WO2002084420A1 - Verfahren und vorrichtung zur prozessgesteuerten modellierung einer verfahrenstechnischen anlage - Google Patents

Verfahren und vorrichtung zur prozessgesteuerten modellierung einer verfahrenstechnischen anlage Download PDF

Info

Publication number
WO2002084420A1
WO2002084420A1 PCT/DE2002/001228 DE0201228W WO02084420A1 WO 2002084420 A1 WO2002084420 A1 WO 2002084420A1 DE 0201228 W DE0201228 W DE 0201228W WO 02084420 A1 WO02084420 A1 WO 02084420A1
Authority
WO
WIPO (PCT)
Prior art keywords
model
process model
empirical
learnable
physical
Prior art date
Application number
PCT/DE2002/001228
Other languages
English (en)
French (fr)
Inventor
Otto Gramckow
Joachim Höhne
Friedemann Schmid
Original Assignee
Siemens Aktiengesellschaft
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens Aktiengesellschaft filed Critical Siemens Aktiengesellschaft
Publication of WO2002084420A1 publication Critical patent/WO2002084420A1/de

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B21B37/28—Control of flatness or profile during rolling of strip, sheets or plates
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only

Definitions

  • the invention relates to a method or a device for process-controlled modeling of a process engineering system, wherein mathematical process models are used to model the system, which consist of at least one physical process model and at least one learnable, empirical process model.
  • Process models of the automatic control are online models that have to keep pace with the process of the plant. On-line modeling therefore always looks for an optimum between accuracy and simplicity. On-line models generally describe the real process to a limited extent only and only meet the requirements of modern process modeling in conjunction with an effective on-line adaptation. Empirical empirical process models (e.g. neural networks) that can be learned are used as an online adaptation.
  • a major disadvantage of the aforementioned process modeling i.e. A so-called parallel connection of a physical model and a learning, empirical process model lies in the modeling of manual inputs. Manual interventions, which are carried out as a result of the real process, are seen as manual inputs.
  • the object of the invention is to provide a method or a device which optimally models the real process of a process engineering system.
  • the object is achieved by a method according to claim 1.
  • the object is further achieved by a device according to claim 9.
  • Advantageous developments of the method are specified in the further claims.
  • the object is achieved in that mathematical process models are used in the process for the process-controlled modeling of a process engineering system, in particular in the metallurgical industry.
  • the mathematical process models consist of at least one physical and at least one learnable, empirical process model, the physical process model being connected upstream of the learnable, empirical process model in the form of a series connection.
  • the linking of the two process models is therefore not outside the two process models and is also not predefined.
  • the linking of output data of the physical (analytical) process model P- ⁇ M fX Z öd tx ⁇ fX M t Q ⁇ ! ⁇ -i cn ⁇ 'Q. o N ⁇ rt rt 3 P- N C ⁇ P- ⁇ Hi 3
  • the adaptive empirical process model is pre-trained with data from the physical process model.
  • the device according to the invention according to claim 9 comprises a computing system for modeling a process plant, in particular the metallurgical industry, using mathematical process models, the mathematical process models consisting of at least one physical and at least one learnable, empirical process model.
  • FIG. 1 shows a process flow of a process engineering system
  • FIG. 2 shows a process model of a process engineering system
  • FIG. 3 shows a physical process model
  • FIG. 4 shows an empirical process model that can be learned
  • FIG. 5 shows a combination of a physical and an empirical process model that is capable of learning, according to the prior art
  • 6 shows a combination according to the invention of a physical and learnable, empirical process model
  • FIG 9 shows a data flow in a process model according to the invention.
  • a modern process automation of process plants such as B. in the metallurgical industry, works model-based, ie using mathematical process models.
  • the system to be automated is a determined process that delivers a certain result under certain conditions. 1 shows such a real process 2, which reacts reproducibly to a defined input vector Iprocess 1 with an output vector Op roZ ess 3.
  • the mathematical process model tries to describe the behavior of the real process mathematically.
  • Such a process model 5 is shown in FIG.
  • the process model 5 is intended to map an input vector iM o deii 4 on an output vector 0 M ⁇ dei ⁇ 6 such that the output vector 0 M ⁇ dei ⁇ 6 differs as little as possible from the output vector 0 processes
  • the process model can be of different types. If the knowledge of the laws of natural sciences and engineering, according to which the real process takes place, is known sufficiently precisely and completely, a physical process model (also called analytical process model) is formulated.
  • a physical process model 51 is shown in FIG.
  • the physical process model 51 determines the output vector O ana 61 by means of the input vector I M odei ⁇ 4.
  • the output vector 0 ana 61 corresponds to the output vector OModeii 6.
  • these are set for the real process applicable conservation laws and solves the corresponding differential equations taking into account given boundary conditions.
  • Process models of the automatic control are online models that have to keep pace with the process of the plant. On-line modeling therefore always looks for a compromise between accuracy and simplicity. On-line models therefore only describe the real process to a limited extent and only meet the requirements of modern automation in combination with an effective on-line adaptation.
  • the so-called learnable, empirical process models such as B. Neural networks used.
  • FIG. 5 shows a combination of a physical process model 51 and an empirical process model 52 that is capable of learning. The use of such combinations is known from published patent application DE 43 38 607 AI. This is referred to as a so-called parallel connection of the two process models. The type of link between the two process models is fixed.
  • the character "&" stands for addition or multiplication.
  • the learnable, empirical process model 52 is only a partial model for the correction and on-line adaptation of the physical process model 51.
  • 6 shows a combination of a physical process model and a learnable, empirical process model according to the present invention.
  • a so-called series connection is used, in which the physical process model 51 is connected upstream of the learnable, empirical process model 52.
  • the linking of the two process models does not take place outside the two process models, as shown in FIG. 5, and is also not predefined.
  • the network training can also lead to the parallel connection according to FIG. 5.
  • the network training can lead to one of the two elementary solutions according to FIGS. 3 and 4.
  • Such a borderline case arises when the physical process model 51 delivers either completely coherent or completely unusable results.
  • a consideration of these borderline cases shows the extraordinary flexibility of the so-called series connection.
  • the advantage of the series connection is that the weighting of the physical process model 51 is dependent on the model accuracy only through the online training of the learnable, empirical process model 52.
  • an analysis of the quality of the physical process model 51 used can also be made by analyzing the trained, learnable, empirical process model 52.
  • the series connection according to the invention can be used in all model-based automations.
  • 7 shows an application example of a process control of a rolling mill.
  • the real process is represented by a multi-stand finishing train of a rolling mill 14.
  • Correction values are e.g. B. Controller interventions of an automatic flatness control and / or manually carried out setpoint corrections (manual interventions).
  • FIG. 14 A practical implementation of such a profile and flatness control is shown in an overall overview in FIG.
  • the number of stands shown in the rolling mill 14 can be arbitrary.
  • an analytical setpoint calculation for the next rolled strip with respect to profile, contour and flatness with stand-specific results for bending force and roll displacement or roll limitation (pair crossing) is carried out by means of a physical process model 22.
  • These setpoints are then filtered in the downstream, stand-specific, learnable, empirical process models 23.
  • setpoints 24 are given to the rolling train 14.
  • Process data is recorded during the rolling of the current rolled strip. This includes the manipulated variables corrected by manual intervention. This is followed by on-line training 25 of the empirical process models 23 that are capable of learning.
  • FIG. 9 shows an exemplary data flow of an individual roll stand of a profile and flatness control according to FIG.

Abstract

Verfahren und Vorrichtung zur Modellierung des übergeordneten Steuerungsprozesses in einer verfahrenstechnischen Anlage, wie zum Beispiel einer Walzstrasse. Zur Vorausberechnung der Sollwerte der am Prozess beteiligten Anlagen wird eine Kombination aus physikalischen und empirischen, insbesondere neuronalen, Modellen verwendet. Dabei bilden ein oder mehrere physikalische Modelle mit dem empirischen Modell eine Serienschaltung. Das empirische Modell wird mittels Ausgangsdaten des physikalischen Modells vortrainiert und im laufenden Betrieb (online) optimiert.

Description

Beschreibung
Verfahren und Vorrichtung zur prozessgesteuerten Modellierung einer verfahrenstechnischen Anlage
Die Erfindung betrifft ein Verfahren bzw. eine Vorrichtung zur prozessgesteuerten Modellierung einer verfahrenstechnischen Anlage, wobei zur Modellierung der Anlage mathematische Prozessmodelle verwendet werden, welche aus mindestens einem physikalischen Prozessmodell und mindestens einem lernfähigen, empirischen Prozessmodell bestehen.
Bei der Regelung bzw. Steuerung von verfahrenstechnischen Anlagen, wie z. B. bei Walzwerken, ist es notwendig, Prozessgrößen oder Zustände vorausschauend zu ermitteln. Weiterhin ist es notwendig, diese Prozessgrößen oder Zustände on-line, d.h. während des Produktionsablaufes, zu optimieren. Eine moderne Automatisierung arbeitet modellgestützt, d.h. unter Einsatz von mathematischen Modellen. Die zu automatisierende Anlage ist ein determinierter Prozess, der unter ganz bestimmten Bedingungen ein ganz bestimmtes Ergebnis liefert. Das mathematische Prozessmodell versucht das Verhalten des realen Prozesses mathematisch zu beschreiben. Somit sind die Prozessmodelle der automatischen Steuerung On-line-Modelle, die schritthaltend mit dem Anlagengeschehen arbeiten.
Als mathematische Prozessmodelle sind im Wesentlichen zwei unterschiedliche Ausprägungen bekannt:
a) Sind die natur- bzw. ingenieurwissenschaftlichen (physikalischen) Gesetze, nach denen der technische Prozess abläuft, hinreichend genau und vollständig bekannt, so wird ein physikalisches (analytisches) Prozessmodell formuliert. Bei physikalischen Prozessmodellen werden üblicherweise die für den Prozess zutreffenden Erhaltungssätze aufgestellt und die entsprechenden Differenzialglei- chungen unter Einbeziehung gegebener Randbedingungen gelöst, b) Fehlen die Kenntnisse der natur- bzw. ingenieurwissenschaftlichen Gesetze des entsprechenden Prozesses, dann beschränkt sich die Prozessabbildung auf eine mathematische Beschreibung der bloßen Eingangs-/Ausgangsbeziehung. Üblicherweise kommen Verfahren der mathematischen Statistik oder der Theorie der Neuronalen Netze zur Anwendung. Im Weiteren wird hier von lernfähigen, empirischen Prozessmodellen gesprochen.
Prozessmodelle der automatischen Steuerung sind On-line-Modelle, die schritthaltend mit dem Anlagengeschehen arbeiten müssen. Eine On-line-Modellierung sucht folglich immer nach einem Optimum zwischen Genauigkeit und Einfachheit. On-line- Modelle beschreiben damit den realen Prozess im Allgemeinen nur eingeschränkt genau und genügen erst im Zusa menspiel mit einer effektiven On-line-Adaption den Anforderungen einer modernen Prozessmodellierung. Als On-line-Adaption werden lernfähige empirische Prozessmodelle (z. B. Neuronale Netze) eingesetzt .
In der deutschen Offenlegungsschrift DE 43 38 607 AI ist ein Verfahren zur Führung eines Prozesses in einem geregelten System bekannt. Dabei erfolgt zu Beginn eines jeden Prozessablaufes eine Voreinstellung des Systems in Abhängigkeit von zumindest einem Prozessparameter, der mittels eines Modells des Prozesses und diesem Modell zugeführten Eingangsgrößen vorausberechnet wird. Während des Prozessablaufes werden die Eingangsgrößen und der Prozessparameter gemessen und nach dem Prozessablauf zur adaptiven Verbesserung der Vorausberechnung des Prozessparameters herangezogen. Zur Vereinfachung und Verbesserung der Vorausberechnung des Prozessparameters wird zumindest ein Teil der Eingangsgrößen einem Neuronalen Netzwerk zugeführt, dessen Netzwerkantwort einen Korrekturwert für den von dem Modell gelieferten Näherungswert für den vorauszuberechnenden Prozessparameter bildet. Zur Adaption der Vorausberechnung an das reale Prozessgeschehen werden die Netzwerkparameter des Neuronalen Netzwerkes nach jedem Prozessablauf geändert. Hierbei wird von einer so genannten Parallelschaltung von einem Modell und einem Neuronalen Netzwerk gesprochen. Dabei ist zu beachten, dass das Neuronale Netz nur ein Teilmodell zur Korrektur und On-line-Adaption des Modells ist.
Ein wesentlicher Nachteil der zuvor genannten Prozessmodel- lierung, d.h. eine sogenannte Parallelschaltung von einem physikalischen Modell und einem lernenden, empirischen Prozessmodell, liegt in der Modellierung von Handeingaben. Als Handeingaben werden manuell durchgeführte Handeingriffe gesehen, welche bedingt durch den realen Prozess vorgenommen werden.
Aufgabe der Erfindung ist es, ein Verfahren bzw. eine Vorrichtung anzugeben, das bzw. die den realen Prozess einer verfahrenstechnischen Anlage optimal modelliert.
Die Aufgabe wird erfindungsgemäß durch ein Verfahren gemäß Anspruch 1 gelöst. Die Aufgabe wird weiterhin durch eine Vorrichtung nach Anspruch 9 gelöst. Vorteilhafte Weiterbildungen des Verfahrens sind in den weiteren Ansprüchen angegeben.
Gemäß der Erfindung wird die Aufgabe dadurch gelöst, dass bei dem Verfahren zur prozessgesteuerten Modellierung einer verfahrenstechnischen Anlage, insbesondere in der Hüttenindustrie, mathematische Prozessmodelle verwendet werden. Die mathematischen Prozessmodelle bestehen mindestens aus einem physikalischen und mindestens einem lernfähigen, empirischen Prozessmodell, wobei das physikalische Prozessmodell in Form einer Reihenschaltung dem lernfähigen, empirischen Prozessmodell vorgeschaltet ist. Die Verknüpfung der beiden Prozessmodelle erfolgt damit nicht außerhalb der beiden Prozessmodelle und wird auch nicht fest vorgegeben. Die Verknüpfung von Ausgangsdaten des physikalischen (analytischen) Prozessmodells P- ≤ M fX Z öd tx < fX M t Q <! ι-i cn Λ' Q. o N ^ rt rt 3 P- N CΛ P- Φ Hi 3
Φ φ 3 Φ P- Φ Φ O 0) P- c- Φ Φ Φ P- O φ P- i Φ φ o P Φ rt cn p. tu: P- -> P ι-i P- P i-i P Hi ι-i 3 l-i ω 3 P- φ 1 CΛ Φ P P H α cn Φ rt Hi tr rt
Q. φ p- ' tx φ P- Φ ιQ 0 tu: ≤ O P- et CΛ X ιQ 3 d Φ CΛ cn t O P- ω φ P- CΛ Φ Φ P- P Φ Hi 53 φ tr et cn P- 3 P- Hi o 3 et (-> yQ H
P P P- P 0 s. σ u: P Φ < Φ i o σ α tu: P o d iQ φ P-
N φ o P- P tu φ tu tr Φ ts Q. O s: φ P- P- Φ tr α α Hi rt i P fd l-i P P Φ P- P α P- C- P- P- Φ C P P- 1 Φ φ ι-i P- u φ Φ tu ιQ ^ Q
< £ 1 Φ ι-( P α tu et et ιQ P rr d H O P. P- CΛ iQ ι-i 1-' p tu P- tu
O ω tr h-> Φ CΛ Φ Φ Φ φ Φ p> 0 Φ tr ι-i rt Φ tr Φ cn H) H P- tr 3 Φ ti
H ιQ Φ P- > z ^0 P> CΛ i ω l-i 2 o tr P- rt tu Φ tu: P> Φ CΛ tu: Φ t) Φ ä yQ tu ω P tx φ Φ Φ N P P- • rt P- ι-i ^ Ό CΛ
<! P o φ tu P- P- P Φ TI Φ <! 13 φ Φ φ P i CΛ Φ φ H1 N α Φ P- Z
O ιQ P Ό et tr P P- < i-i 3 O tr CΛ P- l-i ιQ P- σ α O Φ 3 P- Φ c Φ ι-i ι-i Φ
P ω α α rt Φ Φ u P O o Ό ι-i : cn P P Φ φ P P Ό P ti P- ω P P- ι-i α Φ c P- ι-i er i-i N P- rt CΛ 3 Φ S α. iQ H l-i P- φ Hi φ Hl CΛ rt a ι-i l-i O Φ < tr Ό ri- φ P Φ P- o O Φ Φ •XI ι-i cn 0- P- •z tu: O Φ
Φ ri- ω o P P o tu: tr Φ CΛ P- P- s CΛ α < CΛ ι-i H P- tu P N φ tr tr 0
3 Φ tr H, P *< P- CΛ CΛ t Φ Φ φ o 0 Hi o CΛ Ό N α s. et P- Φ
P" < ώ) < uQ ιQ CΛ 3 o tr tu -< Ό cn ι-i υq tu: N o tr C- Φ φ N iQ P fd
•σ o φ Φ o Φ P- P- tr o tr tu P- -1 h-1 f-- tr rt φ P- Φ tr •< ti n rt Φ i t l-i H) CΛ H CΛ iQ ? tu α Φ Hi CΛ CΛ *< tQ ^< PJ Φ ti CΛ Φ CΛ Hi ^ ι-i ti θ
^ Φ et C-: r+ n Φ t Hi Φ et O CΛ Φ CΛ φ P- tu Φ CΛ CΛ P- 0 C 3 tu *• l-i \ ω Cή Φ tT Φ tr P rr TJ Φ tr tu Φ P P- p, P 3 ? tr P tu: P- o o
P- P- H Φ P- PJ P- Φ P- ι-i P Φ (U ? ti P < o τ> tu ι-i Q. 53 P Φ N
; h-1 rt 1-1 CΛ • o ti o f- tu Hi tr rt Φ p> Φ P- P- 3 Φ Φ
PJ Φ tr . 3 t rr o > N > tr Φ P- j: Φ Φ ι-i Φ o P- P tr uq ti Ό cn ι-i
H" tu Hi tu Φ Φ tr C Φ C ^d CΛ LQ P- CΛ P α H N CΛ Φ cn ^Q P- CΛ
P- P Hi pi: Hi rr ι-i Φ CΛ CΛ cn ι-i Φ Λ" CΛ P- rt Φ Φ o P rt CΛ ι-i 3 P-
CΛ Hl rt tr et P CΛ ^Q CΛ ιQ o P- r Φ n ιQ Φ o c Φ CΛ tr Q. N φ • P- o P
O u: Φ P- Φ P- Hi Φ 3 Φ N P l-i P- tr Φ tr φ rt CΛ Φ tu c CΛ c ri¬ iP- tr P U3 ts CΛ u: d cn o CΛ φ Φ tu rr Φ P rt P- H N 3 CΛ CΛ cn > n φ et»
Φ P- Φ et tr H et rr CΛ P- P tr P- d o cn rt ι-i C- tr ι-i
P ιQ > P . P- o tu Φ t CΛ > P φ α Φ o 0- d Φ rt H> Φ P
Φ c C- yQ N H 3 c P- ι-i rd φ tu P tr tr φ ι-i α ιQ t) ω Φ
TI P CΛ CΛ Φ φ rt rr o ω φ Hi ι-i 3 ι-i CΛ rt Φ O tu α tu P ι-i ιQ Φ ιQ 3 CΛ P C ω ι-i O O Ti P- o rt N CΛ Φ φ tr d . — . o Φ 3 Φ »« CΛ P Φ P Φ tu r N P- P tr ι-i φ P ι-i Φ ι-i N tS3
N Φ CΛ O CΛ 3 υ3 P- ιQ ιQ φ ιQ Φ P, tu P- Φ o ω 3 • o • ≤ φ 3 rt P- rr Φ o 3 Φ ti rt CΛ H- φ P- α ω tu <! α N P-
CΛ t> tx> l-i PJ 3 α α CΛ - • CΛ CΛ rt tr φ 3 rt σ φ Φ φ w cn ω P- P- Ό φ φ tu Φ f=: 3 O tu C w Φ H o tr tu p cn cn • O
3 P> et CΛ rr P- -i PJ p. rt σ o tr cn ti c P Φ cn ? ω tr o P- C O C- ι-i CΛ ι-i Φ Φ ti (O, Φ cn ιQ i > u Φ 3 ti Z 3 z Φ α CΛ P tr P P- w w Φ ι-i ι-i φ ti Φ P- t-1 h-1 tu 2 : Φ O φ ti
Φ o ιQ Φ ιQ CΛ 3 -i ≥! ι-i Hi 3 P- PJ φ 0- p, CΛ CΛ rt Φ Ό rt c z
I—1 t ts O P- Hi Φ Hi Hi α Hi l-i H" TJ p, Φ o rt • P- rt N Φ ι-i Φ
Φ fX t P P- f- P- Φ P- tu: Φ CΛ ι-i CΛ i-i ι-i • d cn N f- rt O l-i
P Φ τι φ Φ 3 p, 3 ti φ tr ? o rt α, tu φ n rt P ι-i H1 ti rt er l-i l-i H P Φ c O α • P- r P- N tr Φ ö H P- tr ι-i ^Q tu tu Φ
Φ Ti o CΛ C- P C- Q iQ P Φ c Φ ti P- tu P Φ tu P- cn P
P ι-j M N H τι et P tu P φ CΛ C P- rt φ -1 P- α ti Φ Φ
Φ o H Φ l-i P> Φ iQ U3 rr ti tu: cn l-i H ι-i 13 Φ P- H ω o N Hi CΛ Hi o ti Φ φ ^ cn φ P- CΛ P- N CΛ CΛ P- cn S 3 o φ P- tö φ Φ ι-i P- P ti tr Φ tr tr o tr P o φ -1 P- o ti yQ CΛ Z cn
P CΛ P 3 0 Φ P- CΛ φ rt tu: α tr rt CΛ ti N Q d cn rt φ
Φ CΛ tx o tx CΛ N Φ •z rϊ φ 3 P Φ a T) Φ l-i n φ Φ i-i et et 3 c 1 c CΛ z ^Q φ cn Ό cn uq ^ tu ι-i tu tr cn CΛ ?ϊ o σ C N Φ o P ti 3 φ n- et P- P- P- Λ o O tu CΛ t 1 φ P ι-i
1 o P- N tu 1 O CΛ 1 tr 1 P 1 α P
1 CΛ tr 1 1 1 P 1
und anschließend als Eingangsdaten des lernfähigen, empiri¬ schen Prozessmodells verwendet.
Die so genannte Reihenschaltung des physikalischen Prozessmodells und des lernfähigen, empirischen Prozessmodells hat sich besonders vorteilhaft in der Führung von walztechnischen Prozessen, wie z. B. die Vorausberechnung, Voreinstellung und Nachberechnung von Profil und/oder Planheit in Walzgerüsten einer Walzstraße, gezeigt.
Gemäß einer weiteren vorteilhaften Ausgestaltung der Erfin¬ dung wird das lernfähige, empirische Prozessmodell mit Daten des physikalischen Prozessmodells vortrainiert.
Die erfindungsgemäße Vorrichtung nach Anspruch 9 umfasst ein Rechensystem zur Modellierung einer verfahrenstechnischen Anlage, insbesondere der Hüttenindustrie, mittels mathematischer Prozessmodelle, wobei die mathematischen Prozessmodelle aus mindestens einem physikalischen und mindestens einem lernfähigen, empirischen Prozessmodell bestehen. Dabei ist in dem Rechensystem das physikalische Prozessmodell in Form einer Reihenschaltung dem lernfähigen, empirischen Prozessmodell vorgeschaltet.
Die Erfindung sowie weitere Vorteile und Details werden im Folgenden anhand von schematisch dargestellten Ausführungsbeispielen in der Zeichnung näher erläutert. Es zeigen:
FIG 1 einen Prozessablauf einer verfahrenstechnischen Anlage, FIG 2 ein Prozessmodell einer verfahrenstechnischen Anlage, FIG 3 ein physikalisches Prozessmodell, FIG 4 ein lernfähiges, empirisches Prozessmodell, FIG 5 eine Kombination eines physikalischen und eines lernfähigen, empirischen Prozessmodells nach dem Stand der Technik, FIG 6 eine erfmdungsgemaße Kombination eines physikalischen und lernfahigen, empirischen Prozessmodells,
FIG 7 einen Aufbau einer Prozesssteuerung eines Walzwerkes,
FIG 8 eine Übersicht eines Prozessmodells für die Profil- und/oder Planheitssteuerung eines Walzwerkes und
FIG 9 einen Datenfluss m einem Prozessmodell gemäß der Erfindung.
Eine moderne Prozessautomatisierung von verfahrenstechnischen Anlagen, wie z. B. in der Hüttenindustrie, arbeitet modellgestutzt, d. h. unter Einsatz von mathematischen Prozessmodellen. Die zu automatisierende Anlage ist ein determinierter Prozess, der unter bestimmten Bedingungen ein bestimmtes Ergebnis liefert. In der FIG 1 ist ein derartiger realer Prozess 2 dargestellt, der auf einen definierten Eingangsvektor Iprozess 1 reproduzlerbar mit einem Ausgangsvektor OproZess 3 reagiert. Das mathematische Prozessmodell versucht das Verhalten des realen Prozesses mathematisch zu beschreiben. In FIG
2 ist ein derartiges Prozessmodell 5 dargestellt. Das Prozessmodell 5 soll einen Eingangsvektor iModeii 4 auf einem Ausgangsvektor 0Mθdeiι 6 derart abbilden, dass sich der Ausgangsvektor 0Mθdeiι 6 möglichst wenig von dem Ausgangsvektor 0Prozess
3 unterscheidet. Das setzt allerdings nicht nur ein hinreichend gutes Prozessmodell, sondern auch einen hinreichend vollständigen und quantifizierbaren Eingangsvektor IModeiι 4 voraus .
Das Prozessmodell kann von unterschiedlicher Ausprägung sein. Sind die Kenntnisse der natur- bzw. ingenieurwissenschaftlichen Gesetze, nach denen der reale Prozess ablauft, hinreichend genau und vollständig bekannt, so wird ein physikalisches Prozessmodell (auch analytisches Prozessmodell genannt) formuliert. In FIG 3 ist ein physikalisches Prozessmodell 51 dargestellt. Mittels dem Eingangsvektor IModeiι 4 ermittelt das physikalische Prozessmodell 51 den Ausgangsvektor Oana 61. Dabei entspricht der Ausgangsvektor 0ana 61 dem Ausgangsvektor OModeii 6. üblicherweise stellt man die für den realen Prozess zutreffenden Erhaltungssätze auf und löst die entsprechenden Differenzialgleichungen unter Einbeziehung gegebener Randbedingungen.
Fehlen entsprechende Prozesskenntnisse, dann wird der Prozess als unbekannt betrachtet und es erfolgt eine mathematische Beschreibung der bloßen Beziehung zwischen Eingangsgröße und Ausgangsgröße. Es kommen Verfahren der mathematischen Statistik oder der Theorie der Neuronalen Netze zur Anwendung. Diese Verfahren sind als lernfähige, empirische Prozessmodelle bekannt. FIG 4 zeigt den Einsatz eines derartigen lernfähigen, empirischen Prozessmodells 52. Aus dem Eingangsvektor IModeii 4 ermittelt das lernfähige, empirische Prozessmodell 52 den Ausgangsvektor Onn 62. Dabei entspricht der Ausgangsvek¬ tor Onn 62 dem Ausgangsvektor 0Mθdeiι 6.
Prozessmodelle der automatischen Steuerung sind On-line-Modelle, die schritthaltend mit dem Anlagengeschehen arbeiten müssen. On-line-Modellierung sucht folglich immer nach einem Kompromiss zwischen Genauigkeit und Einfachheit. On-line-Modelle beschreiben den realen Prozess somit nur eingeschränkt genau und genügen erst im Zusammenspiel mit einer effektiven On-line-Adaption den Anforderungen einer modernen Automatisierung. Für die On-line-Adaption werden die so genannten lernfähigen, empirischen Prozessmodelle, wie z. B. Neuronale Netze, eingesetzt. In FIG 5 ist eine Kombination von einem physikalischen Prozessmodell 51 und einem lernfähigen, empirischen Prozessmodell 52 dargestellt. Der Einsatz derartiger Kombinationen ist aus der Offenlegungsschrift DE 43 38 607 AI bekannt. Dabei wird von einer so genannten Parallelschaltung von den beiden Prozessmodellen gesprochen. Die Art der Verknüpfung der beiden Prozessmodelle ist fest vorgegeben. Das Zeichen "&" steht wahlweise für Addition oder Multiplikation. Dabei ist zu beachten, dass das lernfähige, empirische Prozessmodell 52 nur ein Teilmodell zur Korrektur und On-line- Adaption des physikalischen Prozessmodells 51 ist. FIG 6 zeigt eine Kombination eines physikalischen Prozessmodells und eines lernfähigen, empirischen Prozessmodells gemäß der vorliegenden Erfindung. Dabei wird eine so genannte Reihenschaltung verwendet, bei der dass das physikalische Prozessmodell 51 dem lernfähigen, empirischen Prozessmodell 52 vorgeschaltet ist. Die Verknüpfung der beiden Prozessmodelle erfolgt dabei nicht wie in FIG 5 dargestellt außerhalb der beiden Prozessmodelle und wird auch nicht fest vorgegeben. Die Verknüpfung von Ausgangsvektor 0ana 61 mit Eingangsvektoren IModeii 4 und/oder mit internen Zwischenwerten, welche in der FIG 6 nicht dargestellt sind, des lernfähigen, empirischen Prozessmodells erfolgt im lernfähigen, empirischen Prozessmodell selbst und es ist Aufgabe des Netztrainings die zweckmäßigste Art der Verknüpfung zu finden und herzustellen. Das Netztraining kann im Sonderfall auch zur Parallelschaltung nach FIG 5 führen. Das Netztraining kann weiterhin im Grenzfall zu einem der beiden elementaren Lösungen gemäß FIG 3 und 4 führen. Ein derartiger Grenzfall ergibt sich, wenn das physikalische Prozessmodell 51 entweder völlig stimmige oder völlig unbrauchbare Ergebnisse liefert. Eine Betrachtung dieser Grenzfälle zeigt die außerordentliche Flexibilität der sogenannten Reihenschaltung. Der Vorteil der Reihenschaltung besteht darin, dass erst durch das On-line-Training des lernfähigen, empirischen Prozessmodells 52 die Gewichtung des physikalischen Prozessmodells 51 in Abhängigkeit von der Modellgenauigkeit erfolgt. Indirekt lässt sich damit durch Analyse des trainierten, lernfähigen, empirischen Prozessmodells 52 auch eine Aussage über die Güte des verwendeten physikalischen Prozessmodells 51 treffen.
Die erfindungsgemäße Reihenschaltung lässt sich in allen modellgestützten Automatisierungen anwenden. In FIG 7 ist ein Anwendungsbeispiel einer Prozesssteuerung eines Walzwerkes erläutert. Der reale Prozess wird durch eine mehrgerüstige Fertigstraße einer Walzstraße 14 dargestellt. Über die Walzstrategie 11 werden Primärdaten für den Walzvorgang, wie z. B. Sollplanheit/-profil, an die Vorausberechnung 12 vorgege- s CΛ fX PJ U P M tsi Φ α o σ tu < tr fX fX CΛ yQ α S tr cn (X T) er tu O d cd P Φ P Z - — - — - o P Φ Φ o ti φ tu P rt tu P P Φ i— • P-1 P φ P ti φ i-i l-i et H" P ω n o 0
N P-1 O yQ tr P Q (X yQ *• N rt tu tr N .
Φ ≤ tr tx dd PJ <! Öd p» £ Öd fX Z N 3 T) S N < Cu Φ tu tu et Φ CΛ Φ So LJ ω φ
P Φ fX P tu Z o Φ oo O tu Φ u • P ι-i tu Φ o P rt fX tx ι_ι rt p, Φ φ rt cn σ tr l-i Φ Φ φ 0 rt φ P ι-i tx P ι-f o rt o o l-i yQ PJ (U Φ Φ tr i-i - Z cn P
P rt P p CΛ tx d cn tu Φ d Φ fX tr öd N N tr tu φ CΛ Ό 13 P tx Φ tu Φ tx Φ Q cn Φ φ Φ i tr tx ti Φ cd P P fX Öd tr • vQ Φ Φ ti cd P rt rt ti O CΛ 03 yQ cd P Φ rt yQ φ S Φ P iQ ti CΛ rt (X tu tu Φ CΛ i C CΛ tr n P P φ n O φ et l-i ti Φ <
C Hi tu N o et tr CΛ u rt CΛ ι-i cn Φ cn tr ti tr Φ tr O o tr tr φ o CΛ tu Cd o ti Cd T 1— ' d ?r fX (-■ Φ rt x Φ P φ Φ P tx P Q Φ P P ti N ι-i P> tr cd Φ ι-( yQ ι-i l-i N yQ Φ Φ P l-i Φ tu P CΛ o P O cd φ P P Φ ►< ti φ J-» ι-i • P Φ ι-i J o yQ H" 0 ι-i O Φ Ό tr cd tr P <C| tx Φ tr P P1 P1 ? P P φ tu Cd cd
Cd (X Hi Φ P Ό tr o H" rt P1 tx ti CΛ N o cd φ n P> P yχ> y > Φ tr ti P-1 σ o M P cn ti P P p n i-i öd Φ tr d P
Figure imgf000011_0001
Φ d rt Φ tr P ι-i tr P 3 Φ o φ J tr l-i ιQ tr tx φ d tr o ) ts p o ι-i P α P Hi yQ 2 rt cd P PJ CΛ tu P rt < σ cn 3 φ
1 CΛ Φ Hi P O cd yQ 0 yQ CU rt cd CΛ c Φ tr cn P o Z Cu Φ rt P l-i
-3 rt P tx d P φ rt P tr 0 ti rt Φ rt tr CΛ tx Φ P P Φ rt tu φ
P> 0 cd Φ N Ό tu yQ tx P1 -i (-1 Φ yQ p S yQ • • ι-i tx Φ Φ ti rt rr p> o * i-i ti ^< ω φ to Hl ^] Cd φ d t " tu φ P tx Φ cn S -1 • tr
N Φ tx Hi i J P P> ι-i P> l-i p S P1 φ ti z O P rt tu d 0 φ P d P P rt c cu cn Hi P1 ιQ N Φ > o CΛ tu rt yQ TI cd p σ d
P ti Ti P P cu tr tu P) cd cn cd Cn M Φ ι-i ι-i p. o Φ Φ ι-i rt N ιt-1 P
<! CΛ ω o Φ rt (X tx Hi et H p. - — . ti rt Hi fX O Φ tr cn 0 ti o N & Φ Q
Φ rt PJ α π tr P ω Φ PJ Φ cd Hi S < Φ Cd P P tu σ rt tr N rt u fX ι-i Φ P P> tr et 3 CΛ O t ti tx P PJ tu Φ p Φ 1 Φ P> P CΛ Φ ti Φ < P1
CΛ tr cn Φ φ rt Φ u t Cn l-i P1 rt Φ ι-i P P o CΛ CΛ x ι-i o M n (-■ Φ Φ cd P P P P H CΛ Λ N CΛ ω tx Φ P P Φ cx cn CΛ P -i tr cd P l_l ι-i ti !^ u Φ cn 03 d d o ^ tu -i 3 n P o H-1 3 o < K u cn
P ti rt φ o tx 3 o p, öd rt tu tu ti p tr CΛ Φ rt tr y tr s: o tr O P cd rt
Φ yQ CΛ s: ι-i TJ PJ tr rt tu tx P yQ Q P Z to 1 Φ ti Φ Φ £X ι-i P CΛ Φ tr cn Φ tu Φ tx Hi Φ CΛ PJ rt tx — - Φ P P Φ > o d c ti l-i Φ tx CΛ tr d CX rt P cd ι-i φ Φ o P P rt cd (X τ> tr φ tu yQ α tr P P <-r P fX rt Φ
P Φ Φ cn rt CΛ H CΛ Φ φ tu P 3 d O φ tu ti yQ tx TI φ J Φ Φ Φ ι-i rt Q ι-i d cn er P σ yQ S P rt o P P N tr h-1 Ό P -i Φ CΛ φ φ Φ yQ rt Φ Φ o tx Φ N rt yQ • CΛ rt cn P1 φ o P> • < CΛ I-" o Φ tr er ι-i P P CΛ Φ P ti CX φ ^~. P φ rt rt p, P o -j X N ) o Φ cd tr P
N Φ c ) φ rt o 3 tx φ P o Q cn Φ tö Φ φ o tr PJ φ M ι-i P 0 P 0 z P i O o ι-i tr φ φ Φ P1 CΛ s • P i Φ Hl X- CΛ er CΛ ) ιQ cd Φ tx Q tr tr tu ti s P P1 PJ p, Z ( , p CΛ tu S CΛ ti d rt CΛ Φ (d H ti
Φ . CΛ ti o tu Ό cd cd J Φ PJ S tu N P . p, ≤ cn P yQ N s ti rt cd Φ ι-i s tu Hl ω tx N tu tu cd T 3 Φ Φ tr ti Φ Φ t σ Φ P o 3 ) l-i tr rt N Φ Φ Q N cd P Φ φ n P, Φ H P1 0
CΛ PJ yQ Φ iQ Z P) Φ x et <i P, Φ N tr CΛ <l O P d tr tr tx p, tu M <-r
N et CΛ Cd P P PJ N 3 P P> Φ tu CΛ Φ tu ^ Φ N P CΛ l-i P φ φ cd a l-i
Φ Φ tu tx P CΛ tr φ Φ rt ti s O P P ι-i Φ Φ Φ P o h tu Hl )
P PJ π ti φ Φ o N P> rt P Φ S rt tu tr CU tx tx CΛ CΛ (X o rt tr Cd
CΛ H" ι-i tx ι-i ι-i tr Φ P Φ rt P tu Φ Z ti Φ rt CΛ CΛ P fX . α ti P tsi tr φ o ιQ ^ ti (X P, Φ ι-i N P CΛ P. Φ • rt φ Φ P C ti cn P tr Φ φ < S < Φ rt P» N cn ti rt cx tr tu CΛ ι-i T) φ p rt rt ι-i P er o tu o cn CΛ > Φ cπ tr σ rt tx Φ • Hi Φ ü ti Φ i-i yQ cx ι-i cd
Φ 3 Hi l-i ι-i P • o P tu tu ι-i P -> o p P 3 Z o Hi P tu φ Hl ti tx P O φ N yQ 0 Cd ti rt J yQ tr Φ P φ N cd P1 φ So P yQ
Ϊ Φ ω P CΛ φ (X Hi ö P tx Φ ÖD ;v cd • Q υ3 cn ti φ ι-i K) Φ 0 tu d P Q ti rt Q d CU tx 0 Φ Φ P φ CΛ S Φ l-i P CΛ S φ tr
0 - CΛ et CΛ l-i φ 0- P rr PJ P Q öd P o o cd yQ CΛ u Cu Hi φ Q P et CU er P Φ cd P1 rt * φ (X 3 1 3 P cd cd
Hi S --=. " 1 φ P o s P Φ 3
P Φ Φ φ P tx ι-i o Φ Hi N P o tx tx 1— ' φ 1 P P rt 1 Φ 1 1 yQ φ 1 φ φ 1 p
(Pair Crossing) . Aufgrund des höchst komplexen Walzprozesses sind bezüglich Profil- und Planheitssteuerung keine optimalen Stellgrößen bekannt. Allerdings geben die während des Banddurchlaufes anhand der erzielten Bandqualitäten gegenüber der Voreinstellung vorgenommenen Korrekturen eine Orientierung für eine verbesserte Sollwerteinstellung. Folglich können diese für ein Netztraining als Zielwert für die verbesserten Stellgrößen dienen. Der Zielwert ist hierbei definiert als Summe aus dem Rechenwert aus der Vorausberechnung und dem Korrekturwert. Korrekturwerte sind z. B. Reglereingriffe einer automatischen Planheitsregelung und/oder manuell durchgeführte Sollwertkorrekturen (Handeingriffe) .
Eine praktische Realisierung einer derartigen Profil- und Planheitssteuerung wird in einer Gesamtübersicht in FIG 8 dargestellt. Die Anzahl der in der Walzstraße 14 dargestellten Gerüste kann beliebig sein. In der Profil- und Planheitssteuerung 21 wird mittels physikalischem Prozessmodell 22 eine analytische Sollwertberechnung für das nächste Walzband bezüglich Profil, Kontur und Planheit mit gerüstspezifischen Ergebnissen für Biegekraft und Walzenverschiebung bzw. Walzenschränkung (Pair Crossing) durchgeführt. Anschließend erfolgt eine Filterung dieser Sollwerte in den nachgeschalteten, gerüstspezifischen, lernfähigen, empirischen Prozessmodellen 23. Entsprechend der nachgeschalteten, gerüstspezifischen, lernfähigen, empirischen Prozessmodelle werden Sollwerte 24 an die Walzstraße 14 vorgegeben. Während der Walzung des aktuellen Walzbandes werden Prozessdaten erfasst. Darunter sind auch die durch Handeingriffe korrigierten Stellgrößen zu verstehen. Anschließend erfolgt ein On-line-Training 25 der lernfähigen, empirischen Prozessmodelle 23.
FIG 9 zeigt einen beispielhaften Datenfluss eines einzelnen Walzgerüstes einer Profil- und Planheitssteuerung gemäß FIG
21 Profil- und Planheitssteuerung Sollwertberechnung mit physikalischem (analytischem) Prozessmodell Sollwertberechnung mit lernfahigem, empirischem Prozessmodell (z. B. Neuronales Netz) Stichplanberechnung chemische Zusammensetzung (Analytik) Ersatzgroße für Umformwiderstand (z. B. Warmfestigkeit oder Materialklasse) Bandbreite Banddicke Summenwalzkraft Zielprofil für das Fertigband berechneter Stellwert für Ruckbiegekraft (Ausgangsvektor des analytischen Prozessmodells) berechneter Stellwert für Walzenverschiebung (Ausgangs¬ vektor des analytischen Prozessmodells) Walzencrown bzgl . Biegelinie und Walzenabplattung aktueller thermischer Crown und Verschleißcrown der Ar- beitswalzen Profil des Vorbandes ermittelter Stellwert für Ruckbiegekraft (Ausgangsvektor des lernfahigen, empirischen Prozessmodells) ermittelter Stellwert für Walzenverschiebung (Ausgangsvektor des lernfahigen, empirischen Prozessmodells)

Claims

Patentansprüche
1. Verfahren zur prozessgesteuerten Modellierung einer verfahrenstechnischen Anlage, insbesondere in der Hüttenindustrie, wobei zur Modellierung der Anlage mathematische Prozessmodelle verwendet werden, welche aus mindestens einem physikalischen Prozessmodell und mindestens einem lernfähigen, empirischen Prozessmodell bestehen, dadurch gekennzeichnet, dass das physikalische Prozessmodell in Form einer Reihenschaltung dem lernfähigen, empirischen Prozessmodell vorgeschaltet ist.
2. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass das lernfähige, empirische Prozessmodell ein als Neuronales Netz aufgebautes Prozessmodell ist.
3. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass ein physikalisches Prozessmodell mindestens zweien von einander unabhängigen, lernfähigen, empirischen Prozessmodellen in Reihe vorgeschaltet ist.
4. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass eine Adaption des lernfähigen, empirischen Prozessmodells on-line erfolgt.
5. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass Ausgangsdaten des lernfähigen, empirischen Prozessmodells zuvor von dem physikalischen Prozessmodell berechnet werden und anschließend als Eingangsdaten des lernfähigen, empirischen Prozessmodells verwendet werden.
6. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das lernfähige, empirische Prozessmodell mit Daten des physikalischen Prozessmodells vortrainiert wird.
7. Verfahren nach Anspruch 1, gekennzeichnet , durch die Führung von walztechnischen Prozessen.
8. Verfahren nach Anspruch 7, gekennzeichnet, durch eine Vorausberechnung, Voreinstellung und Nachberechnung von Profil und/oder Planheit in Walzgerüsten einer Walzstraße .
9. Vorrichtung zur prozessgesteuerten Modellierung einer verfahrenstechnischen Anlage, insbesondere in der Hüttenindustrie, wobei mit einem Rechensystem eine Modellierung der Anlage mittels mathematischer Prozessmodelle, welche aus mindestens einem physikalischen und mindestens einem lernfähigen, empirischen Prozessmodell bestehen, durchführbar ist, dadurch gekennzeichnet, dass in dem Rechensystem das physikalische Prozessmodell in Form einer Reihenschaltung dem lernfähigen, empirischen Prozessmodell vorgeschaltet ist.
PCT/DE2002/001228 2001-04-17 2002-04-04 Verfahren und vorrichtung zur prozessgesteuerten modellierung einer verfahrenstechnischen anlage WO2002084420A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE10118748.3 2001-04-17
DE2001118748 DE10118748A1 (de) 2001-04-17 2001-04-17 Verfahren und Vorrichtung zur prozessgesteuerten Modellierung einer verfahrenstechnischen Anlage

Publications (1)

Publication Number Publication Date
WO2002084420A1 true WO2002084420A1 (de) 2002-10-24

Family

ID=7681695

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/DE2002/001228 WO2002084420A1 (de) 2001-04-17 2002-04-04 Verfahren und vorrichtung zur prozessgesteuerten modellierung einer verfahrenstechnischen anlage

Country Status (2)

Country Link
DE (1) DE10118748A1 (de)
WO (1) WO2002084420A1 (de)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101714177B (zh) * 2009-11-17 2013-08-21 燕山大学 基于降低交叉角和弯辊力的pc轧机工作辊辊型设计方法
EP3542915A1 (de) * 2018-03-19 2019-09-25 thyssenkrupp Hohenlimburg GmbH Verfahren zur steuerung einer produktionsanlage eines walzwerkes

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102007035283A1 (de) 2007-07-27 2009-01-29 Siemens Ag Verfahren zur Einstellung eines Zustands eines Walzguts, insbesondere eines Vorbands
DE102015210072A1 (de) * 2015-06-01 2016-12-01 Siemens Aktiengesellschaft Verfahren zur Erzeugung eines Prozessmodells für eine Kraftwerksanlage

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5608842A (en) * 1993-11-11 1997-03-04 Siemens Aktiengesellschaft Method and device for conducting a process in a controlled system with at least one precomputed parameter based on a plurality of results from partial mathematical models combined by a neural network

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4105321A1 (de) * 1991-02-20 1992-08-27 Siemens Ag Regelung eines warm- und/oder kaltwalzprozesses
DE4131765A1 (de) * 1991-09-24 1993-03-25 Siemens Ag Regelparameter-verbesserungsverfahren fuer industrielle anlagen
DE4416317B4 (de) * 1993-05-17 2004-10-21 Siemens Ag Verfahren und Regeleinrichtung zur Regelung eines materialverarbeitenden Prozesses
US6000827A (en) * 1993-09-10 1999-12-14 Fujitsu Limited System identifying device and adaptive learning control device

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5608842A (en) * 1993-11-11 1997-03-04 Siemens Aktiengesellschaft Method and device for conducting a process in a controlled system with at least one precomputed parameter based on a plurality of results from partial mathematical models combined by a neural network

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ALEXANDRE F: "Tools and experiments for hybrid neuro-symbolic processing", TOOLS WITH ARTIFICIAL INTELLIGENCE, 1997. PROCEEDINGS., NINTH IEEE INTERNATIONAL CONFERENCE ON NEWPORT BEACH, CA, USA 3-8 NOV. 1997, LOS ALAMITOS, CA, USA,IEEE COMPUT. SOC, US, 3 November 1997 (1997-11-03), pages 338 - 345, XP010254341, ISBN: 0-8186-8203-5 *
BREEMEN VAN A J N ET AL: "NEURAL ADAPTIVE FEEDBACK LINEARIZATION CONTROL", JOURNAL A, SOFT VISION, BRUSSELS, BE, vol. 37, no. 3, 1 October 1996 (1996-10-01), pages 65 - 71, XP000635972, ISSN: 0771-1107 *
MAHERAL P ET AL: "Artificial intelligence techniques in the hot rolling of steel", ELECTRICAL AND COMPUTER ENGINEERING, 1995. CANADIAN CONFERENCE ON MONTREAL, QUE., CANADA 5-8 SEPT. 1995, NEW YORK, NY, USA,IEEE, US, 5 September 1995 (1995-09-05), pages 507 - 510, XP010193726, ISBN: 0-7803-2766-7 *
PORTMANN N F ET AL: "APPLICATION OF NEURAL NETWORKS IN ROLLING MILL AUTOMATION", IRON AND STEEL ENGINEER, ASSOCIATION OF IRON AND STEEL ENGINEERS. PITTSBURGH, US, vol. 72, no. 2, 1 February 1995 (1995-02-01), pages 33 - 36, XP000496326, ISSN: 0021-1559 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101714177B (zh) * 2009-11-17 2013-08-21 燕山大学 基于降低交叉角和弯辊力的pc轧机工作辊辊型设计方法
EP3542915A1 (de) * 2018-03-19 2019-09-25 thyssenkrupp Hohenlimburg GmbH Verfahren zur steuerung einer produktionsanlage eines walzwerkes
US11219932B2 (en) 2018-03-19 2022-01-11 Thyssenkrupp Ag Method for controlling a rolling mill production system

Also Published As

Publication number Publication date
DE10118748A1 (de) 2002-10-31

Similar Documents

Publication Publication Date Title
DE10127788B4 (de) Integrierte Optimalmodell-Vorhersagesteuerung in einem Prozeßsteuerungssystem
EP2108139B1 (de) Verfahren zur rechnergestützten regelung und/oder steuerung eines technischen systems, insbesondere einer gasturbine
DE4338615B4 (de) Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System
EP1267229B1 (de) Steuer- und Regelverfahren und Regeleinrichtung zum An- oder Abfahren einer verfahrenstechnischen Komponente eines technischen Prozesses
EP2519861B1 (de) Verfahren zur rechnergestützten steuerung und/oder regelung eines technischen systems
DE102007042440B3 (de) Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems
EP2697001A1 (de) Steuerverfahren für eine walzstrasse
EP0663632A1 (de) Verfahren und Vorrichtung zur Führung eines Prozesses
DE4338607B4 (de) Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System
DE102019214548A1 (de) Steuervorrichtung und steuerverfahren
DE19618995C2 (de) Verfahren und Einrichtung zur Beeinflussung relevanter Güteparameter, insbesondere des Profils oder der Planheit eines Walzbandes
WO2002084420A1 (de) Verfahren und vorrichtung zur prozessgesteuerten modellierung einer verfahrenstechnischen anlage
WO2018192798A1 (de) Optimierung der modellierung von prozessmodellen
DE19731980A1 (de) Verfahren zur Steuerung und Voreinstellung eines Walzgerüstes oder einer Walzstraße zum Walzen eines Walzbandes
EP3691806B1 (de) Planheitsregelung mit optimierer
AT408728B (de) Verfahren und einrichtung zur voreinstellung einer walzstrasse
DE102008028777A1 (de) Leitsystem einer Anlage mit mehrstufiger Modelloptimierung
EP3542229B1 (de) Einrichtung und verfahren zur bestimmung der parameter einer regeleinrichtung
DE19904974A1 (de) Verfahren zum Betreiben eines Dampferzeugers unter Einsatz eines Freilastrechners
DE19641432C2 (de) Verfahren und Einrichtung zur Vorausberechnung von vorab unbekannten Parametern eines industriellen Prozesses
DE102019209772A1 (de) Anpassung eines Herstellungsprozesses von Bauteilen einer Bauteilgruppe
DE102011076969B4 (de) Verfahren zum rechnergestützten Lernen einer Regelung und/oder Steuerung eines technischen Systems
DE19729632C1 (de) Verfahren zur Einstellung mehrerer Regler zur Regelung eines aus gekoppelten Regelstrecken bestehenden Regelstreckensystems
WO2021170392A1 (de) Verfahren und systeme zum optimieren von wartung industrieller maschinen
WO2024037827A1 (de) Verfahren, computerprogramm und kühlsystem zum überwachen einer komponente des kühlsystems in einem walzwerk

Legal Events

Date Code Title Description
AK Designated states

Kind code of ref document: A1

Designated state(s): CN JP NO

AL Designated countries for regional patents

Kind code of ref document: A1

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

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

Ref country code: JP

WWW Wipo information: withdrawn in national office

Country of ref document: JP