[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

DE4338615B4 - Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System - Google Patents

Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System Download PDF

Info

Publication number
DE4338615B4
DE4338615B4 DE4338615A DE4338615A DE4338615B4 DE 4338615 B4 DE4338615 B4 DE 4338615B4 DE 4338615 A DE4338615 A DE 4338615A DE 4338615 A DE4338615 A DE 4338615A DE 4338615 B4 DE4338615 B4 DE 4338615B4
Authority
DE
Germany
Prior art keywords
process parameter
model
submodels
measured
neural network
Prior art date
Legal status (The legal status 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 status listed.)
Expired - Lifetime
Application number
DE4338615A
Other languages
English (en)
Other versions
DE4338615A1 (de
Inventor
Einar Dr. Broese
Otto Dr. Gramckow
Thomas Dr. Martinetz
Günter Dipl.-Ing. Sörgel
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens AG
Original Assignee
Siemens AG
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 AG filed Critical Siemens AG
Priority to DE4338615A priority Critical patent/DE4338615B4/de
Priority to JP6300398A priority patent/JPH07191713A/ja
Priority to US08/336,958 priority patent/US5608842A/en
Publication of DE4338615A1 publication Critical patent/DE4338615A1/de
Application granted granted Critical
Publication of DE4338615B4 publication Critical patent/DE4338615B4/de
Anticipated expiration legal-status Critical
Expired - Lifetime legal-status Critical Current

Links

Classifications

    • 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
    • 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

Landscapes

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

Abstract

Verfahren zur Führung eines Prozesses in einem geregelten System (4), wobei zu Beginn eines jeden Prozeßablaufes mittels eines in einer Recheneinrichtung (2) implementierten mathematischen Modells (M) des Prozesses in Abhängigkeit von dem Modell (M) zugeführten Eingangsgrößen (x) zumindest ein ausgewählter Prozeßparameter (y) vorausberechnet wird, mit dem eine Voreinstellung des Systems (4) erfolgt, wobei während des Prozeßablaufs die Eingangsgrößen (x) und der Prozeßparameter (y) gemessen werden und wobei nach dem Prozeßablauf aufgrund des gemessenen Prozeßparameters (y) und der dem Modell (M) zugeführten gemessenen Eingangsgrößen (x) eine adaptive Verbesserung der Vorausberechnung des Prozeßparameters (y) erfolgt, dadurch gekennzeichnet, daß bei einem aus mehreren Teilmodellen (M1, M2 bis Mk) bestehenden Modell (M) die Rechenergebnisse (π1, π2 bis πk) der Teilmodelle einem neuronalen Netzwerk (8) zugeführt werden, welches als Netzwerkantwort (yN) den vorauszuberechnenden Prozeßparameter erzeugt, und daß nach dem Prozeßablauf die Abweichung zwischen der Netzwerkantwort (yN) und dem gemessenen Prozeßparameter (y) zur Adaption von Netzwerkparametern...

Description

  • Die Erfindung betrifft ein Verfahren zur Führung eines Prozesses in einem geregelten System, wobei in einer Recheneinrichtung ein mathematisches Modell des Prozesses mit mindestens einem veränderlichen Modellparameter implementiert ist, das vor Beginn eines jeden Prozeßablaufes in Abhangigkeit von ihm zugeführten Eingangsgrößen zumindest einen ausgewählten Prozeßparameter vorausberechnet, mit dem eine Voreinstellung des Systems erfolgt, wobei während des Prozeßablaufes die Eingangsgrößen und der Prozeßparameter gemessen werden und wobei nach dem Prozeßablauf aufgrund des gemessenen Prozeßparameters und der dem Modell zugeführten gemessenen Eingangsgroßen eine adaptive Verbesserung der Vorausberechnung des Prozeßparameters erfolgt. Die Erfindung betrifft ferner eine entsprechende Vorrichtung.
  • Aus der DE 40 40 360 A ist ein derartiges Verfahren bzw. eine derartige Vorrichtung zur Führung eines Prozesses in einem geregelten System für eine verfahrenstechnische Anlage bekannt, die quasikontinuierlich arbeitet. Hierzu zählen typischerweise Walzstraßen, wobei jeder Durchlauf des Walzgutes einen Prozeßzyklus, im folgenden Prozeßablauf genannt, bildet. Wie alle realen technischen Prozesse sind diese Prozeßabläufe zeitvariant. Bei der Führung von solchen Prozessen ist es erforderlich, das den Prozeß regelnde System vor jedem Prozeßablauf voreinzustellen, d.h. die Prozeßführung muß im Unterschied zur klassischen Regelung dem tatsächlichen Prozeßgeschehen stets zeitlich voraus sein. Ursache hierfür ist, daß in industriellen Prozessen vielfach Regelgrößen nur indirekt und nicht unmittelbar an der Stelle der Prozeßbeeinflussung gemessen werden können, so daß eine unmittelbare Regelung nicht möglich ist. Die Voreinstellung des den Prozeß regelnden (ystems erfolgt in bekannter weise derart, daß gestützt auf einen Pool relevanter mathematischer Modelle des Prozesses in Abhängigkeit von vorgegebenen und/oder zunächst abgeschätzten Eingangsgrößen ausgewählte Prozeßparameter vorausberechnet werden, mit denen dann eine Voreinstellung des Systems erfolgt. Da mathematische Modelle den zu führenden Prozeß immer nur näherungsweise beschreiben können, ist eine adaptive Anpassung der Modelle an das tatsächliche Prozeßgeschehen erforderlich. Hierzu werden während jedes Prozeßablaufs die Prozeßparameter und die Eingangsgrößen unmittelbar oder mittelbar durch Aufbereitung anderer Meßgrößen gemessen. Nach Abschluß des Proceßablaufs werden im Rahmen einer Nachberechnung die mit den mathematischen Modellen durchgeführten Vorausberechnungen auf der Grundlage der nunmehr gemessenen Eingangsgrößen wiederholt, wobei in Abhängigkeit von der Abweichung zwischen den so berechneten Prozeßparametern und den gemessenen Prozeßparametern eine adaptive Änderung der veränderbaren Modellparametern im Sinne einer Verringerung der ermittelten Abweichung erfolgt. Die so adaptierten Modellparameter stehen für die Vorausberechnung der Proceßparameter zu Beginn des nächsten Prozeßablaufs zur Verfügung.
  • Bei sehr komplexen Zusammenhängen werden üblicherweise Teilaspekte des zu modellierenden Prozesses in Teilmodellen beschrieben, wobei das Zusammenwirken der betrachteten Teilaspekte des Prozesses durch ein übergeordnetes, die Teilmodelle miteinander verknüpfendes Modell beschrieben wird. Während die Teilmodelle die entsprechenden Teilaspekte des Prozesses noch hinreichend genau beschreiben können, lassen sich Modellannahmen für die Verknüpfung der Teilmodelle nur schwer erstellen und können zudem stark fehlerbehaftet sein. Insbesondere ist eine Adaption des übergeordneten Modells zusätzlich zu der Adaption der Teilmodelle nur sehr schwer durchzuführen, da die Teilmodelle keine exakten Meßwerte, sondern lediglich Schätzwerte als Eingangsgrößen für das übergeordnete Modell liefern.
    •
  • Der Erfindung liegt die Aufgabe zugrunde, die Vorausberechnung des Prozeßparameters bei einem sehr komplexen Zusammenhang zwischen diesem und den Eingangsgrößen zu verbessern.
  • Gemäß der Erfindung wird die Aufgabe dadurch gelöst, daß ausgehend von dem Verfahren der eingangs angegebenen Art bei einem aus mehreren Teilmodellen bestehenden Modell die Rechenergebnisse der Teilmodelle einem neuronalen Netzwerk zugeführt werden, welches als Netzwerkantwort den vorauszuberechnenden Prozeßparameter erzeugt, und daß nach dem Prozeßablauf die Abweichung zwischen der Netzwerkantwort und den gemessenen Prozeßparametern zur Adaption von Netzwerkparametern des neuronalen Netzwerkes herangezogen wird. Entsprechend besteht bei der zugehörigen Vorrichtung das Modell aus mehreren Teilmodellen, wobei den Teilmodellen ein neuronales Netzwerk nachgeordnet ist, das die Rechenergebnisse der Teilmodelle zu einem Vorausberechnungswert für den Prozeßparameter verknüpft.
  • Teilaspekte des zu führenden Prozesses werden also nach wie vor durch Modelle, hier Teilmodelle, beschrieben, wobei jedoch die Verknüpfung der von den Teilmodellen gelieferten Rechenergebnisse durch ein lernfähiges neuronales Netzwerk erfolgt. Gegenüber der Verwendung eines übergeordneten, die Teilmodelle miteinander verknüpfenden Modells, ergibt sich der Vorteil, daß das Design und das Training des neuronalen Netzwerkes weniger aufwendig ist, als die Qualifizierung eines solchen übergeordneten Modells. Gegenüber einer weiteren, z.B. aus der DE 41 30 164 A1 bekannten Möglichkeit, das mathematische Modell vollständig durch ein neurnonales Netzwerk zu ersetzen, ergibt sich der Vorteil, daß die bisherigen Ergebnisse und Erfahrungen zur mathematischen Modellierung von Prozessen weiterhin zur Geltung kommen. Dementsprechend ist auch das in Kombination mit den mathematischen Teilmodellen verwendete neuronale Netzwerk einfacher, als ein entsprechendes globales neuronales Netzwerk, woraus robustere Lösungen für die Prozeßführung resultieren.
  • In vorteilhafter Weiterbildung des erfindungsgemäßen Verfahrens werden zusätzlich zu den Rechenergebnissen der Teilmodelle auch Eingangsgrößen, deren Einflüsse auf den vorauszuberechnenden Prozeßparameter nicht im Rahmen von Modellen beschreibbar sind, direkt dem neuronalen Netzwerk zugeführt.
  • Die Adaption der Netzwerkparameter erfolgt in vorteilhafter Weise on-line, indem nach jedem Prozeßablauf die gemessenen Eingangsgrößen und der gemessene Prozeßparameter zur Adaption der Netzwerkparameter herangezogen werden. Hierdurch wird eine ständige Anpassung des von dem neuronalen Netzwerk gelieferten Vorhersagewertes für den Prozeßparameter an den realen, d. h. zeitvarianten, Prozeß erreicht. Dabei ist die on-line Adaption der Netzwerkparameter des neuronalen Netzwerkes rechentechnisch weitaus weniger aufwendig, als dies bei einer on-line Adaption der Modellparameter des mathematischen Modells der Fall wäre.
  • Das erfindungsgemäße Verfahren findet insbesondere bei industriellen verfahrenstechnischen Prozessen Anwendung, bei denen Teile des Prozesses durch entsprechende Modelle beschrieben werden können. In diesem Zusammenhang werden mit dem erfindungsgemäßen Verfahren vorzugsweise walztechnische Prozesse geführt. Dabei sind vorzugsweise die Teilmodelle den einzelnen Walzgerüsten einer Walzstraße zugeordnet, wobei das neuronale Netzwerk die von den Teilmodellen für jedes einzelne Walzgerüst gelieferten Rechenergebnisse zu einem Voraussagewert des Prozeßparameters für die gesamte Walzstraße verknüpft. Entsprechend einer bevorzugten Anwendung des erfindungsgemäßen Verfahrens berechnen dabei die Teilmodelle die Walzspaltprofile der einzelnen Walzgerüste; das neuronale Netzwerk verknüpft die errechneten Walzspaltprofile zu einem Voraussagewert für das Banddickenprofil.
    •
  • Im folgenden wird die Erfindung unter Bezugnahme auf die Figuren der Zeichnung näher erläutert. Dabei zeigen im einzelnen:
  • 1 eine bekannte Anordnung zur Führung eines technischen Prozesses, in der mathematische Modelle des Prozesses zur Voreinstellung eines den Prozeß regelnden Systems implementiert sind,
  • 2 ein Beispiel für die erfindungsgemäße Kombination der mathematischen Modelle mit einem neuronalen Netzwerk,
  • 3 ein Blockschaltbild zur Erläuterung der funktionalen Verknüpfung der Modelle mit dem neuronalen Netzwerk und
  • 4 das Blockschaltbild eines Teilmodells.
  • 1 zeigt eine herkömmliche Anordnung zur Führung eines technischen Prozesses, beispielsweise eines Walzprozesses, der hier durch einen Funktionsblock 1 symbolisiert ist. In einer Recheneinrichtung 2 ist ein gegebenenfalls aus mehreren Teilmodellen bestehendes mathematisches Modell M des Prozesses einschließlich zugehöriger veränderbarer Modellparameter MP implementiert. Vor Beginn eines jeden Prozeßablaufs holt sich eine Vorausberechnungseinrichtung 3 aus der Recheneinrichtung 2 die jeweils benötigten Modellgleichungen des mathematischen Modells M mit den aktuellen Modellparametern MP. In der Vorausberechnungseinrichtung 3 werden dann aufgrund der Gleichungen des Modells M und vorgegebenen bzw. geschätzten Eingangsgrößen xv = (x1v, ..., xnv), wie z.B. Sollwerte, ausgewählte Prozeßparameter yv = (y1v, ..., ymv) vorausberechnet. Mit diesen vorausberechneten Prozeßparametern yv wird ein System 4 zur Regelung des Prozesses 1 voreingestellt. Während des anschließenden Prozeßablaufs wird, wie dies durch den Pfeil 5 verdeutlicht ist, der Prozeß 1 von dem voreingestellten System 4 gesteuert, während gleichzeitig, wie Pfeil 6 zeigt, alle wesentlichen Prozeßgrößen gemessen werden. Auf der Grundlage der gemessenen Prozeßgrößen erfolgt durch statistische Aufbereitung der gemessenen Größen und durch Berechnung weiterer, nicht unmittelbar meßbarer Größen eine wesentlich genauere Bestimmung der Eingangsgrößen x und Prozeßparameter y, als dies noch vor dem Prozeßablauf der Fall war. Nach dem Prozeßablauf werden die derart gemessenen Eingangsgrößen x und Prozeßparameter y einer Nachberechnungseinrichtung 7 zugeführt, die ihrerseits auf das Modell M mit den aktuellen Modellparametern MP in den Recheneinrichtung 2 zugreift und die Vorausberechnung der Prozeßparameter nunmehr auf der Basis der gemessenen Eingangsgrößen x wiederholt. Die so erhaltenen Rechenergebnisse für die Prozeßparameter werden mit den gemessenen Prozeßparametern verglichen, wobei aufgrund von ermittelten Abweichungen eine adaptive Veränderung der Modellparameter MP im Sinne einer Verringerung dieser Abweichung erfolgt. Die adaptierten Modellparameter MP werden die alten Werte überschreibend in der Recheneinrichtung 2 abgelegt und für die nächste Vorausberechnung bereitgehalten.
  • 2 zeigt ein Ausführungsbeispiel für die erfindungsgemäße Kombination der mathematischen Modelle in der Recheneinrichtung 2 mit einem neuronalen Netzwerk 8 mit veränderbaren Netzwerkparametern NP. Zur Vorausberechnung der Prozeßparameter yv holt sich die Vorausberechnungseinrichtung 3 aus der Recheneinrichtung 2 zunächst die benötigten Teilmodelle M und führt diesen die Eingangsgrößen xv zu. Die so von den Teilmodellen M erhaltenen Rechenergebnisse πv werden dem neuronalen Netzwerk 8 zugeführt, das als Netzwerkantwort yN einen Vorhersagewert für den Prozeßparameter yv bildet. Nach dem Prozeßablauf werden die gemessenen Eingangsgrößen x in der Nachberechnungseinrichtung 7 den Teilmodellen M zugeführt. Die dabei von den Teilmodellen M erzeugten Rechenergebnisse π werden dem neuronalen Netzwerk 8 zugeführt, dessen Netzwerkantwort yN in der Nachberechnungseinrichtung 7 mit dem gemessenen Prozeßparameter y verglichen wird. In Abhängigkeit von dem Vergleichsergebnis erfolgt eine adaptive Veränderung der Netzwerkparameter NP im Sinne einer Verringerung dieser Abweichung.
  • 3 zeigt in einem Blockschaltbild das aus mehreren Teilmodellen M1, M2, ...Mk bestehende Modell M des zu führenden Prozesses. Aus der Gesamtmenge aller Eingangsgrößen x werden den Teilmodellen M1 bis Mk unterschiedliche Sätze von Eingangsgrößen x1 bis xk zugeführt. Die von den Teilmodellen M1 bis Mk erzeugten Rechenergebnisse π1 bis πk werden – gegebenenfalls unter Einbeziehung zusätzlicher Eingangsgrößen xp – dem neuronalen Netzwerk 8 aufgegeben, das als Netzwerkantwort yN einen Vorhersagewert für den vorauszuberechnenden Prozeßparameter yv liefert.
  • Bei einer Walzstraße mit k Walzgerüsten können beispielsweise die Teilmodelle M1 bis Mk jeweils für jedes Walzgerüst das Walzspaltprofil π berechnen. Das neuronale Netzwerk 8 ermittelt aus den so berechneten Lastwalzspaltprofilen π1 bis πk unter Berücksichtigung zusätzlicher Eingangsgrößen xp, wie z.B. die Bandzüge, die Bandbreite, die Einlauf- und Endwalzdicke des Bandes, die Einlauf- und Endwalztemperatur des Bandes, die Warmfestigkeit des Bandes, Walzgeschwindigkeit, Walzzeit, Pausenzeit, Summenwalzkraft und Summenrückbiegekraft einen Vorhersagewert für das Bandprofil.
  • In 4 zeigt ein Beispiel für die Struktur des Teilmodells Mk, mit dem das Walzspaltprofil πk des k-ten Walzgerüsts. Das Teilmodell Mk besteht seinerseits aus einem Verschleißmodell Mkw, das den Einfluß des Walzenverschleißes auf das Walzspaltprofil ermittelt, einem Temperaturmodell Mkt, das den Einfluß der unterschiedlichen Walzenerwärmung auf das Walzspaltprofil berechnet, und einem Biegemodell Mkb, welches die Walzendurchbiegung berücksichtigt. Da der Verschleiß und die Temperatur der Stützwalzen die Walzendurchbiegung der Arbeitswalze beeinflussen, werden die Rechenergebnisse des Verschleißmodells Mkw und des Temperaturmodells Mkt dem Biegemodell Mkb als zusätzliche Eingangswerte zugeführt. Die Rechenergebnisse aller drei Modelle Mkw, Mkt und Mkb werden additiv zu einem Schätzwert für das Walzspaltprofil πk des k-ten Walzgerüsts verknüpft.

Claims (7)

  1. Verfahren zur Führung eines Prozesses in einem geregelten System (4), wobei zu Beginn eines jeden Prozeßablaufes mittels eines in einer Recheneinrichtung (2) implementierten mathematischen Modells (M) des Prozesses in Abhängigkeit von dem Modell (M) zugeführten Eingangsgrößen (x) zumindest ein ausgewählter Prozeßparameter (y) vorausberechnet wird, mit dem eine Voreinstellung des Systems (4) erfolgt, wobei während des Prozeßablaufs die Eingangsgrößen (x) und der Prozeßparameter (y) gemessen werden und wobei nach dem Prozeßablauf aufgrund des gemessenen Prozeßparameters (y) und der dem Modell (M) zugeführten gemessenen Eingangsgrößen (x) eine adaptive Verbesserung der Vorausberechnung des Prozeßparameters (y) erfolgt, dadurch gekennzeichnet, daß bei einem aus mehreren Teilmodellen (M1, M2 bis Mk) bestehenden Modell (M) die Rechenergebnisse (π1, π2 bis πk) der Teilmodelle einem neuronalen Netzwerk (8) zugeführt werden, welches als Netzwerkantwort (yN) den vorauszuberechnenden Prozeßparameter erzeugt, und daß nach dem Prozeßablauf die Abweichung zwischen der Netzwerkantwort (yN) und dem gemessenen Prozeßparameter (y) zur Adaption von Netzwerkparametern (NP) des neuronalen Netzwerkes (8) herangezogen wird.
  2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß Eingangsgrößen (xp), deren Einflüsse auf den vorauszuberechnenden Prozeßparameter (y) nicht im Rahmen von Modellen beschreibbar sind, direkt dem neuronalen Netzwerk (8) zugeführt werden.
  3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, daß die Adaption der Netzwerkparameter (NP) on-line erfolgt, indem nach jedem Prozeßablauf die gemessenen Ein gangsgrößen (x) und der gemessene Prozeßparameter (y) zur Adaption der Netzwerkparameter (NP) herangezogen werden.
  4. Verfahren nach einem der vorangehenden Ansprüche, gekennzeichnet durch durch die Führung von walztechnischen Prozessen.
  5. Verfahren nach Anspruch 4, dadurch gekennzeichnet, daß die Teilmodelle (M1, M2 bis Mk) den einzelnen Walzgerüsten einer Walzstraße zugeordnet sind und daß das neuronale Netzwerk (8) die von den Teilmodellen (M1, M2 bis Mk) für jedes einzelne Walzgerüst gelieferten Rechenergebnisse (π1, π2 bis πk) zu einem Voraussagewert des Prozeßparameters (yv) für die gesamte Walzstraße verknüpft.
  6. Verfahren nach Anspruch 5, dadurch gekennzeichnet, daß die Teilmodelle (M1, M2 bis Mk) die Walzspaltprofile der einzelnen Walzgerüste berechnen und daß das neuronale Netzwerk (8) die errechneten Walzspaltprofile zu einem Voraussagewert für das Banddickenprofil verknüpft.
  7. Vorrichtung zur Führung eines Prozesses in einem geregelten System (4) mit einer Einrichtung (3) zur Voreinstellung des Systems (4) in Abhängigkeit von zumindest einem vorausberechneten Prozeßparameter (yv), mit einer Recheneinrichtung (2), die ein mathematisches Modell (M) des Prozesses zur Vorausberechnung des Prozeßparameters (yv) in Abhängigkeit von Eingangsgrößen (x) enthält, und mit Meßeinrichtungen (6) zur Messung der Eingangsgrößen (x) und des Prozeßparameters (y) während des Prozeßablaufs, dadurch gekennzeichnet, daß das Modell (M) aus mehreren Teilmodellen (M1, M2 bis Mk) besteht und daß den Teilmodellen ein neuronales Netzwerk (8) nachgeordnet ist, das die Rechenergebnisse (π1, π2 bis πk) der Teilmodelle zu einem Vorausberechnungswert für den Prozeßparameter (yv) verknüpft.
DE4338615A 1993-11-11 1993-11-11 Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System Expired - Lifetime DE4338615B4 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
DE4338615A DE4338615B4 (de) 1993-11-11 1993-11-11 Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System
JP6300398A JPH07191713A (ja) 1993-11-11 1994-11-09 調節されるシステム内のプロセスに指令を与えるための方法および装置
US08/336,958 US5608842A (en) 1993-11-11 1994-11-10 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE4338615A DE4338615B4 (de) 1993-11-11 1993-11-11 Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System

Publications (2)

Publication Number Publication Date
DE4338615A1 DE4338615A1 (de) 1995-05-18
DE4338615B4 true DE4338615B4 (de) 2005-10-13

Family

ID=6502410

Family Applications (1)

Application Number Title Priority Date Filing Date
DE4338615A Expired - Lifetime DE4338615B4 (de) 1993-11-11 1993-11-11 Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System

Country Status (3)

Country Link
US (1) US5608842A (de)
JP (1) JPH07191713A (de)
DE (1) DE4338615B4 (de)

Families Citing this family (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6745169B1 (en) * 1995-07-27 2004-06-01 Siemens Aktiengesellschaft Learning process for a neural network
DE19527521C1 (de) * 1995-07-27 1996-12-19 Siemens Ag Lernverfahren für ein neuronales Netz
DE19548384A1 (de) * 1995-12-22 1997-07-03 Siemens Ag Verfahren zur rechnergestützten Ermittlung von Kinetikgrößen eines technischen Prozesses, der mindestens zwei Teilprozesse aufweist, welche mit unterschiedlichen Geschwindigkeiten ablaufen
DE19625442B4 (de) * 1996-06-26 2005-02-03 Siemens Ag Verfahren und Einrichtung zur Verringerung der Kantenanschärfung eines Walzbandes
DE19637917C2 (de) * 1996-09-17 1998-12-10 Siemens Ag Verfahren und Einrichtung zum Entwurf oder zur Steuerung des Prozeßablaufs einer Anlage der Grundstoffindustrie
DE19642918C2 (de) * 1996-10-17 2003-04-24 Siemens Ag System zur Berechnung des Enddickenprofils eines Walzbandes
DE19713004C2 (de) 1997-03-27 2002-10-24 Siemens Ag Verfahren und Einrichtung zur Voreinstellung der Planheit eines Walzbandes
DE19718262A1 (de) * 1997-04-30 1998-11-05 Schenck Panel Production Syste Verfahren und System zur Generierung eines Prozeßmodells eines technischen Problems
DE59702518D1 (de) * 1997-06-06 2000-11-30 Christoph H Tanner Verfahren zur Prozesssteuerung und Gerätesteuersystem
DE19731980A1 (de) 1997-07-24 1999-01-28 Siemens Ag Verfahren zur Steuerung und Voreinstellung eines Walzgerüstes oder einer Walzstraße zum Walzen eines Walzbandes
DE19738955C2 (de) * 1997-09-05 2003-01-09 Audi Ag Verfahren zur Regelung eines Umformprozesses
DE19747510A1 (de) * 1997-10-28 1999-05-06 Sican F & E Gmbh Sibet Meßsystem und Verfahren zur Auswertung von Sensorsignalen
DE19980248B4 (de) * 1998-02-18 2008-02-07 Siemens Ag Verfahren und Einrichtung zur Bestimmung eines Zwischenprofils eines Metallbandes
KR100244582B1 (ko) * 1998-03-05 2000-03-02 신종계 선체 외판의 곡면가공방법 및 장치
DE50000754D1 (de) 1999-03-23 2002-12-19 Siemens Ag Verfahren und einrichtung zur bestimmung der walzkraft in einem walzgerüst
EP1214631B2 (de) * 1999-09-20 2008-08-13 Siemens Aktiengesellschaft Verfahren, anordnung und computerprogramm-erzeugnis zur simulation eines technischen systems
FI115406B (fi) * 2000-06-13 2005-04-29 Metso Paper Inc Paperikoneen tai kartonkikoneen tai vastaavan kuiturainakoneen telaston, kuten kalanterin, kuormituslaskentajärjestelmä
DE10036971A1 (de) * 2000-07-28 2002-02-28 Siemens Ag Verfahren zur Ferndiagnose eines technologischen Prozesses
DE10118748A1 (de) * 2001-04-17 2002-10-31 Siemens Ag Verfahren und Vorrichtung zur prozessgesteuerten Modellierung einer verfahrenstechnischen Anlage
DE10201018B4 (de) * 2002-01-11 2004-08-05 Eads Deutschland Gmbh Neuronales Netz, Opimierungsverfahren zur Einstellung der Verbindungsgewichte eines neuronalen Netzes sowie Analyseverfahren zur Überwachung eines Optimierungsverfahrens
DE10327663A1 (de) * 2003-06-20 2005-01-05 Abb Patent Gmbh System und Verfahren zur optimierenden Regelung der Dickenqualität in einem Walzprozess
DE112005001710B4 (de) 2004-07-22 2019-10-10 Avl List Gmbh Verfahren zur Untersuchung des Verhaltens von komplexen Systemen, insbesondere von Brennkraftmaschinen
US20060064643A1 (en) * 2004-09-14 2006-03-23 Hariton Nicholas T Distributed scripting for presentations with touch screen displays
US7861578B2 (en) * 2008-07-29 2011-01-04 General Electric Company Methods and systems for estimating operating parameters of an engine
DE102010019320A1 (de) * 2010-05-03 2011-11-03 Converteam Gmbh Verfahren zum Ermitteln von Parametern eines Modells für eine Walzanlage
US8489632B1 (en) * 2011-06-28 2013-07-16 Google Inc. Predictive model training management
DE102015203940A1 (de) * 2015-03-05 2016-09-08 Volkswagen Ag Verfahren und Steuervorrichtung zum Ermitteln eines Wirkgrößen-Verlaufs
DE102018106393B4 (de) * 2018-03-19 2023-09-28 Thyssenkrupp Ag Verfahren zur Steuerung einer Produktionsanlage eines Walzwerkes
CN108637020B (zh) * 2018-05-09 2020-04-10 北京科技大学 一种自适应变异pso-bp神经网络带钢凸度预测方法
US20220015443A1 (en) * 2020-07-15 2022-01-20 Altria Client Services Llc Steady state resistance estimation for overheating protection of a non-nicotine e-vaping device

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SU442459A1 (ru) * 1972-12-20 1974-09-05 Московский Ордена Трудового Красного Знамени Институт Пищевой Промышленности Система автоматического регулировани
SU807211A1 (ru) * 1978-07-19 1981-02-23 Киевский Ордена Ленина Политехни-Ческий Институт Им. 50-Летиявеликой Октябрьской Социалисти-Ческой Революции Устройство дл идентификациилиНЕйНыХ Об'ЕКТОВ упРАВлЕНи
DE4111354A1 (de) * 1991-04-09 1992-10-22 Bodenseewerk Geraetetech Einrichtung zur fuehrung des endeffektors eines roboters laengs einer sollbahn
DE4130164A1 (de) * 1991-09-11 1993-03-18 Bodenseewerk Geraetetech Regler, insbesondere flugregler
DE4131765A1 (de) * 1991-09-24 1993-03-25 Siemens Ag Regelparameter-verbesserungsverfahren fuer industrielle anlagen
US5253328A (en) * 1989-11-17 1993-10-12 Microelectronics & Computer Technology Corp. Neural-network content-addressable memory

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2676397B2 (ja) * 1989-01-05 1997-11-12 株式会社エイ・ティ・アール視聴覚機構研究所 動的システムの運動軌道生成方法
CA2031765C (en) * 1989-12-08 1996-02-20 Masahide Nomura Method and system for performing control conforming with characteristics of controlled system
EP0443249B1 (de) * 1990-02-22 1997-03-05 AT&T Corp. Fertigungsjustierung während Produktherstellung
US5175678A (en) * 1990-08-15 1992-12-29 Elsag International B.V. Method and procedure for neural control of dynamic processes
DE4040360A1 (de) * 1990-12-17 1991-06-27 Siemens Ag Regelung eines mehrgeruestigen warm- und/oder kaltband-walzwerks
US5268834A (en) * 1991-06-24 1993-12-07 Massachusetts Institute Of Technology Stable adaptive neural network controller

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SU442459A1 (ru) * 1972-12-20 1974-09-05 Московский Ордена Трудового Красного Знамени Институт Пищевой Промышленности Система автоматического регулировани
SU807211A1 (ru) * 1978-07-19 1981-02-23 Киевский Ордена Ленина Политехни-Ческий Институт Им. 50-Летиявеликой Октябрьской Социалисти-Ческой Революции Устройство дл идентификациилиНЕйНыХ Об'ЕКТОВ упРАВлЕНи
US5253328A (en) * 1989-11-17 1993-10-12 Microelectronics & Computer Technology Corp. Neural-network content-addressable memory
DE4111354A1 (de) * 1991-04-09 1992-10-22 Bodenseewerk Geraetetech Einrichtung zur fuehrung des endeffektors eines roboters laengs einer sollbahn
DE4130164A1 (de) * 1991-09-11 1993-03-18 Bodenseewerk Geraetetech Regler, insbesondere flugregler
DE4131765A1 (de) * 1991-09-24 1993-03-25 Siemens Ag Regelparameter-verbesserungsverfahren fuer industrielle anlagen

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
In: IEEE Transactions on Computers, Vol.42, No. 2, Febr. 1993, S. 218-227
In: IEEE Transactions on Computers, Vol.42, No. 2,Febr. 1993, S. 218-227 *
SILVESTRINI, Massimo et.al.: Autoadaptive processcontrol of a Sendzimir mill at IlVA. In: Iron and Steel Engineer, Aug. 1993, S.50-55 *
SILVESTRINI, Massimo; et.al.: Autoadaptive process control of a Sendzimir mill at IlVA. In: Iron and Steel Engineer, Aug. 1993, S.50-55

Also Published As

Publication number Publication date
DE4338615A1 (de) 1995-05-18
JPH07191713A (ja) 1995-07-28
US5608842A (en) 1997-03-04

Similar Documents

Publication Publication Date Title
DE4338615B4 (de) Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System
DE4338608B4 (de) Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System
EP0813701B1 (de) Leitsystem für eine anlage der grundstoff- oder der verarbeitenden industrie o.ä.
DE19522494C2 (de) Verfahren zum Walzen eines Metallbandes
DE4338607B4 (de) Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System
DE10156008A1 (de) Steuerverfahren für eine einer Kühlstrecke vorgeordnete Fertigstraße zum Walzen von Metall-Warmband
DE4416317B4 (de) Verfahren und Regeleinrichtung zur Regelung eines materialverarbeitenden Prozesses
DE102016116076B4 (de) Anlagensteuerungsvorrichtung, Walzsteuerungsvorrichtung, Anlagensteuerungsverfahren und Anlagensteuerungsprogramm
EP0663632A1 (de) Verfahren und Vorrichtung zur Führung eines Prozesses
DE4131765A1 (de) Regelparameter-verbesserungsverfahren fuer industrielle anlagen
EP1488863B1 (de) System und Verfahren zur optimierenden Regelung der Dickenqualität in einem Walzprozess
DE19641431A1 (de) Verfahren und Einrichtung zur Identifikation bzw. Vorausberechnung von Prozeßparametern eines industriellen zeitvarianten Prozesses
DE19881041B4 (de) Verfahren zur Steuerung und Voreinstellung eines Stahlwerkes oder von Teilen eines Stahlwerkes
DE2446009A1 (de) Verfahren und vorrichtung zum steuern der walzspalte bei kaltwalzwerken
DE19642918A1 (de) System zur Berechnung des Ausgangs eines mehrstufigen Verformungsprozesses
DE3832789A1 (de) Stoerungsfolgevorrichtung
EP2998040A1 (de) Breiteneinstellung bei einer Fertigstraße
DE102004005011B4 (de) Regelverfahren und Regler für ein Walzgerüst
WO2018234028A1 (de) Verfahren zum betreiben eines glühofens
DE102009043401A1 (de) Verfahren zur modellbasierten Ermittlung von Stellglied-Sollwerten für die symmetrischen und asymmetrischen Stellglieder der Walzgerüste einer Warmbreitbandstraße
EP3494239B1 (de) Verfahren zum betreiben eines glühofens zum glühen eines metallbandes
DE19641432A1 (de) Verfahren und Einrichtung zur Vorausberechnung von vorab unbekannten Parametern eines industriellen Prozesses
DE102020201215A1 (de) Verfahren zum Betreiben einer industriellen Anlage
DE3807399C2 (de)
DE19642921C2 (de) System zur Bestimmung des Dickenprofils eines Walzbandes

Legal Events

Date Code Title Description
OM8 Search report available as to paragraph 43 lit. 1 sentence 1 patent law
8110 Request for examination paragraph 44
8364 No opposition during term of opposition
R071 Expiry of right
R071 Expiry of right