment, Strangführungssystem und Verfahren zum Konfigurieren eines solchen Strangführungssystems
WO2016096169A1 (de) * 2014-12-17 2016-06-23 Primetals Technologies Austria GmbH Betriebsverfahren für eine hüttentechnische anlage mit optimierung der betriebsweise
US20160275219A1 (en) * 2015-03-20 2016-09-22 Siemens Product Lifecycle Management Software Inc. Simulating an industrial system
EP3293594A1 (de) * 2016-09-13 2018-03-14 Primetals Technologies Germany GmbH Verwendung umfassender künstlicher intelligenz bei anlagen der grundstoffindustrie
EP3318342A1 (de) * 2016-11-07 2018-05-09 Primetals Technologies Austria GmbH Verfahren zum betreiben einer giesswalzverbundanlage
EP3511784A1 (de) * 2018-01-15 2019-07-17 Covestro Deutschland AG Verfahren zur verbesserung eines chemikalienherstellungsprozesses
EP3511782A1 (de) * 2018-01-15 2019-07-17 Covestro Deutschland AG Verfahren zur verbesserung eines chemikalienherstellungsprozesses
EP3511783A1 (de) * 2018-01-15 2019-07-17 Covestro Deutschland AG Verfahren zur verbesserung eines chemikalienherstellungsprozesses
EP3534278A1 (de) * 2018-02-28 2019-09-04 Siemens Aktiengesellschaft Verfahren und anordnung zum rechnergestützten entwerfen einer industriellen fertigungsanlage
US11262734B2 (en) * 2018-08-29 2022-03-01 Siemens Aktiengesellschaft Systems and methods to ensure robustness for engineering autonomy
CN113485267A (zh) * 2021-07-12 2021-10-08 湖南先登智能科技有限公司 一种镍基靶材生产自动控制系统
EP4354232A1 (de) * 2022-10-11 2024-04-17 Primetals Technologies Germany GmbH Verfahren und system zum anpassen eines fertigungsprozesses

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO1994029773A1 (en) * 1993-06-14 1994-12-22 Amax Coal West, Inc. A process stabilizing process controller

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4368510A (en) * 1980-10-20 1983-01-11 Leeds & Northrup Company Automatic identification system for self tuning process controller
DE3133222A1 (de) * 1981-08-21 1983-03-03 Kraftwerk Union AG, 4330 Mülheim Verfahren zur ermittlung des augenblicklichen und des zukuenftigen zustandes eines technischen prozesses mit hilfe von nichtlinearen prozessmodellen
EP0138059A1 (de) * 1983-09-19 1985-04-24 Hitachi, Ltd. Verfahren und Vorrichtung zum Giessen eines Metallbandes zwischen zwei Walzen
US4678023A (en) * 1985-12-24 1987-07-07 Aluminum Company Of America Closed loop delivery gauge control in roll casting
JP2697908B2 (ja) * 1989-08-03 1998-01-19 新日本製鐵株式会社 双ロール式連続鋳造機の制御装置
US5212765A (en) * 1990-08-03 1993-05-18 E. I. Du Pont De Nemours & Co., Inc. On-line training neural network system for process control
DE4125176A1 (de) * 1991-07-30 1993-02-04 Lucas Nuelle Lehr Und Messgera Steuerfeld einer industriellen anlage mit einer speicherprogrammierbaren steuerung
DE4209746A1 (de) * 1992-03-25 1993-09-30 Siemens Ag Verfahren zur Optimierung eines technischen Neuro-Fuzzy-Systems
US5412756A (en) * 1992-12-22 1995-05-02 Mitsubishi Denki Kabushiki Kaisha Artificial intelligence software shell for plant operation simulation
DE4310332A1 (de) * 1993-03-31 1994-10-06 Mueller Weingarten Maschf Verfahren zur Ermittlung von optimalen Parametern eines Gießprozesses insbesondere an Druckgießmaschinen

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO1994029773A1 (en) * 1993-06-14 1994-12-22 Amax Coal West, Inc. A process stabilizing process controller

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NOWINSKI G: "LERNFAHIGE KONNEKTIONISTISCHE STRUKTUREN IN DER AUTOMATISIERUNGSTECHNIK CONNECTIONISTIC STRUCTURES WITH THE ABILITY OF LEARNING IN AUTOMATIC CONTROL", AUTOMATISIERUNGSTECHNIK - AT, vol. 42, no. 11, 1 November 1994 (1994-11-01), pages A37 - 40, XP000483092 *
W.J. LEECH: "A RULE BASED PROCESS CONTROL METHOD WITH FEEDBACK", ADVANCES IN INSTRUMENTATION, vol. 41, no. 1, 1986, RESEARCH TRIANGLE PARK US, pages 169 - 175, XP002007474 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19706767A1 (de) * 1997-02-20 1998-09-03 Siemens Ag Verfahren und Einrichtung zur Simulation einer Anlage der Grundstoffindustrie
WO2010051981A1 (de) * 2008-11-04 2010-05-14 Sms Siemag Ag Verfahren und vorrichtung zur steuerung der erstarrung eines glessstrangs in einer stranggiessanlage beim anfahren des glessprozesses
CN102520705A (zh) * 2011-12-31 2012-06-27 中国石油天然气股份有限公司 一种炼化生产过程优化分析方法及系统

Also Published As

Publication number Publication date
EP0813701A1 (de) 1997-12-29
US5727127A (en) 1998-03-10
DE59603352D1 (de) 1999-11-18
CN1179840A (zh) 1998-04-22
ATE185626T1 (de) 1999-10-15
EP0813701B1 (de) 1999-10-13
CN1244032C (zh) 2006-03-01
DE19508476A1 (de) 1996-09-12

Similar Documents

Publication Publication Date Title
EP0813701B1 (de) Leitsystem für eine anlage der grundstoff- oder der verarbeitenden industrie o.ä.
EP0813700B1 (de) Intelligentes rechner-leitsystem
DE4008510C2 (de) Regeleinrichtung mit Optimal-Entscheidungseinheit
DE4338608B4 (de) Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System
EP0534221B1 (de) Regelparameter-Verbesserungsverfahren für industrielle Anlagen
EP1200216B1 (de) Verfahren und einrichtung zum herstellen eines stranges aus metall
DE4417808C2 (de) Verfahren zum Stranggießen eines Metallstranges
EP2603333B1 (de) Echtzeit-ermittlungsverfahren für temperatur und geometrie eines metall-warmbandes in einer fertigstrasse
DE4040360A1 (de) Regelung eines mehrgeruestigen warm- und/oder kaltband-walzwerks
EP2697001A1 (de) Steuerverfahren für eine walzstrasse
DE19637917C2 (de) Verfahren und Einrichtung zum Entwurf oder zur Steuerung des Prozeßablaufs einer Anlage der Grundstoffindustrie
DE4416317A1 (de) Verfahren und Regeleinrichtung zur Regelung eines materialverarbeitenden Prozesses
EP0756219A2 (de) Verfahren zur Überwachung von Produkteigenschaften und Verfahren zur Regelung eines Herstellungs-prozesses
EP3733323B1 (de) Verfahren und stranggiessanlage zum giessen eines giessstrangs
EP0732979B1 (de) Giess-walzanlage für stahlbänder und regelsystem dafür
EP3642372B1 (de) Verfahren zum betreiben eines glühofens
DE19623671C2 (de) Verfahren und Einrichtung zum Führen eines Prozesses in der Grundstoffindustrie
DE102012002774A1 (de) Verfahren und System zum automatischen optimalen Betrieb einer Strangpresse für Metalle
DE19740691A1 (de) Verfahren und Einrichtung zur Kühlung von Metallen in einem Hüttenwerk
DE3001275C2 (de) Anordnung zum Steuern der Kühlwasserzufuhr zu Gußsträngen in einer Stranggießanlage
WO2021110300A1 (de) Verfahren und computersystem zur vorhersage einer schrumpfung eines gegossenen metallproduktes
DE10204064A1 (de) Maulweitenregelung an Segmenten für Stranggießanlagen
WO2021180719A1 (de) Verfahren zur reduzierung von prozessstörungen bei der herstellung eines walzproduktes
EP4130895A1 (de) Verfahren zum ermitteln eines steuerparameters zum steuern einer walzanlage
WO2021228927A1 (de) System und verfahren zur steuerung einer aus mehreren anlagenteilen bestehenden produktionsanlage, insbesondere einer produktionsanlage zur erzeugung von industriegütern wie metallischem halbzeug

Legal Events

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

Ref document number: 96192958.8

Country of ref document: CN

AK Designated states

Kind code of ref document: A1

Designated state(s): CN KR RU US

AL Designated countries for regional patents

Kind code of ref document: A1

Designated state(s): AT BE CH DE DK ES FI FR GB GR IE IT LU MC NL PT SE

DFPE Request for preliminary examination filed prior to expiration of 19th month from priority date (pct application filed before 20040101)
121 Ep: the epo has been informed by wipo that ep was designated in this application
WWE Wipo information: entry into national phase

Ref document number: 1996905686

Country of ref document: EP

WWP Wipo information: published in national office

Ref document number: 1996905686

Country of ref document: EP

WWG Wipo information: grant in national office

Ref document number: 1996905686

Country of ref document: EP

WWW Wipo information: withdrawn in national office

Ref document number: 1996905686

Country of ref document: EP