[go: up one dir, main page]

KR100333232B1 - 공정의제어방법및장치 - Google Patents

공정의제어방법및장치 Download PDF

Info

Publication number
KR100333232B1
KR100333232B1 KR1019970706267A KR19970706267A KR100333232B1 KR 100333232 B1 KR100333232 B1 KR 100333232B1 KR 1019970706267 A KR1019970706267 A KR 1019970706267A KR 19970706267 A KR19970706267 A KR 19970706267A KR 100333232 B1 KR100333232 B1 KR 100333232B1
Authority
KR
South Korea
Prior art keywords
neural network
actuator
correction variable
learned
network
Prior art date
Application number
KR1019970706267A
Other languages
English (en)
Other versions
KR19980702860A (ko
Inventor
하오 유안
안드레 베르크스
Original Assignee
칼 하인쯔 호르닝어
지멘스 악티엔게젤샤프트
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 칼 하인쯔 호르닝어, 지멘스 악티엔게젤샤프트 filed Critical 칼 하인쯔 호르닝어
Publication of KR19980702860A publication Critical patent/KR19980702860A/ko
Application granted granted Critical
Publication of KR100333232B1 publication Critical patent/KR100333232B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • 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

Landscapes

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

Abstract

공정의 제어를 위해, 공정에 영향을 주는 다수의 액추에이터에 대한 보정 변수가 조정장치내에서 공정의 측정된 출력값으로부터 계산된다.
조정장치(7)에 의한 공정 제어를 최적화하기 위해, 각각의 액추에이터에 대해 보정 변수(du1,...,dun)의 변동에 대한 출력값(dy1,...,dym)의 변동 의존도를 나타내는 액추에이터 효율(w11,...wnm)이 신경 회로망(10)에서 학습되어, 보정 변수(u1,...,un)의 계산을 개선시키기 위해 조정장치(7)에 공급된다.

Description

공정의 제어 방법 및 장치{PROCESS CONTROLLING METHOD AND DEVICE}
이러한 방법 및 장치는 본 출원의 우선권 시점에서 아직 공개되지 않은 국제 출원 PCT/DE94/00028의 대상이다.
공정의 제어시, 공정의 특정 출력값에 영향을 주기 위해 종종 다수의 액추에이터가 사용된다. 조정장치내에서 개별 액추에이터에 대한 보정 변수는 공정의 출력값이 취해야 하는 제어값에 의존해서 계산된다. 이러한 공정 제어에 대한 예는 롤러 장치에서 스트립 편평성의 제어이며, 롤러 갭 및 스트립 편평성에 대한 영향은 특히 롤러의 선회, 휨, 축방향 이동 및/또는 국부적 냉각에 의해 스트립의 폭에 걸쳐 분포된 스트립 편평성 측정값에 의존해서 이루어진다.
공정 출력값의 양호한 제어를 위해, 제어장치가 액추에이터 효율에 대한 정보, 즉 개별 액추에이터가 출력값에 얼마나 작용하는지에 대한 정보를 이용하는 것이 매우 중요하다. 그러나, 산업 설비에서 액추에이터 효율에 대한 정보가 이용될 수 없거나 또는 불충분하게만 이용될 수 있다는 문제점이 있다.
금속 스트립의 롤링시 스트립의 편평성이 롤러 갭을 변동시키는 다수의 액추에이터의 동시 작동에 의해 개선될 수 있다는 것은 일반적으로 공지되어 있다.
Hitachi Review 41(1992), 페이지 31 내지 38에는 스트립의 편평성 제어를 위해 하나의 롤러 스탠드에서 롤러 스탠드의 각각의 액추에이터에 각각 하나의 스트립 편평성의 전형적인 패턴 프로필을 할당하는 것이 공지되어 있다. 상기 패턴 프로필에 의해, 롤링 공정에 대한 경험상 지식을 기초로 관련 액추에이터의 작동에 의해 롤링 공정이 개선되는지를 알수 있다. 롤러 스탠드 후방에서 스트립 편평성의 실제 프로필이 측정되고, 얻어진 측정값은 신경 회로망에 공급되며, 신경 회로망은 회로망 응답으로서 스트립 편평성의 측정된 프로필이 어느 정도 개별 패턴 프로필로 이루어지는지를 제시한다. 얻어진 양은 퍼지 제어 동안 액추에이터에 대한 조정 신호로 연산된다. 공지된 방법은 액추에이터의 작용에 대한 롤러의 경험 지식을 상당히 많이 기초로 하지만, 상기 경험 지식은 최상의 공정 제어를 위해 비교적 보편적이고 부정확하다. 또한, 경험 지식은 일반적으로 각 경우의 장치에 구속되고 다른 장치에 적용되지 않을 수 있다.
본 발명은 공정에 영향을 주는 다수의 액추에이터에 대한 보정 변수를 조정장치내에서 측정된 공정 출력값으로부터 계산하는 방식의, 공정 제어 방법에 관한 것이다. 본 발명은 또한 상기 방법을 실시하기 위한 장치에 관한 것이다.
도 1은 롤러 장치에서 스트립 편평성을 제어하기 위한 제어장치, 및 액추에이터 효율을 학습하기 위한 신경 회로망을 포함하는 본 발명에 따른 장치의 실시예이고,
도 2는 공정의 작동점에 대한 액추에이터 효율을 학습하기 위한 신경 회로망의 예이며,
도 3은 다수의 데이터 세트를 사용하여 액추에이터 효율을 학습하기 위한 예이고,
도 4는 변동되는 작동점에 대한 액추에이터 효율을 학습하기 위한 신경 회로망의 다른 실시예이며,
도 5는 도 4에 따른 신경 회로망에서 액추에이터 효율의 학습과 관련한 웨이팅 팩터의 결정을 설명하기 위한 다이어그램이다.
본 발명의 목적은 공정에 대한 기존의 경험 지식과 무관하게 공정의 최상 제어를 가능하게 하는 공정 제어 방법 및 장치를 제공하는 것이다.
상기 목적은 본 발명에 따라 청구범위 제 1항에 제시된 방법 및 청구범위 제 10항에 제시된 장치에 의해 달성된다.
본 발명에 따른 방법 및 장치의 바람직한 개선은 청구범위 종속항에 제시된다.
본 발명에 따른 방법 및 장치에 의해, 공정의 정상 제어시 공정 동안 측정된 보정 변수의 변동 및 공정 출력값의 변동을 기초로 개별 액추에이터에 대한 액추에이터 효율이 자동으로 학습되고 보정 변수의 계산을 개선시키기 위해 조정장치에 공급된다. 항상 조정장치에 의해 바로 제어될 수 있는 액추에이터의 효율이 학습된다. 제어장치가 액추에이터의 일부만을 제어하면, 상기 액추에이터의 효율만이 학습된다. 나머지 액추에이터 효율은 관련 액추에이터가 사용될 때 학습된다. 학습된 액추에이터 효율이 조정장치 자체내에 캐취되지 않으면서, 보정 변수를 계산할 때 조정장치가 학습된 액추에이터 효율에 의해 지지된다. 본 발명에 따른 방법은 기존의 장치에도 적용될 수 있으며, 이 경우 기존의 조정장치가 통상의 방식으로 사용된다.
개별 액추에이터에 대한 액추에이터 효율의 학습은 신경 회로망에서 정상 공정 동안 조정장치에 의해 이루어진 보정 변수의 변동 및 그것으로 부터 결과되는 출력값의 변동에 따라 이루어진다. 공정의 작동점이 변동되지 않으면, 공정 출력값의 변동과 보정 변수의 변동 사이의 함수적 의존도가 작은 신호 영역에서 선형화될 수 있으므로, 신경 회로망이 단 하나의 입력층 및 단 하나의 출력층만을 포함할 수 있고, 그에 따라 간단히 구성될 수 있다. 이러한 신경 회로망에서는 그것의 입력측에 공급되는 보정 변수 변동(dui)이 학습될 액추에이터 효율에 상응하는 회로망 파라메터(wij)를 통해 하기 식에 따라
Figure pct00001
회로망 응답(
Figure pct00002
)으로 연산되고 회로망 파라메터(wij)는 회로망 응답과 출력값 변동 사이의 편차에 따라 상기 편차를 줄이는 의미로 변동된다. 액추에이터 효율이 신경 회로망에서 학습되는 학습 과정은 공정의 작동점의 느린 변동을 따를 수 있다. 또한, 특히 작동점의 변동이 신속하거나 또는 클 때 하나의 작동점에 대해 학습된 액추에이터 효율이 저장된다; 저장된 액추에이터 효율이 학습되는 작동점을 공정이 재차 포함하면, 상기 액추에이터 효율은 회로망 파라메터로서 재차 신경 회로망에 공급된다.
공정의 변동가능한 작동점에 대한 학습될 액추에이터 효율의 의존도를 포괄적으로 고려하기 위해, 바람직하게는 작동점이 변동될 수 있는 작동 범위에서 미리 주어진 수의 작동 지지점이 결정된다. 신경 회로망의 입력에 공급된 각각의 작동 지지점에 대한 보정 변수 변동이 실제 작동점과 작동 지지점 사이의 간격에 대한 척도인 웨이팅 팩터로 웨이팅된다. 신경 회로망에서 웨이팅 팩터(oa)로 웨이팅된 보정 변수 변동(oa·dui)은 하기 식에 따라
Figure pct00003
회로망 응답(
Figure pct00004
)으로 연산된다. 상기 식에서, (waij)는 신경 회로망의 세팅가능한 회로망 파라메터이고,
Figure pct00005
는 학습될 액추에이터 효율이다. 신경 회로망의 적응을 위해, 회로망 파라메터(waij)가 회로망 응답과 공정의 출력값 변동 사이의 편차에 따라 상기 편차를 줄이는 의미로 변동된다.
신경 회로망에 입력값으로서 공급된 보정 변수 변동이 잡음을 야기시킬 수 있기 때문에, 상기 보정 변수 변동이 바람직하게는 먼저 필터에 공급된다. 상기 필터는 보정 변수 변동을 신경 회로망의 프리세팅(presetting) 가능한 한계치 미만으로 제한한다.
액추에이터 효율의 학습시 보다 양호하고 신속한 수렴이 이루어지게 하기 위해, 바람직하게는 회로망 파라메터가 변동되는 각각의 학습 단계 동안 보정 변수, 회로망 응답 및 출력값의 다수의 데이터 세트가 사용된다.
하기에서는 본 발명이 롤러 장치의 스트립 편평성 제어의 예로 설명된다.
도 1은 공정을 제어하기 위한, 여기서는 롤러장치에서 스트립(1)의 편평성을 제어하기 위해 사용되는 본 발명에 따른 장치의 실시예를 나타낸다. 롤러장치는 다수의 롤러 스탠드를 포함할 수 있다. 여기서는 다수의 롤러 스탠드 중 스트립(1)의 진행 방향으로 마지막 스탠드(2)만이 도시된다. 상기 스탠드(2)는 지지 롤러(3), 중간 롤러(4) 및 작업 롤러(5)를 포함한다. 롤러(3), (4) 및 (5)는 공지되어 있기 때문에 도시되지 않은 롤러의 조정, 선회, 벤딩 및 이동을 위한 수단 그리고 미리 주어진 롤러 구역을 냉각시키기 위한 수단과 함께 스트립의 편평성에 영향을 주기 위한 여러 가지 액추에이터를 형성한다. 롤러 스탠드(2)의 후방에는 편평성 측정장치(6)가 배치된다. 상기 편평성 측정장치(6)는 롤링되는 스트립(1)의 실제 편평성을 벡터(y)로 표시되는, 스트립(1)의 폭에 걸쳐 분포된 편평성 특성값(y1, ...,ym)의 형태로 계속 측정한다. 측정장치(6)에 의한 편평성 측정은 예컨대 여기에 도시되지 않은 측정 롤러가 스트립(1)의 폭에 걸친 스트립 장력 분포를 검출하는 방식으로 이루어질 수 있다. 편평성 특성값은 공정의 출력값이며, 상기 출력값은 조정장치(7)의 입력측에 공급된다. 상기 조정장치는 출력값(y1, ...,ym) 으로 부터 보정 변수(u1, ...,un)를 계산해낸다. 상기 보정 변수로 롤러 스탠드(2)의 n 액추에이터가 스트립 편평성(y)에 영향을 주기 위한 적합한 제어 장치(8)를 통해 제어된다.
조정장치(7)에 의한 스트립 편평성(y)의 제어를 지지하고 최적화하기 위해 공정 동안 계산장치(9)에서, 보정 변수du= (du1, ...,dun)의 변동에 따른 출력값dy= (dy1,...,dym)의 변동을 나타내는 액추에이터의 효율W= (w11,...,wnm)이 학습되고 조정장치(7)에 공급된다. 이 시점에서는 조정장치(7)에 의해 또는 수동으로 제어되는 액추에이터의 효율이 학습된다. 계산될 액추에이터 효율(w11,...,wnm)은 작동 파라메터b= (b1,...,bk)에 의해 규정되는 롤러 장치의 실제 작동 시점에 의존한다. 이 경우에는 보정 변수(u1,...,un)에 부가해서 공정에 영향을 주는 변수가 다루어진다. 여기에 도시된 예에서 상기 변수는 스트립 폭, 롤링력 및 롤러 직경이다.
신경 회로망(10)은 그것의 입력에 공급되는 보정 변수 변동(du) 및 경우에 따라 작동 파라메터(b)를 회로망 응답
Figure pct00006
= (
Figure pct00007
,...,
Figure pct00008
)으로 연산한다. 상기 회로망 응답은 비교장치(11)에서 측정된 출력값(dy)의 변동과 비교된다. 이렇게 검출된 출력값 변동(dy) 및 회로망 응답() 사이의 편차에 따라 학습 알고리즘(12)에 의해 신경 회로망(10)의 회로망 파라메터가 상기 편차(e)를 줄인다는 의미로 변경된다. 신경 회로망(10)에서 학습된 회로망 응답(
Figure pct00010
) 대 보정 변수 변동(du)의 비율은 학습될 액추에이터 효율W에 상응하며 보정 변수(u)의 계산을 개선시키기 위해 제어장치(7)에 공급된다.
출력값 yj(j=l,...,m,)과 보정 변수 ui(i=1,...,n), 및 작동 파라메터 b1(1=l,...,k) 사이의 함수 관계는 하기와 같이 설명될 수 있다:
yj= fj(u1,...,un,b1,...,bk).
작은 신호 범위에서 상기 관계식을 선형화시킬 수 있으므로, 하기 식이 적용된다:
Figure pct00011
상기 식에서,
Figure pct00012
는 작동 파라메터 b1,...,bk의 함수이다. 달리 표현하면,dy=w·du
상기 식에서w는 m x n 매트릭스이고, 그것의 계수 wij는 액추에이터 효율에 상응한다.
도 2는 공정의 고정 작동점에 대한 액추에이터 효율(wij)을 학습하기 위한 도 1의 신경 회로망(10)에 대한 예이다. 작동점이 변하지 않기 때문에, 학습될 액추에이터 효율(wij)이 작동점 파라메터(b1,...,bk)에 의존하지 않는다.
신경 회로망은 각각의 보정 변수 변동(dui)에 대한 n 입력소자(13)를 가진 입력층을 포함한다. 입력소자(13)는 신경 회로망의 입력값으로부터 잡음 성분을 필터링해내기 위해, 보정 변수 변동(dui)을 미리 주어진 한계치(x) 미만으로, 예컨대 최대 조정 거리의 2% 미만으로 제한하는 필터로 작용한다. 신경 회로망은 또한 공정의 출력값(yj)의 수에 따라 m 출력 소자(14)를 가진 출력층을 포함한다. 필터링된 입력값(dui)은 각각의 출력 소자(14)에 대해 회로망 파라메터(wij)로 웨이팅된 다음 회로망 응답
Figure pct00013
에 가산된다. 회로망 파라메터(wij)는 학습될 액추에이터 효율(wij)에 상응한다.
신경 회로망의 훈련은 기울기 방향으로의 하강에 의해 에러 함수 E = 0.5 ej2= 0.5· (dyj-
Figure pct00014
)2의 최소치를 찾는 방식으로 백(back) 전파 알고리즘에 따라 이루어진다. 이것을 위해 도 1을 참고로 이미 설명한 바와 같이, 회로망 응답(dyj)이 비교장치(11)에서 출력값(
Figure pct00015
)의 측정된 변동과 비교된다. 후속 배치된 학습 알고리즘(12)에서 회로망 파라메터(wij)가 에러(E)를 감소시키는 방향으로 학습 단계 폭(η)으로 적응적으로 변동된다. 이 경우, 적응 단계는
Figure pct00016
로 나타난다.
조정장치(7)의 액추에이터 효율(wij)을 액세스하기 위해, 값 "1"의 상이한 위치를 가진 n 백터 패턴(0,...,0,1,0,...,0)이 입력값으로서 신경 회로망(10)의 입력소자(13)에 공급되므로, 조정장치(7)로의 전달하기 위한 학습된 액추에이터 효율 (wij)이 회로망 응답으로서 출력소자(14)에 나타난다.
도 3을 참고로 하기에 설명되는 바와 같이, 회로망 파라메터(wij)가 변경되는 각각의 학습 단계에서 보정 변수du(t1),...,du(tp), 회로망 응답
Figure pct00017
(t1),...,
Figure pct00018
(tp), 및 공정 출력값dy(t1),...,dy(tp) 변동의 다수의 데이터 세트가 사용되므로, 액추에이터 효율(wij)의 학습시 보다 양호하고 신속한 수렴이 이루어질 수 있다. 이 경우, 적응 단계는
Figure pct00019
로 나타난다.
전술한 바와 같이, 도 2에 도시된 신경 회로망에 의해 공정의 고정 작동점에 대한 액추에이터 효율(wij)이 학습된다. 상기 작동점은 단지 서서히 변동되면, 학습 과정은 상기 변동을 따를 수 있다. 작동점 변동이 신속하거나 크면, 즉 전술한 작동점 파라메터(b1,...,bk)의 변동이 신속하거나 크면, 액추에이터 효율(wij)의 학습시 작동점 파라메터(b1,...,bk)에 대한 그것의 의존도가 고려되어야 한다.
도 4는 상기 요구를 충족시키는 신경 회로망(10)의 예를 나타낸다. 신경 회로망은 각각의 보정 변수 변동(dui)에 대한 n 입력소자(15) 및 각각의 작동점 파라메터(b1)에 대한 k 부가의 입력 소자(16)를 가진 입력층을 포함한다. 입력 소자(15)는 신경 회로망의 입력값으로부터 잡음성분을 필터링하기 위해 보정 변수 변동 (dui)을 미리 주어질 수 있는 한계치(x) 미만으로 제한하는 필터로 작용한다.
입력 소자(15) 및 (16)를 가진 입력층 다음에는 소자(17) 및 (18)를 가진 은폐된 층이 배치된다. 상기 은폐된 층의 기능은 먼저 도 5를 참고로 설명된다. 작동점 파라메터 bl, l=1,...,k는 k-차원 공간을 규정한다. 상기 차원은 도 5에서 편의상 k=2 인 경우에 대해 도시된다. 상기 k-차원 공간에서 미리 주어진 수의 작동 지지점 Pa, a=1,...,s이 결정된다. 도시된 예에서 작동 지지점(Pa)은 작동점 파라메터(b1)의 q=5 상이한 값에 의해 규정되므로, 작동 지지점(Pa)의 수(s)에 대해 s= qk가 적용된다. 각각의 작동점 파라메터(b1)에 대해 각각 하나의 할당 함수(hal)가 각각의 작동 지지점(Pa)에 할당된다. 상기 할당 함수는 각각의 작동 지지점(Pa)의 자리에 값 "1"을 가지며, 그것으로부터 직접 인접한 작동 지지점의 자리에 값 "0" 까지 계속 강하한다.
도 5에 나타나는 바와 같이, 공정 2k의 각각의 실제 작동점(P)에 대해 가장 가까이 놓인 여기서는 4개의 작동 지지점(Pa)(여기서는 굵게 표시됨)이 주어진다.상기 직접 인접한 작동 지지점(Pa)에 대한 작동점(P)의 근처는 작동점(P)의 장소에서의 관련 할당 함수(hal)의 값에 의해 규정되고, 상기 값은 예컨대 여기에 도시된 작동 지지점(Pa)에 대해 웨이팅 팩터 oa= f(hal, ha2)로 연산된다. 따라서, 상기 웨이팅 팩터 oa, 0 ≤ oa≤ 1 는 작동점(P)과 작동 지지점(Pa) 사이의 간격에 대한 척도이다.
도 4에 도시된 신경 회로망의 은폐된 층은 각각의 작동 지지점(Pa)에 대해 실제 작동점(P)을 규정하는 공급된 작동점 파라메터(b1)로부터 웨이팅 팩터(oa)를 계산하는 소자(17)를 각각 포함한다. 각각의 s 작동 지지점(Pa)에 대해, 총 n·s 소자(18)내에서 필터링된 보정 변수 변동(dui)이 웨이팅 팩터(oa)로 웨이팅된다.
신경 회로망은 또한 공정의 출력값(yj)의 수에 따라 m 출력 소자(19)를 가진 출력층을 포함한다. 웨이팅된 보정 변수 변동(oa·dui)은 각각의 출력 소자(19)에 대해 각각 회로망 파라메터(waij)로 웨이팅된 다음, 회로망 응답
Figure pct00020
에 가산된다. 실제 공정 진행에 대한 회로망 파라메터(waij)의 적응은 도 2에서 신경 회로망의 예에 대해 전술한 바와 동일한 방식으로 이루어진다. 그러나, 편차(ej)는 웨이팅 팩터(oa) 내지 (oa·ej)로 웨이팅된다.
학습될 액추에이터 효율(wij)에 대해 하기 식
Figure pct00021
이 적용된다.
이것은 조정장치(7)에 대한 도 2의 신경 회로망의 예에서와 같이, 값 "1" 의 상이한 위치를 가진 n 백터 패턴(0,...,0,1,0,...,0)이 입력값으로서 입력 소자(15)에 공급됨으로써, 출력소자(19)가 회로망 응답으로서 학습된 액추에이터 효율(wij)을 발생시키고, 상기 효율이 조정장치(7)로 전달되는 방식으로 액세스된다.
도 4에 도시된 신경 회로망에서도, 도 3을 참고로 전술한 바와 같이 보정 변수du(tp), 회로망 응답
Figure pct00022
(t1),...,
Figure pct00023
(tp), 및 공정 출력값dy(t1),...,dy(tp)의 변동의 다수의 데이터 세트가 사용되는 방식으로, 액추에이터 효율(wij)의 학습과 관련해서 보다 양호하고 신속한 수렴이 이루어진다.

Claims (17)

  1. 측정된 공정 출력값(yj)으로부터 공정에 영향을 주는 다수의 액추에이터에 대한 보정 변수(ui)를 조정장치(7)내에서 계산하는 방식의 공정 제어 방법에 있어서,
    - 각각의 액추에이터에 대해 보정 변수(dui)의 변동에 대한 출력값의 변동 의존도를 나타내는 액추에이터 효율(wij)이 신경 회로망(10)에서 학습되고,
    - 학습된 액추에이터 효율(wij)이 보정 변수(ui)의 계산을 개선시키기 위해 조정장치(7)에 공급되며,
    - 신경 회로망(10)이 2개 이상의 은폐된 평면을 포함하고,
    - 은폐된 평면의 웨이팅이 실제 작동점 파라메터를 모델로 하는 것을 특징으로 하는 공정 제어 방법.
  2. 측정된 공정 출력값(yj)으로부터 공정에 영향을 주는 다수의 액추에이터에 대한 보정 변수(ui)를 조정장치(7)내에서 계산하는 방식의 공정 제어 방법에 있어서,
    - 각각의 액추에이터에 대해 보정 변수(dui)의 변동에 대한 출력값의 변동 의존도를 나타내는 액추에이터 효율(wij)이 신경 회로망(10)에서 학습되고,
    - 학습된 액추에이터 효율(wij)이 보정 변수(ui)의 계산을 개선시키기 위해 조정장치(7)에 공급되며,
    - 신경 회로망(10)이 2개 이상의 은폐된 평면을 포함하고,
    - 하나 이상의 은폐된 평면의 웨이팅이 선형 연관자로 적응되는 것을 특징으로 하는 공정 제어 방법.
  3. 측정된 공정 출력값(yj)으로부터 공정에 영향을 주는 다수의 액추에이터에 대한 보정 변수(ui)를 조정장치(7)내에서 계산하는 방식의 공정 제어 방법에 있어서,
    - 각각의 액추에이터에 대해 보정 변수(dui)의 변동에 대한 출력값의 변동 의존도를 나타내는 액추에이터 효율(wij)이 신경 회로망(10)에서 학습되고,
    - 학습된 액추에이터 효율(wij)이 보정 변수(ui)의 계산을 개선시키기 위해 조정장치(7)에 공급되며,
    - 신경 회로망(10)이 2개 이상의 은폐된 평면을 포함하고,
    - 은폐된 평면의 웨이팅이 실제 작동점 파라메터를 모델로 하며,
    - 하나 이상의 제 2 은폐된 평면의 웨이팅이 선형 연관자에 의해 적응되는 것을 특징으로 하는 공정 제어 방법.
  4. 제 1항, 2항 또는 3항에 있어서, 신경 회로망(10)이 그것의 입력에 공급되는 보정 변수 변동(dui)을 학습될 액추에이터 효율에 상응하는 회로망 파라메터(wij)을통해 하기 식
    Figure pct00024
    에 따라 회로망 응답(
    Figure pct00025
    )으로 연산되고 회로망 파라메터(wij)는 회로망 응답(
    Figure pct00026
    )과 출력값의 변동(dyj) 사이의 편차(ej)에 따라 상기 편차(ej)를 줄이는 의미로 변동되는 것을 특징으로 하는 공정 제어 방법.
  5. 제 1항, 2항 또는 3항에 있어서, 학습될 액추에이터 효율(wij)이 공정의 작동점 파라메터(b1)에 의존하면 작동점 파라메터(b1)에 의해 규정된 다차원 공간에서 미리 주어진 수의 작동 지지점(Pa)이 정해지고, 신경 회로망(10)의 입력에 공급된 각각의 작동 지지점(Pa)에 대한 보정 변수 변동(dui)이 작동점 파라메터(b1)의 실제값에 의해 규정된 작동점(P)과 작동 지지점 사이의 간격에 대한 척도인 웨이팅 팩터(oa)로 웨이팅되며, 웨이팅된 보정 변수 변동(oa·dui)이 하기 식에 따라
    Figure pct00027
    회로망 응답(
    Figure pct00028
    )으로 연산되고, 상기 식에서(waij)는 신경 회로망의 세팅가능한 회로망 파라메터이며,
    Figure pct00029
    는 학습될 액추에이터 효율이고, 회로망 파라메터(waij)가 회로망 응답
    Figure pct00030
    과 공정의 출력값 변동(dyj) 사이의 편차(ej)에 따라 상기 편차(ej)를 줄이는 의미로 변동되는 것을 특징으로 하는 공정 제어 방법.
  6. 제 5항에 있어서, 웨이팅 팩터(oa)의 값이 작동점(P)과 각각의 작동 지지점(Pa) 사이의 간격 증가에 따라 직접 인접한 작동 지지점의 장소에서 1로부터 O으로 계속 감소되는 것을 특징으로 하는 공정 제어 방법.
  7. 제 4항에 있어서, 에러 함수 E = 0.5 ·(dyj -
    Figure pct00031
    )2의 최소값을 기울기 방향으로의 하강에 의해 찾는 방식으로, 회로망 파라메터(wij, waij)의 변동이 백(back) 전파 알고리즘을 따라 이루어지는 것을 특징으로 하는 공정 제어 방법.
  8. 제 4항에 있어서, 학습된 액추에이터 효율(wij)을 조정장치(7)로 전달하기 위해, 다른 자리에 처음에는 값 1을 그리고 나머지는 값 0을 가진 다수의 값 패턴이 보정 변수(ui)의 수에 따라 입력값으로서 신경 회로망(10)에 공급되며, 신경 회로망(10)은 그 출력에 회로망 응답으로서 액추에이터 효율(wij)을 발생시키는 것을 특징으로 하는 공정 제어 방법.
  9. 제 1항 내지 3항 중 어느 한 항에 있어서, 신경 회로망(10)에 공급된 보정 변수 변동(dui)은 보정 변수 변동(dui)을 신경 회로망(10)의 프리세팅될 수 있는 한계치(x) 미만으로 제한하는 필터에 먼저 공급되는 것을 특징으로 하는 공정 제어 방법.
  10. 제 1항 내지 3항 중 어느 한 항에 있어서, 회로망 파라메터(wij; waij)가 변동되는 각각의 학습 단계 동안, 보정 변수(dui(tr)), 회로망 응답(
    Figure pct00032
    ) 및 출력값 변동(dyj(tr))의 다수의 데이터 세트가 사용되는 것을 특징으로 하는 공정 제어 방법.
  11. 제 1항 내지 3항 중 어느 한 항에 있어서, 공정 중에 롤링 물체(1)의 편평성 및 프로필이 롤링장치내에서 조정되고, 상기 출력값(yj)은 롤링 물체(1)의 폭에 걸쳐 분포된 스트립 인장력과 같은 스트립 편평성 특성값 또는 스트립 프로필 특성값으로 이루어지며, 보정 변수(ui)는 롤링 갭 프로필을 변경시키기 위한 맞물림, 특히 롤러의 경사 위치, 롤러의 휨, 롤러의 이동, 및/또는 롤러의 국부적 냉각, 및 젠지미어-스탠드에서 편심 조정을 포함하는 것을 특징으로 하는 공정 제어 방법.
  12. 제 11항에 있어서, 작동점 파라메터(b1)는 롤링 물체 폭, 롤링력 및/또는 롤러 직경을 포함하는 것을 특징으로 하는 공정 제어 방법.
  13. 측정된 공정 출력값(yj)으로 부터 공정에 영향을 주는 다수의 액추에이터에 대한 보정 변수(ui)를 계산하는 조정장치(7)를 포함하는 공정 제어 장치에 있어서,
    - 각각의 액추에이터에 대해 보정 변수(dui)의 변동에 대한 출력값의 변동 의존도를 나타내는 액추에이터 효율(wij)이 신경 회로망(10)에서 학습되고,
    - 학습된 액추에이터 효율(wij)이 보정 변수(ui)의 계산을 개선시키기 위해 조정장치(7)에 공급되며,
    - 신경 회로망(10)이 2개 이상의 은폐된 평면을 포함하고,
    - 은폐된 평면의 웨이팅이 실제 작동점 파라메터를 모델로 하는 것을 특징으로 하는 공정 제어 장치.
  14. 측정된 공정 출력값(yj)으로 부터 공정에 영향을 주는 다수의 액추에이터에 대한 보정 변수(ui)를 계산하는 조정장치(7)를 포함하는 공정 제어 장치에 있어서,
    - 각각의 액추에이터에 대해 보정 변수(dui)의 변동에 대한 출력값의 변동 의존도를 나타내는 액추에이터 효율(wij)이 신경 회로망(10)에서 학습되고,
    - 학습된 액추에이터 효율(wij)이 보정 변수(ui)의 계산을 개선시키기 위해 조정장치(7)에 공급되며,
    - 신경 회로망(10)이 2개 이상의 은폐된 평면을 포함하고,
    - 하나 이상의 은폐된 평면의 웨이팅이 선형 연관자에 의해 적응되는 것을 특징으로 하는 공정 제어 장치.
  15. 측정된 공정 출력값(yj)으로 부터 공정에 영향을 주는 다수의 액추에이터에 대한 보정 변수(ui)를 계산하는 조정장치(7)를 포함하는 공정 제어 장치에 있어서,
    - 각각의 액추에이터에 대해 보정 변수(dui)의 변동에 대한 출력값의 변동 의존도를 나타내는 액추에이터 효율(wij)이 신경 회로망(10)에서 학습되고,
    - 학습된 액추에이터 효율(wij)이 보정 변수(ui)의 계산을 개선시키기 위해 조정장치(7)에 공급되며,
    - 신경 회로망(10)이 2개 이상의 은폐된 평면을 포함하고,
    - 은폐된 평면의 웨이팅이 실제 작동점 파라메터를 모델로 하며,
    - 하나 이상의 제 2 은폐된 평면의 웨이팅이 선형 연관자에 의해 적응되는 것을 특징으로 하는 공정 제어 장치.
  16. 제 13항, 14항 또는 15항에 있어서, 신경 회로망(10)이 보정 변수 변동(dui)을 신경 회로망(10)에 공급하기 위한 입력층, 및 회로망 응답(
    Figure pct00033
    )을 송출하기 위한 출력층을 포함하고, 상기 입력층 및 출력층은 학습될 액추에이터 효율에 상응하는 회로망 파라메터(wij)를 통해 하기 식에 따라
    Figure pct00034
    서로 연산되고, 회로망 파라메터(wij)를 회로망 응답(
    Figure pct00035
    )과 출력값 변동(dyj) 사이의 편차(ej)에 따라 상기 편차(ej)를 줄이는 의미로 변동시키는 학습 알고리즘을 가진 장치(12)가 제공되는 것을 특징으로 하는 공정 제어 장치.
  17. 제 16항에 있어서, 신경 회로망(10)이 보정 변수 변동(dui) 및 공정의 작동점 파라메터(bl)를 신경 회로망(10)에 공급하기 위한 입력층, 회로망 응답(
    Figure pct00036
    )을 송출하기 위한 출력층, 및 그 사이에 놓인 은폐된 층을 포함하고, 상기 은폐된 층은 미리 주어진 수의 소자(17)를 포함하며, 각각의 소자(17)는 작동점 파라메터(bl)에 의해 규정된 다차원 공간에서 각각 하나의 작동 지지점(Pa)을 나타내며 그것에 공급되는 작동점 파라메터(bl)로부터 작동점 파라메터(bl)에 의해 규정된 작동점(P)과 작동 지지점(Pa) 사이의 간격에 대한 척도인 웨이팅 팩터(oa)를 계산하고, 은폐된 층은 보정 변수 변동(dui)을 개별적으로 소자(17)에 의해 공급된 웨이팅 팩터(oa)로웨이팅하는 부가의 소자(18)를 포함하며, 은폐된 층 및 출력층은 회로망 파라메터(waij)를 통해 하기 식에 따라
    Figure pct00037
    서로 연산되고, 상기 식에서
    Figure pct00038
    는 학습될 액추에이터 효율이고, 회로망 파라메터(waij)를 회로망 응답(
    Figure pct00039
    )과 출력값 변동(dyj) 사이의 편차(ej)에 따라 상기 편차(ej)를 줄이는 의미로 변동시키는 학습 알고리즘을 가진 장치(12)가 제공되는 것을 특징으로 하는 공정 제어 장치.
KR1019970706267A 1995-03-16 1995-03-16 공정의제어방법및장치 KR100333232B1 (ko)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/DE1995/000366 WO1996028770A1 (de) 1995-03-16 1995-03-16 Verfahren und vorrichtung zur führung eines prozesses

Publications (2)

Publication Number Publication Date
KR19980702860A KR19980702860A (ko) 1998-08-05
KR100333232B1 true KR100333232B1 (ko) 2002-06-20

Family

ID=6918194

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1019970706267A KR100333232B1 (ko) 1995-03-16 1995-03-16 공정의제어방법및장치

Country Status (6)

Country Link
US (1) US6098060A (ko)
EP (1) EP0815498B1 (ko)
KR (1) KR100333232B1 (ko)
DE (1) DE59505012D1 (ko)
TW (1) TW358757B (ko)
WO (1) WO1996028770A1 (ko)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19644132B4 (de) * 1996-10-23 2005-07-07 Siemens Ag Verfahren zum Optimieren der Bandbreitenverteilung an den Enden eines eine Walzstraße durchlaufenden Bandes
ATE255964T1 (de) * 1999-12-23 2003-12-15 Abb Ab Verfahren und vorrichtung zur planheitsregelung
DE10036971A1 (de) * 2000-07-28 2002-02-28 Siemens Ag Verfahren zur Ferndiagnose eines technologischen Prozesses
DE10045259A1 (de) † 2000-09-13 2002-03-21 Sms Demag Ag Regelverfahren zum Walzen eines Bandes in einem Walzgerüst
DE10106527A1 (de) * 2001-02-13 2002-08-29 Sms Demag Ag Verfahren zum Betreiben einer Walzstraße sowie Steuerungssystem für eine Walzstraße
SE530055C2 (sv) * 2006-06-30 2008-02-19 Abb Ab Förfarande och anordning för styrning av valsgap vid valsning av ett band
DE102008007247A1 (de) * 2007-09-13 2009-03-19 Siemens Aktiengesellschaft Betriebsverfahren für eine Walzstraße mit Krümmungserkennung
EP2527052A1 (de) 2011-05-24 2012-11-28 Siemens Aktiengesellschaft Betriebsverfahren für eine Walzstraße
EP3461567A1 (de) 2017-10-02 2019-04-03 Primetals Technologies Germany GmbH Planheitsregelung mit optimierer
EP3479916A1 (de) 2017-11-06 2019-05-08 Primetals Technologies Germany GmbH Gezielte einstellung der kontur durch entsprechende vorgaben
EP3632583A1 (de) * 2018-10-03 2020-04-08 Primetals Technologies Germany GmbH Entkoppelte einstellung von kontur und planheit eines metallbandes

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5282131A (en) * 1992-01-21 1994-01-25 Brown And Root Industrial Services, Inc. Control system for controlling a pulp washing system using a neural network controller
US5249954A (en) * 1992-07-07 1993-10-05 Electric Power Research Institute, Inc. Integrated imaging sensor/neural network controller for combustion systems
DE4416364B4 (de) * 1993-05-17 2004-10-28 Siemens Ag Verfahren und Regeleinrichtung zur Regelung eines Prozesses

Also Published As

Publication number Publication date
TW358757B (en) 1999-05-21
WO1996028770A1 (de) 1996-09-19
EP0815498A1 (de) 1998-01-07
US6098060A (en) 2000-08-01
DE59505012D1 (de) 1999-03-11
KR19980702860A (ko) 1998-08-05
EP0815498B1 (de) 1999-01-27

Similar Documents

Publication Publication Date Title
KR100333232B1 (ko) 공정의제어방법및장치
KR101419998B1 (ko) 스트립의 편평도 제어 방법 및 이를 위한 제어 시스템
US5598329A (en) Method and device for controlling a process
JP3223856B2 (ja) 圧延機の制御方法及び圧延機の制御装置
JPH0824925A (ja) 金属帯の圧延方法
RU2157284C1 (ru) Способ оптимизации распределения ширины полосы на концах полосы проката, проходящей через прокатный стан
CN105517720B (zh) 用于调节轧机中的平度控制的方法及控制系统
US7748247B2 (en) Regulating flatness of a metal strip at the output of a roll housing
JP3132340B2 (ja) 熱間連続式圧延機の制御方法
US6438443B1 (en) Method and device for pre-setting the planeness of a roller strip
KR100721918B1 (ko) 보조 롤을 이용한 냉연판 형상개선장치 및 그 방법
CN1107247C (zh) 过程控制方法和设备
KR100929015B1 (ko) 압연재 소성계수 보정에 의한 예측압연하중 보정방법
JP2719215B2 (ja) 板圧延のエッジドロップ制御方法
JP2000301221A (ja) 冷間圧延時のエッジドロップ制御方法
JP4086119B2 (ja) 酸洗前熱延鋼帯の冷間圧延における形状制御方法
JP2000126809A (ja) 圧延機のセットアップ装置
JP3604626B2 (ja) 箔圧延機における箔形状の制御装置並びにかかる箔形状の制御方法
JPH08117824A (ja) 圧延操業条件の予測方法およびそれを用いた設定制御圧延方法
JPH07102381B2 (ja) 圧延機による圧延材の板形状調整方法
JPH1043806A (ja) 圧延機の形状制御装置
JP3908702B2 (ja) 連続圧延機の板幅制御方法
JP3396774B2 (ja) 形状制御方法
JPH11104720A (ja) 圧延機のセットアップ装置
JPH08238509A (ja) 冷間圧延時のエッジドロップ制御方法

Legal Events

Date Code Title Description
PA0105 International application

Patent event date: 19970909

Patent event code: PA01051R01D

Comment text: International Patent Application

PG1501 Laying open of application
A201 Request for examination
PA0201 Request for examination

Patent event code: PA02012R01D

Patent event date: 20000316

Comment text: Request for Examination of Application

E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20020119

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20020408

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20020409

End annual number: 3

Start annual number: 1

PG1601 Publication of registration
PR1001 Payment of annual fee

Payment date: 20050315

Start annual number: 4

End annual number: 4

PR1001 Payment of annual fee

Payment date: 20060313

Start annual number: 5

End annual number: 5

PR1001 Payment of annual fee

Payment date: 20070326

Start annual number: 6

End annual number: 6

PR1001 Payment of annual fee

Payment date: 20080321

Start annual number: 7

End annual number: 7

PR1001 Payment of annual fee

Payment date: 20090312

Start annual number: 8

End annual number: 8

PR1001 Payment of annual fee

Payment date: 20100316

Start annual number: 9

End annual number: 9

PR1001 Payment of annual fee

Payment date: 20110311

Start annual number: 10

End annual number: 10

FPAY Annual fee payment

Payment date: 20120319

Year of fee payment: 11

PR1001 Payment of annual fee

Payment date: 20120319

Start annual number: 11

End annual number: 11

FPAY Annual fee payment

Payment date: 20130314

Year of fee payment: 12

PR1001 Payment of annual fee

Payment date: 20130314

Start annual number: 12

End annual number: 12

LAPS Lapse due to unpaid annual fee
PC1903 Unpaid annual fee

Termination category: Default of registration fee

Termination date: 20150309