DE19913126A1 - Verfahren und Einrichtung zur Bestimmung der Walzkraft in einem Walzgerüst - Google Patents

Abstract

Verfahren zur Bestimmung der Walzkraft in einem Walzgerüst zum Walzen von metallischem Walzgut, wobei die Bestimmung der Walzkraft mittels zumindest eines neuronalen Netzes erfolgt, das mit, insbesondere gemessenen, Werten für die Walzkraft unter unterschiedlichen Betriebsbedingungen im Sinne einer Verbesserung bei der Bestimmung der Walzkraft trainiert wird, wobei das neuronale Netz mit Werten für die Walzkraft und Werten für die unterschiedlichen Betriebsbedingungen für Walzgerüste unterschiedlicher Walzstraßen trainiert wird.

Description

Die Erfindung betrifft ein Verfahren bzw. eine Einrichtung zur Bestimmung der Walzkraft in einem Walzgerüst zum Walzen von metallischem Walzgut, wobei die Bestimmung der Walzkraft mittels zumindest eines neuronalen Netzes erfolgt, das mit, insbesondere gemessenen, Werten für die Walzkraft unter un­ terschiedlichen Betriebsbedingungen im Sinne einer Verbesse­ rung bei der Bestimmung der Walzkraft trainiert wird.

Es ist die Bestimmung der Walzkraft mittels eines Walzkraft­ modells, das ein neuronales Netz aufweist, bekannt. Um die Modellgüte eines Walzkraftmodells, das ein neuronales Netz aufweist, zu verbessern, wird das neuronale Netz im Betrieb einer Walzstraße, für dessen Steuerung es vorgesehen ist, trainiert. Dabei ist unter Modellgüte die Abweichung zwischen tatsächlicher Walzkraft und der mittels des Walzkraftmodells bestimmten Walzkraft zu verstehen. Dabei soll, zum Erreichen einer hohen Modellgüte, diese Abweichung möglichst gering über die gesamte Palette der mittels des Walzgerüstes zu wal­ zenden Metalle sein.

Es ist Aufgabe der Erfindung, die Genauigkeit bei der Bestim­ mung der Walzkraft in einem Walzgerüst zum Walzen von metal­ lischen Walzgut gegenüber bekannten Verfahren zu erhöhen.

Die Aufgabe wird erfindungsgemäß durch ein Verfahren gemäß Anspruch 1 bzw. eine Einrichtung gemäß Anspruch 10 gelöst. Dabei erfolgt die Bestimmung der Walzkraft in einem Walzge­ rüst zum Walzen von metallischen Walzgut mittels zumindest eines neuronalen Netzes, das mit, insbesondere gemessenen, Werten für die Walzkraft unter unterschiedlichen Betriebsbe­ dingungen im Sinne einer Verbesserung bei der Bestimmung der Walzkraft trainiert wird, wobei das neuronale Netz mit Werten für die Walzkraft und Werten für die unterschiedlichen Be­ triebsbedingungen für Walzgerüste unterschiedlicher Walzstra­ ßen trainiert wird. Obwohl bei bekannten Verfahren zur Be­ stimmung der Walzkraft in einem Walzgerüst mit einem neurona­ len Netz, das neuronale Netz durch Training speziell an das Walzgerüst angepaßt wird, führt die Erfindung zu einer präzi­ seren Bestimmung der Walzkraft für das Walzgerüst über die gesamte Palette der mittels des Walzgerüstes zu walzenden Me­ talle betrachtet. Unter Betriebsbedingungen sind z. B. die Breite des mittels des Walzgerüsts zu walzenden metallischen Walzguts vor Einlauf in das Walzgerüst, die Dicke des metal­ lischen Walzguts vor Eintritt in das Walzgerüst, die relative Dickenreduktion des metallischen Walzguts im Walzgerüst, die Temperatur des metallischen Walzguts bei Eintritt in das Walzgerüst, der Zug im metallischen Walzgut vor dem Walzge­ rüst, der Zug im metallischen Walzgut hinter dem Walzgerüst sowie der Radius der Arbeitswalzen des Walzgerüstes sowie die Anteile von Eisen, Kohlenstoff, Silicium, Mangan, Phosphor, Schwefel, Aluminium, Chrom, Kupfer, Molybdän, Titan, Nickel, Vanadium, Niob, Stickstoff, Bor und/oder Zinn im metallischen Walzgut und ggf. das Elastizitätsmodul der Walzen zu verste­ hen.

In vorteilhafter Ausgestaltung der Erfindung wird das neuro­ nale Netz mit Werten für die Walzkraft und Werten für die un­ terschiedlichen Betriebsbedingungen für zumindest ein Walzge­ rüst aus einer Vorstraße und zumindest für ein Walzgerüst ei­ ner Fertigstraße trainiert.

In besonders vorteilhafter Ausgestaltung der Erfindung wird das neuronale Netz mit Werten für die Walzkraft und Werten für die unterschiedlichen Betriebsbedingungen für Walzgerüste von Walzstraßen unterschiedlicher Walzwerke trainiert. Dies führt zu einer besonders präzisen Bestimmung der Walzkraft in einem Walzgerüst, obwohl zum Training Walzgerüste anderer Walzwerke, d. h. also unterschiedliche Anlagen, herangezogen werden.

In weiterhin vorteilhafter Ausgestaltung der Erfindung wird das neuronale Netz mit Werten für die Walzkraft und Werten für die unterschiedlichen Betriebsbedingungen für Walzgerüste von Walzstraßen zumindest fünf unterschiedlicher Walzwerke trainiert. Auf diese Weise läßt sich die Präzision bei der Bestimmung der Walzkraft weiter erhöhen.

In weiterhin vorteilhafter Ausgestaltung der Erfindung wird mittels des neuronalen Netzes ein Korrekturwert zur, insbe­ sondere multiplikativen, Korrektur eines mittels eines analy­ tischen Walzkraftmodells ermittelten Wertes für die Walzkraft ermittelt. Die Verknüpfung von analytischen Modellen und neu­ ronalen Netzen ist z. B. in der DE-OS-43 38 607, DE-OS-43 38 608 und der DE-OS-43 38 615 offenbart, wobei sich eine Struktur gemäß der DE-OS-43 38 607 in Verbindung mit ei­ ner multiplikativen Verbindung als besonders vorteilhaft er­ wiesen hat.

In weiterhin vorteilhafter Ausgestaltung der Erfindung wird ein gerüstspezifischer Korrekturwert zur Korrektur des mit­ tels des analytischen Walzkraftmodells ermittelten Wertes für die Walzkraft mittels eines als neuronales Netz ausgebildeten Gerüstnetzes in Abhängigkeit von physikalischen Eigenschaften des zu walzenden metallischen Walzguts (z. B. die Breite des mittels des Walzgerüsts zu walzenden metallischen Walzguts vor Einlauf in das Walzgerüst, die Dicke des metallischen Walzguts vor Eintritt in das Walzgerüst, die relative Dicken­ reduktion des metallischen Walzguts im Walzgerüst, die Tempe­ ratur des metallischen Walzguts bei Eintritt in das Walzge­ rüst, der Zug im metallischen Walzgut vor dem Walzgerüst, der Zug im metallischen Walzgut hinter dem Walzgerüst sowie der Radius der Arbeitswalzen des Walzgerüstes) und von physikali­ schen Eigenschaften des Walzgerüstes (z. B. das Elastizitäts­ modul der Walzen) ermittelt.

In weiterhin vorteilhafter Ausgestaltung der Erfindung wird ein chemiespezifischer Korrekturwert zur Korrektur des mit­ tels des analytischen Walzkraftmodells ermittelten Wertes für die Walzkraft mittels eines als neuronales Netz ausgebildeten Chemienetzes in Abhängigkeit von chemischen Eigenschaften des zu walzenden metallischen Walzguts (z. B. die Anteile von Ei­ sen, Kohlenstoff, Silicium, Mangan, Phosphor, Schwefel, Alu­ minium, Chrom, Kupfer, Molybdän, Titan, Nickel, Vanadium, Ni­ ob, Stickstoff, Bor und/oder Zinn im metallischen Walzgut) ermittelt. Diese Unterteilung in einen gerüstspezifischen und einen chemiespezifischen Korrekturwert führt im Zusammenhang mit der Erfindung zu einer weiterhin verbesserten Genauigkeit bei der Bestimmung der Walzkraft.

Zu einer signifikanten Verbesserung der Genauigkeit bei der Bestimmung der Walzkraft kommt es unter bestimmten Betriebs­ bedingungen des Walzgerüstes, wenn - insbesondere in Verbin­ dung mit der Erfindung - ein gefügespezifischer Korrekturwert zur Korrektur des mittels des analytischen Walzkraftmodells ermittelten Wertes für die Walzkraft mittels eines als neuro­ nales Netz ausgebildeten Gefügenetzes in Abhängigkeit von chemischen Eigenschaften des zu walzenden metallischen Walz­ guts (z. B. die Anteile von Eisen, Kohlenstoff, Silicium, Man­ gan, Phosphor, Schwefel, Aluminium, Chrom, Kupfer, Molybdän, Titan, Nickel, Vanadium, Niob, Stickstoff, Bor und/oder Zinn im metallischen Walzgut) und der Temperatur des zu walzenden metallischen Walzguts ermittelt wird. Dies gilt insbesondere, wenn zwischen einem gerüstspezifischen, einem chemiespezifi­ schen und einem gefügespezifischen Korrekturwert unterschie­ den wird.

In weiterhin vorteilhafter Ausgestaltung der Erfindung wird der Korrekturwert zumindest eines neuronalen Netzes mit einem Vertrauenswert multipliziert, wobei der Vertrauenswert ein statistisches Maß für die Zuverlässigkeit des Korrekturwertes bildet. Der Vertrauenswert liegt vorteilhafterweise zwischen 0 und 1.

In vorteilhafter Ausgestaltung der Erfindung erfolgt die Be­ stimmung der Walzkraft mittels zumindest zweier neuronaler Netze, deren Ausgangswerte verknüpft werden.

Die Erfindung kommt besonders vorteilhaft bei der Voreinstel­ lung einer Walzstraße zum Einsatz. Dabei wird die zu erwar­ tende Walzkraft zum Walzen des metallischen Walzguts vorab bestimmt und vor Einlaufen des metallischen Walzguts in die Walzstraße zur Voreinstellung der Walzstraße, d. h. z. B. zum Einstellen der Walzspalte an den Walzgerüsten, verwendet.

Weitere Vorteile und Einzelheiten ergeben sich aus der nach­ folgenden Beschreibung von Ausführungsbeispielen. Die Ausfüh­ rungsbeispiele betreffen das Walzen von Stahl. Unter entspre­ chender Anpassung können auch andere Metalle, insbesondere Aluminium, gewalzt werden. Im einzelnen zeigen:

Fig. 1 ein Walzkraftmodell,

Fig. 2 ein besonders vorteilhaftes Walzkraftmodell,

Fig. 3 ein besonders vorteilhaftes Walzkraftmodell,

Fig. 4 eine besonders vorteilhafte Korrektur zur Verknüp­ fung neuronaler Netze,

Fig. 5 eine vorteilhafte Wichtungsstruktur für ein neuro­ nales Netz,

Fig. 6 ein Lernverfahren für ein neuronales Netz.

Fig. 1 zeigt ein Walzkraftmodell 50 zur Bestimmung der Walz­ kraft F_H in einem Walzgerüst. Das Walzkraftmodell 50 weist ein analytisches Walzkraftmodell 1 sowie ein neuronales Netz 2 auf. In das analytische Walzkraftmodell 1 gehen Ein­ gangsgrößen X_M und optional ein Korrekturwert k ein. Die Ein­ gangsgrößen X_M des analytischen Walzkraftmodells 1 sind in beispielhafter Ausgestaltung das Elastizitätsmodul der Walzen des Walzgerüstes, die Breite des mittels des Walzgerüsts zu walzenden Stahls vor Einlauf in das Walzgerüst, die Dicke des Stahls vor Eintritt in das Walzgerüst, die relative Dickenre­ duktion des Stahls im Walzgerüst, die Temperatur des Stahls bei Eintritt in das Walzgerüst, der Zug im Stahl vor dem Walzgerüst, der Zug im Stahl hinter dem Walzgerüst sowie der Radius der Arbeitswalzen des Walzgerüstes. Das analytische Walzkraftmodell 1 liefert als Ausgangsgröße einen Grobwert F_M für die Walzkraft, der mittels eines Multiplikators 6 mit dem Korrekturwert k multipliziert wird und somit einen Wert F_H für die Walzkraft liefert, der Ausgangsgröße des Walzkraftmo­ dells 50 ist. Der Korrekturwert k wird mittels eines neurona­ len Netzes 2 in Abhängigkeit von dessen Eingangsgrößen X_NN ermittelt. Die Eingangsgrößen XNN des neuronalen Netzes 2 um­ fassen in beispielhafter Ausgestaltung die Breite des mittels des Walzgerüsts zu walzenden Stahls vor Einlauf in das Walz­ gerüst, die Dicke des Stahls vor Eintritt in das Walzgerüst, die relative Dickenreduktion des Stahls im Walzgerüst, die Temperatur des Stahls bei Eintritt in das Walzgerüst, den Zug im Stahl vor dem Walzgerüst, den Zug im Stahl nach dem Walz­ gerüst, den Radius der Arbeitswalzen des Walzgerüstes, die Umfangsgeschwindigkeit der Arbeitswalzen des Walzgerüstes, den Anteil von Kohlenstoff und vorteilhafterweise den Anteil von Silicium im Stahl. Es ist ferner vorteilhaft, wenn die Eingangsgrößen X_NN des neuronalen Netzes 2 außerdem die An­ teile von Mangan, Phosphor, Schwefel, Aluminium, Chrom, Kup­ fer, Molybdän, Titan, Nickel, Vanadium, Niob, Stickstoff, Bor und/oder Zinn im Stahl umfassen.

Fig. 2 zeigt ein besonders vorteilhaftes Ausführungsbeispiel für ein Walzkraftmodell. Dieses mit Bezugszeichen 51 bezeich­ nete Walzkraftmodell weist wie das Walzkraftmodell 50 in Fig. 1 ein analytisches Walzkraftmodell 1 sowie einen Multiplika­ tor 6 auf. Das neuronale Netz 2 in Fig. 1 ist dagegen durch drei neuronale Netze 3, 4, 5 ersetzt, deren Ausgänge k_α, k_β und k_γ zu dem Korrekturfaktor k addiert werden.

Bezugszeichen 3 bezeichnet ein als Chemienetz bezeichnetes neuronales Netz, das einen chemiespezifischen Korrekturwert k_α in Abhängigkeit von seinen Eingangsgrößen X_α ermittelt. Die Eingangsgrößen X_α umfassen vorteilhafterweise den Anteil von Kohlenstoff in Stahl sowie vorteilhafterweise den Anteil von Silicium im Stahl. Es ist ferner vorteilhaft, wenn die Eingangsgrößen X_α des neuronalen Netzes 2 außerdem die Antei­ le von Mangan, Phosphor, Schwefel, Aluminium, Chrom, Kupfer, Molybdän, Titan, Nickel, Vanadium, Niob, Stickstoff, Bor und/oder Zinn im Stahl umfassen.

Bezugszeichen 4 bezeichnet ein als Gefügenetz bezeichnetes neuronales Netz, das einen gefügespezifischen Korrekturwert k_β in Abhängigkeit von seinen Eingangsgrößen X_β ermittelt. Die Eingangsgrößen X_β umfassen vorteilhafterweise die Tempe­ ratur des Stahls bei Einlauf in das Walzgerüst und die Antei­ le von Kohlenstoff im Stahl sowie vorteilhafterweise den An­ teil von Silicium im Stahl. Es ist ferner vorteilhaft, wenn die Eingangsgrößen X_β des neuronalen Netzes 2 außerdem den Anteile von Mangan, Phosphor, Schwefel, Aluminium, Chrom, Kupfer, Molybdän, Titan, Nickel, Vanadium, Niob, Stickstoff, Bor und/oder Zinn im Stahl umfassen.

Bezugszeichen 5 bezeichnet ein als Gerüstnetz bezeichnetes neuronales Netz, das einen gerüstspezifischen Korrekturwert k_γ in Abhängigkeit von seinen Eingangsgrößen X_γ berechnet. Die Eingangsgrößen X_γ umfassen vorteilhafterweise die Breite des mittels des Walzgerüsts zu walzenden Stahls vor Einlauf in das Walzgerüst, die Dicke des Stahls vor Eintritt in das Walzgerüst, die relative Dickenreduktion des Stahls im Walz­ gerüst, die Temperatur des Stahls bei Eintritt in das Walzge­ rüst, den Zug im Stahl vor dem Walzgerüst, den Zug im Stahl nach dem Walzgerüst sowie den Radius der Arbeitswalzen des Walzgerüstes.

Fig. 3 bezeichnet ein weiterhin besonders vorteilhaftes Aus­ führungsbeispiel für ein Walzkraftmodell. Dieses mit Bezugs­ zeichen 52 bezeichnete Walzkraftmodell weist ebenfalls ein analytisches Walzkraftmodell 1 sowie einen Multiplikator 6 auf. Gemäß diesem Ausführungsbeispiel ist das Chemienetz 3 des Walzkraftmodells 51 im Walzkraftmodell 52 durch einen Chemiekorrekturblock 10 ersetzt. Das Gefügenetz 4 des Walz­ kraftmodells 51 ist im Walzkraftmodell 52 durch einen Gefüge­ korrekturblock 11 ersetzt. Das Gerüstnetz 5 des Walzkraftmo­ dells 51 ist im Walzkraftmodell 52 durch einen Gerüstkorrek­ turblock 12 ersetzt. Ausgangsgrößen des Chemiekorrektur­ blocks, des Gefügekorrekturblocks und des Gerüstkorrektur­ blocks sind mit A, B und C bezeichnet. Die Summe dieser Aus­ gangsgrößen bildet den Korrekturwert k.

Fig. 4 zeigt einen Korrekturblock 20, dessen Eingangsgrößen die Größen X_NN sind und dessen Ausgangsgröße der Korrektur­ wert k ist. Der Korrekturblock 20 weist neuronale Netze 21, 22, 23 sowie einen Verknüpfungsblock 24 auf. Ausgangsgrößen der neuronalen Netze sind Korrekturwerte k₂₁, k₂₂ und k₂₃, die mittels des Verknüpfungsblockes 24 zum Korrekturwert k ver­ knüpft werden. Dazu bildet der Verknüpfungsblock 24 vorteil­ hafterweise die Mittelwerte der Korrekturwerte k₂₁, k₂₂ und k₂₃ und gibt diesen Mittelwert als Korrekturwert k aus. Die neu­ ronalen Netze 21, 22, 23 haben die gleiche Funktionalität. Sie sind jedoch neuronale Netze mit unterschiedlicher Struk­ tur, neuronale Netze mit einer unterschiedlichen Anzahl von Knoten und/oder neuronale Netze, die unterschiedlichen Trai­ ningsmethoden unterworfen werden. Vorteilhafterweise ersetzt der Korrekturblock 20 das neuronale Netz 2 in Fig. 1. Es ist weiterhin besonders vorteilhaft, den Chemiekorrekturblock 10, den Gefügekorrekturblock 11 sowie den Gerüstkorrekturblock 12 durch je einen Korrekturblock 20 zu ersetzen. Entsprechend sind dann für den Korrekturblock 20 X_NN und k durch X_α und A, X_β und B bzw. X_γ und C zu ersetzen.

Fig. 5 zeigt einen Wichtungskorrekturblock 33, dessen Ein­ gangsgrößen die Größen X_NN sind, und dessen Ausgangsgröße der Korrekturwert k ist. Der Wichtungskorrekturblock 33 weist ein neuronales Netz 30, ein Regressionsmodell 31, einen Wich­ tungsblock 32 sowie einen Multiplikator 34 auf. Ausgangsgröße des Wichtungsblocks 32 ist ein Vertrauenswert W_NN, der Werte zwischen 0 und 1 annehmen kann. Der Vertrauenswert W_NN bildet ein statistisches Maß für die Zuverlässigkeit eines vom neu­ ronalen Netz 30 ausgegebenen Korrekturwertes k_NN. Das Regres­ sionsmodell 31 gibt ebenfalls einen Korrekturwert k_M aus. Der vom neuronalen Netz 30 ermittelte Korrekturwert k_NN wird mit­ tels des Multiplikators 34 mit dem Vertrauenswert W_NN multi­ pliziert. Zu dem Produkt aus k_NN und W_NN wird der mittels des Regressionsmodells 31 ermittelte Korrekturwert k_M hinzuad­ diert. Diese Summe bildet den Korrekturwert k. Es ist vor­ teilhaft, das neuronale Netz 2 durch den Wichtungskorrektur­ block 33 zu ersetzen. Es ist besonders vorteilhaft, den Che­ miekorrekturblock 10, den Gefügekorrekturblock 11 sowie den Gerüstkorrekturblock 12 durch einen Wichtungskorrekturblock gemäß dem Wichtungskorrekturblock 33 zu ersetzen. Dabei sind X_NN und k durch X_α und k_α, X_β und k_β bzw. X_γ und k_γ zu ersetzen. Es ist von ganz besonderem Vorteil, das neuronale Netz 30 durch den Korrekturblock 20 zu ersetzen. In diesem Fall er­ setzt der Korrekturwert k in Fig. 4 den Korrekturwert k_NN in Fig. 5.

Fig. 6 zeigt ein Lernverfahren für das neuronale Netz 2 aus Fig. 1. Dazu wird der mittels des Walzkraftmodells 50 ermit­ telte Wert F_H für die Walzkraft von einem (gemessenen) Wert F_T für die tatsächliche Walzkraft abgezogen. Die Differenz wird einem Lernalgorithmus 55 zugeleitet, der die Parameter P des neuen Netzes 2 ermittelt. Dieses Verfahren ist entspre­ chend auf die neuronalen Netze 2, 3, 4, 5, 21, 22, 23 und 30 zu erweitern, wenn das Walzkraftmodell 50 entsprechend oben bezeichneten Ausführungen ergänzt bzw. ersetzt ist.

Zum Trainieren der neuronalen Netze 2, 3, 4, 5, 21, 22, 23 und 30 werden die Daten X_M in X_NN, X_α, X_β, X_γ und F_T herangezo­ gen, wobei diese Daten vorteilhafterweise von verschiedenen Walzwerken stammen.

Claims (12)

1. Verfahren zur Bestimmung der Walzkraft (F_H) in einem Walz­ gerüst zum Walzen von metallischen Walzgut, wobei die Bestim­ mung der Walzkraft (F_H) mittels zumindest eines neuronalen Netzes (2, 3, 4, 5, 21, 22, 23, 30) erfolgt, das mit, insbe­ sondere gemessenen, Werten (F_T) für die Walzkraft (F_H) unter unterschiedlichen Betriebsbedingungen im Sinne einer Verbes­ serung bei der Bestimmung der Walzkraft (F_H) trainiert wird, dadurch gekennzeichnet, daß das neuronale Netz (2, 3, 4, 5, 21, 22, 23, 30) mit Wer­ ten (F_T) für die Walzkraft und Werten (X_M, X_NN, X_α, X_β, X_γ) für die unterschiedlichen Betriebsbedingungen für Walzgerüste un­ terschiedlicher Walzstraßen trainiert wird.

2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß das neuronale Netz (2, 3, 4, 5, 21, 22, 23, 30) mit Wer­ ten (F_T) für die Walzkraft und Werten (X_M, X_NN, X_α, X_β, X_γ) für die unterschiedlichen Betriebsbedingungen für zumindest ein Walzgerüst aus einer Vorstraße und zumindest ein Walzgerüst einer Fertigstraße trainiert wird.

3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, daß das neuronale Netz (2, 3, 4, 5, 21, 22, 23, 30) mit Wer­ ten (F_T) für die Walzkraft und Werten (X_M, X_NN, X_α, X_β, X_γ) für die unterschiedlichen Betriebsbedingungen für Walzgerüste von Walzstraßen unterschiedlicher Walzwerke trainiert wird.

4. Verfahren nach Anspruch 3, dadurch gekennzeichnet, daß das neuronale Netz (2, 3, 4, 5, 21, 22, 23, 30) mit Wer­ ten (F_T) für die Walzkraft und Werten (X_M, X_NN, X_α, X_β, X_γ) für die unterschiedlichen Betriebsbedingungen für Walzgerüste von Walzstraßen zumindest fünf unterschiedlicher Walzwerke trai­ niert wird.

5. Verfahren nach Anspruch 1, 2, 3 oder 4, dadurch gekennzeichnet, daß mittels des neuronalen Netzes (2, 3, 4, 5, 21, 22, 23, 30) ein Korrekturwert (k, k_α, k_β, k_γ, k₂₁, k₂₂, k₂₃, k_NN) zur, insbesondere multiplikativen, Korrektur eines mittels eines analytischen Walzkraftmodells (1) ermittelten Wertes (F_M) für die Walzkraft ermittelt wird.

6. Verfahren nach Anspruch 4, dadurch gekennzeichnet, daß ein gerüstspezifischer Korrekturwert (k_γ) zur Korrektur des mittels des analytischen Walzkraftmodells (1) ermittelten Wertes (F_M) für die Walzkraft mittels eines als neuronales Netz ausgebildeten Gerüstnetzes (5) in Abhängigkeit von phy­ sikalischen Eigenschaften (X_γ) des zu walzenden metallischen Walzguts und des Walzgerüstes ermittelt wird.

7. Verfahren nach Anspruch 4 oder 5, dadurch gekennzeichnet, daß ein chemiespezifischer Korrekturwert (k_α) zur Korrektur des mittels des analytischen Walzkraftmodells (1) ermittelten Wertes (F_M) für die Walzkraft mittels eines als neuronales Netz ausgebildeten Chemienetzes (3) in Abhängigkeit von che­ mischen Eigenschaften (X_α) des zu walzenden metallischen Walzguts ermittelt wird.

8. Verfahren nach Anspruch 4, 5 oder 6, dadurch gekennzeichnet, daß ein gefügespezifischer Korrekturwert (k_β) zur Korrektur des mittels des analytischen Walzkraftmodells (1) ermittelten Wertes (F_M) für die Walzkraft mittels eines als neuronales Netz ausgebildeten Gefügenetzes (5) in Abhängigkeit von che­ mischen Eigenschaften des zu walzenden metallischen Walzguts und der Temperatur des zu walzenden metallischen Walzguts er­ mittelt wird.

9. Verfahren nach Anspruch 4, 5, 6 oder 7, dadurch gekennzeichnet, daß der Korrekturwert (k_NN) mit einem Vertrauenswert (W_NN) multipliziert wird, wobei der Vertrauenswert (W_NN) ein stati­ stisches Maß für die Zuverlässigkeit des Korrekturwertes (k_NN) bildet.

10. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß die Bestimmung der Walzkraft mittels zumindest zweier neuronaler Netze erfolgt, deren Ausgangswerte verknüpft wer­ den.

11. Verfahren zur Voreinstellung einer Walzstraße in Abhän­ gigkeit der beim Walzen zu erwartenden Walzkraft, wobei die zu erwartende Walzkraft (F_H) gemäß einem Verfahren nach einem der vorhergehenden Ansprüche mittels zumindest eines neurona­ len Netzes (2, 3, 4, 5, 21, 22, 23, 30) bestimmt wird, das mit Werten für die Walzkraft (F_T) unter unterschiedlichen Be­ triebsbedingungen im Sinne einer Verbesserung bei der Bestim­ mung der Walzkraft trainiert wird, dadurch gekennzeichnet, daß das neuronale Netz (2, 3, 4, 5, 21, 22, 23, 30) mit Wer­ ten (F_T) für die Walzkraft und Werten (X_M, X_NN, X_α, X_β, X_γ) für die unterschiedlichen Betriebsbedingungen für Walzgerüste un­ terschiedlicher Walzstraßen trainiert wird.

12. Einrichtung zur Bestimmung der Walzkraft (F_H) in einem Walzgerüst zum Walzen von metallischem Walzgut gemäß einem Verfahren nach einem der vorhergehenden Ansprüche, wobei die Einrichtung zur Bestimmung der Walzkraft zumindest ein mit Werten für die Walzkraft (F_T) unter unterschiedlichen Be­ triebsbedingungen trainiertes neuronales Netz (2, 3, 4, 5, 21, 22, 23, 30) aufweist, dadurch gekennzeichnet, daß das neuronale Netz (2, 3, 4, 5, 21, 22, 23, 30) ein mit Werten für die Walzkraft (F_T) und Werten (X_M, X_NN, X_α, X_β, X_γ) für die unterschiedlichen Betriebsbedingungen für Walzgerüste unterschiedlicher Walzstraßen trainiertes neuronales Netz ist.