DE4416317B4 - Verfahren und Regeleinrichtung zur Regelung eines materialverarbeitenden Prozesses - Google Patents

Abstract

Verfahren zur Steuerung eines materialverarbeitenden Prozesses in einem geregelten System, wobei zu Beginn eines jeden Prozeßablaufs eine Voreinstellung des Systems in Abhängigkeit von einem vorausberechneten Prozeßparameter (F_n) erfolgt, in dessen Vorausberechnung eine von Zustandsgrößen (x = (C,...T8)) des Materials, wie seiner chemischen Zusammensetzung und Temperatur, abhängige prozeßrelevante Materialeigenschaft (α) eingeht, und wobei während des Prozeßablaufs der Prozeßparameter (F_n) gemessen wird, dadurch gekennzeichnet, daß vor Beginn des Prozeßablaufs die Zustandsgrößen (x) einem neuronalen Netzwerk mit veränderbaren Netzwerkparametern (w_ij, c_i) zugeführt werden, das ausgangsseitig einen Vorhersagewert (α_N) für die Materialeigenschaft (α) bildet, daß nach dem Prozeßablauf aus dem gemessenen Prozeßparameter (F_n) durch Nachberechnung ein tatsächlicher Wert (α_nach) für die Materialeigenschaft (α) bestimmt wird und daß die Netzwerkparameter (w_ij, c_i) in Abhängigkeit von der Abweichung zwischen dem Vorhersagewert (α_N) und dem tatsächlichen Wert (α_nach) der Materialeigenschaft adaptiv im Sinne einer Verringerung dieser Abweichung verändert werden, wobei für einen Walzprozeß mittels des neuronalen Netzwerkes...

Description

• Die Erfindung betrifft ein Verfahren zur Regelung eines materialverarbeitenden Prozesses in einem geregelten System, wobei zu Beginn eines jeden Prozeßablaufs eine Voreinstellung des Systems in Abhängigkeit von einem vorausberechneten Prozeßparameter erfolgt, in dessen Vorausberechnung eine von Zustandsgrößen des Materials, wie seiner Zusammensetzung und Temperatur, abhängige prozeßrelevante Materialeigenschaft eingeht, und wobei während des Prozeßablaufs der Prozeßparameter gemessen wird. Die Erfindung betrifft ferner eine entsprechende Regeleinrichtung.
• Aus der DE-A-41 31 765 ist ein derartiges Verfahren bzw. eine derartige Regeleinrichtung zur Regelung eines Prozesses in einer industriellen Anlage, z.B. einer Walzstraße, bekannt. Die eigentliche Regelgröße, nämlich die Dicke des aus der Anlage austretenden Walzgutes ist im Walzspalt nicht meßbar, sondern nur mittelbar als Funktion der Stellgröße, hier der Anstellung in dem jeweiligen Walzgerüst, und einem oder mehreren Prozeßparametern, z.B. der Walzkraft, erfaßbar. Während des Prozeßablaufs, d.h. Walzgutdurchlaufs ist die Walzkraft meßbar, so daß der aktuelle Wert der Regelgröße jederzeit berechenbar und somit der Regelung zur Erzeugung der Stellgröße zuführbar ist. In der Anfangsphase eines jeden Prozeßablaufs, also zu Beginn jedes einzelnen Walzvorgangs, muß jedoch die Regelung zunächst einschwingen, was zu fehlerhaften Dicken im Anfangsbereich des Walzgutes führt. Um die Einschwingphase der Regelung und damit den Anfangsbereich des Walzgutes mit fehlerhafter Dicke zu minimieren, erfolgt bei dem bekannten Verfahren vor dem Einlauf des Walzgutes in die Walzstraße eine Voreinstellung der Stellgrößen in Abhängigkeit von einem Sollwert für die Regelgröße (Walzgutdicke) und einem vor ausberechneten Wert für den Prozeßparameter (Walzkraft). Dabei erfolgt die Vorausberechnung der Walzkraft unter Zuhilfenahme eines rechnerischen Modells, mit dem die Abhängigkeit zwischen der Walzkraft und diese beeinflussenden Eingangsgrößen, wie z.B. Breite, Dicke und Temperatur des Walzgutes nachgebildet wird, wobei für die Eingangsgrößen Sollwerte oder Schätzwerte ermittelt werden, soweit noch keine Meßwerte zur Verfügung stehen. Sobald das Walzgut in die Walzstraße eingelaufen ist, werden Messungen der Walzkraft und der Eingangsgrößen vorgenommen. Die so erhaltenen Meßwerte werden im Rahmen einer Nachberechnung beispielsweise statistisch aufbereitet und anschließend zur adaptiven Anpassung des Modells an die nachberechneten Größen herangezogen.
• Die JP 04-190910 A beschreibt eine Vorrichtung zur Berechnung der Voreinstellung einer Walzstraße, wobei ein Betriebszustand der Walzstraße unter Zuhilferahme eines neurandten Netzes berechnet wird.
• Bei der Vorausberechnung des Prozeßparameters zur Voreinstellung von materialverarbeitenden Prozessen spielen darüber hinaus die Eigenschaften des zu verarbeitenden Materials eine entscheidende Rolle. Je nach Art des Verarbeitungsprozesses hängt die erforderliche Voreinstellung von der spezifischen Wärme, der Wärmeleitfähigkeit, der Viskosität, der Härte usw. des Materials ab. Für eine optimale Voreinstellung des Verarbeitungsprozesses ist es daher notwendig, die jeweils relevante Materialeigenschaft zu einem gegebenen Zeitpunkt zu kennen. In der Regel kann jedoch die jeweilige Materialeigenschaft nicht direkt gemessen werden, sondern muß indirekt über die Zustandsgrößen des Materials bestimmt werden. Zu den intensiven, d. h. geometrieunabhängigen, thermodynamischen Zustandsgrößen gehören unter anderem die Temperatur, der Druck und die chemische Zusammensetzung des Materials. Befindet sich das Material im thermodynamischen Gleichgewicht, so bestimmen die zum jeweiligen Zeitpunkt aktuellen Werte der Zustandsgrößen die für die betrachtete Problemstellung relevante Materialeigenschaft. Befindet sieh das Material nicht im thermodynamischen Gleichgewicht, wie es häufig der Fall ist, so geht neben den aktuellen Werten der Zustandsgrößen auch noch deren Vorgeschichte in die Material eigenschaft ein. Sind die aktuellen Werte der Zustandsgrößen und eventuell noch deren Vorgeschichte gegeben, so liegen die Materialeigenschaften fest. Um diese, basierend auf den Zustandsgrößen, vorhersagen zu können, muß der physikalische Zusammenhang zwischen den Zustandsgrößen und der jeweiligen Materialeigenschaft bekannt sein. Eine Möglichkeit zur Vorhersage der Materialeigenschaft besteht nun darin, den Zusammenhang zwischen den Zustandsgrößen und der Materialeigenschaft in einer Recheneinrichtung mittels eines Modells nachzubilden, dessen Modellparameter in Abhängigkeit von Messungen während des Prozesses adaptiert werden. Die Physik der zu verarbeitenden Materialien ist jedoch in der Regel zu komplex, um mit physikalischen Modellen ausreichend genau beschrieben werden zu können. Außerdem ist das Konzipieren physikalischer Modelle zeitaufwendig, erfordert das Ausmessen der Modellparameter und muß zudem auch noch für jede Materialsorte von Grund auf neu durchgeführt werden.
• Der Erfindung liegt daher die Aufgabe zugrunde, eine Voraussage der jeweiligen Materialeigenschaft zu ermöglichen, ohne daß hierzu die Erstellung von Modellannahmen erforderlich ist und wobei eine hohe Genauigkeit erzielt wird.
• Gemäß der Erfindung wird die Aufgabe dadurch gelöst, daß bei dem Verfahren der eingangs angegebenen Art vor Beginn des Prozeßablaufs die Zustandsgrößen einem neuronalen Netzwerk mit veränderbaren Netzwerkparametern zugeführt werden, das ausgangsseitig einen Vorhersagewert für die Materialeigenschaft bildet, daß nach dem Prozeßablauf aus dem gemessenen Prozeßparameter durch Nachberechnung ein tatsächlicher Wert für die Materialeigenschaft bestimmt wird und daß die Netzwerkparameter in Abhängigkeit von der Abweichung zwischen dem Vorhersagewert und dem tatsächlichen Wert der Materialeigenschaft adaptiv im Sinne einer Verringerung dieser Abweichung verändert werden, wobei für einen Walzprozess mittels des neuronalen Netzwerkes eine Vorhersage der Materialfestigkeit des Walzgutes als Grundlage zur Vorausberechnung der, Walzkraft erfolgt. Entsprechend weist die zugehörige Regeleinrichtung gemäß Anspruch 10 in neuronales Netzwerk mit veränderbaren Netzwerkparametern zur adaptiven Nachbildung der Abhängigkeit zwischen der Materialeigenschaft und den Zustandsgrößen auf.
• Die Vorhersage der jeweiligen Materialeigenschaft erfolgt also direkt in einem aufgrund der Adaption der Netzwerkparameter selbstlernenden neuronalen Netzwerk, ohne daß dabei Modellannahmen für den Zusammenhang zwischen den Zustandsgrößen und der Materialeigenschaft getroffen werden müssen. Hierbei konnte gegenüber bisherigen Verfahren eine signifikante Verbesserung der Vorhersagegüte erzielt werden.
• Vorzugsweise werden nach jedem einzelnen Prozeßablauf aufgrund der während des Prozeßablaufs getätigten Messungen die Zustandsgrößen nachberechnet und dann dem neuronalen Netzwerk zugeführt, wobei die Abweichung zwischen der dabei erhaltenen Netzwerkantwort und dem tatsächlichen Wert der Materialeigenschaft zur Adaption der Netzwerkparameter herangezogen wird. Dadurch, daß bei der Adaption der Netzwerkparameter anstelle der ursprünglichen Zustandsgrößen die nach dem Prozeßablauf aufgrund der getätigten Messungen nachberechneten Zustandsgrößen verwendet werden, wird eine Erhöhung der Genauigkeit bei der Adaption erzielt.
• Um eine schritthaltende Anpassung der Netzwerkparameter an den zeitvarianten, d.h. sich von Ablauf zu Ablauf ändernden Prozeß zu gewährleisten, erfolgt die Adaption der Netzwerkparameter on-line, indem nach jedem Prozeßablauf eine Adaption der Netzwerkparameter erfolgt.
• Wie bereits erwähnt, erfolgt die Adaption der Netzwerkparameter im Sinne einer Verringerung, d. h. Minimierung der Abweichung zwischen dem ermittelten tatsächlichen Wert und dem Vorhersagewert für die Materialeigenschaft. Wenn außerhalb des zugehörigen Minimums noch andere lokale Minima existie ren, besteht die Gefahr, daß der Adaptionsprozeß sich in einem dieser lokalen Minima festläuft. Um dies zu verhindern, können im Rahmen der Erfindung für die Adaption der Netzwerkparameter nach jedem einzelnen Prozeßablauf zusätzlich zu der aktuellen Abweichung zwischen der Netzwerkantwort und dem tatsächlichen Wert für die Materialeigenschaft weitere Abweichungen aus den vorangegangenen Prozeßzyklen herangezogen werden (Batchtraining).
• Entsprechend einer vorteilhaften Weiterbildung des erfindungsgemäßen Verfahrens ist vorgesehen, daß das neuronale Netzwerk vor dem allerersten Prozeßablauf mit simulierten oder betrieblichen Prozeßwerten für die Zustandsgrößen und die Materialeigenschaft voradaptiert wird.
• Mit Vorteil werden als Zustandsgrößen des Walzgutes vorzugsweise die Konzentrationen von chemischen Elementen, wie insbesondere C, Si, Mn, P, S, Al, N, Cu, Cr, Ni, Sn, V, Mo, Ti, Nb und B herangezogen. Da die wirksame Materialfestigkeit des Walzgutes auch noch von anderen Parametern abhängt, werden vorzugsweise zusätzlich Temperaturen und geometrische Abmessungen des Walzgutes sowie die Walzgeschwindigkeit als Zustandsgrößen herangezogen.
• Das verwendete neuronale Netzwerk weist vorzugsweise eine Eingangsschicht mit jeweils einem Eingangselement für jede Zustandsgröße auf; der Eingangsschicht ist eine versteckte Schicht, bestehend aus Elementen, nachgeordnet, von denen jedes die ihm eingangsseitig zugeführten Zustandsgrößen mit individuellen Gewichtsfaktoren versehen aufsummiert und aus der so gebildeten Summe nach einer Funktion mit sigmoidem Verlauf ausgangsseitig eine Antwort erzeugt; der versteckten Schicht ist eine Ausgangsschicht mit einem Ausgangselement nachgeordnet, das die Antworten der Elemente der versteckten Schicht, jeweils mit einem individuellen Gewichtsfaktor versehen, zu dem Vorhersagewert aufsummiert.
• Die Eingangsschicht und die versteckte Schicht weisen in vorteilhafter Weise jeweils ein zusätzliches Element auf, dem eingangsseitig ein konstanter Wert zugeführt wird.
• Entsprechend den vorstehend angegebenen Ausbildungen des erfindungsgemäßen Verfahrens weist die Regeleinrichtung entsprechende, das erfindungsgemäße Verfahren durchführende Mittel, d. h. insbesondere eine entsprechend programmierte Recheneinrichtung, auf.
• Im folgenden wird die Erfindung unter Bezugnahme auf die Figuren der Zeichnung am Beispiel einer Walzwerksregelung naher erläutert. Dabei zeigen
• 1 ein Blockschaltbild für die erfindungsgemäße Regeleinrichtung und
• 2 ein Beispiel für das verwendete neuronale Netzwerk.
• 1 zeigt in stark schematischer Darstellung eine Walzstraße mit drei Walzgerüsten n, n = 1, 2, 3, wobei jedem der Gerüste n jeweils eine Regeleinheit 4, 5, 6 zur Einstellung der Banddicke des durchlaufenden Walzgutes 7 zugeordnet ist. Bei dem dargestellten Beispiel wird die erforderliche Walzkraft F_n an dem Gerüst n von der Hirte des Walzgutes 7 sowie durch folgende Eingangsgrößen bestimmt: Die relative Dickenabnahme E_n des Walzgutes 7, die Eintrittstemperatur T_n des Walzgutes 10, der Vorwärtszug Z_n im Walzgut vor dem Gerüst n, der Rückwärtszug Z_n+1 im Walzgut 7 hinter dem Gerüst n, der Walzenradius R_n, die Bandbreite B_n und die Eintrittsdicke D_n des Walzgutes 7 vor dem Gerüst n. Die Walzkraft F_n muß vorausgesagt werden, bevor das Walzgut 7 in die Walzstraße einläuft. Aus diesem Grund sind einige der Größen, die die Walzkraft F_n am Gerüst n bestimmen, wie etwa die Eintrittstemperatur T_n oder die Eintrittsdicke D_n nicht bekannt, sondern müssen auf der Basis von Modellannahmen abgeschätzt werden. Diese Vorausberechnung geschieht in einer den Regeleinheiten 4, 5 und 6 übergeordneten Recheneinheit 8. Die gemessenen und vorausberechneten Eingangsgrößen bilden einen Eingangsvektor z_nvor, der für jedes einzelne Gerüst n einer der Recheneinheit 8 zugeordneten Einheit 9 mit einem darin implementierten Walzkraftalgorithmus oder alternativ dazu einem neuronalen Netzwerk zugeführt wird. Der Walzkraftalgorithmus bzw. das vorzugsweise bereits aufgrund von zufällig erzeugten Eingangsgrößen voradaptierte neuronale Netzwerk erzeugt aus den ihm zugeführten Eingangsgrößen jeweils einen Vorhersagewert F_nvor für die Walzkraft F_n und gibt das Ergebnis an die Recheneinheit 8 zurück. Diese ermittelt darauf aufbauend eine Voreinstellung in Form einer vorausberechneten Anstellung (lastfreier Walzenabstand) s_nvor für jedes einzelne Walzgerüst n, n = 1, 2, 3, und übergibt diese gemeinsam mit der vorausberechneten Walzkraft F_n vor paarweise den Regeleinheiten 4, 5 und 6. Sobald das Walzgut 7 in die Walzstraße eingelaufen ist und der Walzvorgang eingesetzt hat, können mit Hilfe von entlang der Walzstraße angeordneten Sensoren 10 zusätzliche Messungen vorgenommen werden, die für jedes Walzgerüst n in einer nachgeordneten Einrichtung zur Nachberechnung 11 eine wesentliche genauere Abschätzung der Eingangsgrößen E_n,...,D_n sowie der Walzkraft F_n erlauben. Die Nachberechnung umfaßt z.B. eine statistische Aufbereitung der gemessenen Größen, u.a. der Walzkraft, sowie eine Berechnung von nicht meßbaren Größen, wie z.B. der Tem peraturen des Walzgutes 7 zwischen den einzelnen Gerüsten n in Abhängigkeit von der gemessenen Temperatur vor dem ersten und hinter dem letzten Walzgerüst. Mit diesen nachberechneten, d.h. im Vergleich zur Vorausberechnung wesentlich genaueren Größen erfolgt nach Ablauf des Walzprozesses für den nächsten Walzprozeß eine Adaption des Walzkraftalgorithmus bzw. des neuronalen Netzwerks in der Einheit 9. Dabei modelliert der Walzkraftalgorithmus bzw. das neuronale Netzwerk den prozeßbedingten Zusammenhang zwischen der Walzkraft F_n und den Eingangsgrößen E_n,...,D_n. Das bis hierher kurz beschriebene Verfahren zur Vorhersage der Walzkraft F_n mit neuronalem Netzwerk ist Gegenstand der gleichzeitig eingereichten Patentanmeldung 93P 3245 E.
• Wie oben bereits erwähnt, setzt die Vorhersage der Walzkraft F_n die Kenntnis der Hirte des Walzgutes 7 voraus. Für deren Ermittlung ist eine zusätzliche Einheit 12 mit einem neuronalen Netzwerk vorgesehen, das in Abhängigkeit von einem aus mehreren Zustandsgrößen zusammengesetzten Eingangsvektor x_vor = (C, Si, Mn, P, S, Al, N, Cu, Cr, Ni, Sn, V, Mo, Ti, Nb, B, EBD, EBB, T1, T8) eine die Härte des Materials beschreibende Ausgangsgröße α_N erzeugt. Die Zustandsgrößen C,...,B geben die Konzentrationen von 16 chemischen Elementen wie Kohlenstoff, Silizium, Mangan,... und Bor an; die Zustandsgrößen EBD und EBB bezeichnen die Enddicke und Endbreite und T1 und T8 die Temperaturen des Walzgutes 7 vor und nach dem Walzvorgang. Der in der Einheit 12 ermittelte Härtefaktor α_N wird der Einheit 9 mit dem Walzkraftalgorithmus übergeben und geht so in die Berechnung der Walzkraft F_n ein. Die Adaption des neuronalen Netzwerkes erfolgt in einer weiteren Recheneinheit 13 in Abhängigkeit von direkten oder indirekten Messungen der tatsächlichen Materialhärte α_nach und dem nachberechneten Eingangsvektor x_nach, wobei im letzteren Fall der Istwert der Materialhärte durch Nachberechnung von den über die Sensoren 10 gemessenen Prozeßgrößen in der Nachberechnungseinrichtung 11 erfolgt. Der Eingangsvektor x_vor aus der Vorausberechnung und derjenige aus der Nachberechnung x_nach sind bezüglich der chemischen Zusammensetzung jedenfalls identisch.
• Das in 2 gezeigte neuronale Netz der Einheit 12 enthält eine Eingangsschicht, die entsprechend der Anzahl der Zustandsgrößen C,...,T8 zwanzig Eingangselemente 18 aufweist. Bevor die zwanzig Zustandsgrößen C,...,T8 dem neuronalen Netzwerk zugeführt werden, findet eine Normierung der einzelnen Größen auf den Wertebereich zwischen null und eins statt. Durch diese vorherige Normierung wird erreicht, daß Eingangsgrößen, welche kleine Zahlenwerte annehmen, denjenigen Eingangsgrößen, welche hohe Zahlenwerte annehmen, von Beginn an gleichgestellt sind und mit gleicher Gewichtung in den weiter unten beschriebenen Adaptionsprozeß eingehen. Außer den mit 18 bezeichneten Eingangselementen weist die Eingangsschicht ein zusätzliches Eingangselement 19 auf, dem ein konstanter, z.B. auf den Wert –1,0 gesetzter Wert K, zugeführt wird. Der Eingabeschicht ist eine versteckte Schicht, bestehend aus mehreren, hier zehn Elementen 20, nachgeordnet, von denen jedes Element 20 ein Antwortverhalten mit einem sigmoiden Verlauf zwischen –1,0 und +1,0 aufweist. Die den Elementen 20 eingangsseitig zugeführten Zustandsgrößen x_j, j = 1,...,20 und x₂₁ = K werden in jedem Element 20 der versteckten Schicht jeweils mit individuellen Gewichtsfaktoren w_ij, i = 1,...,10, j = 1,...,21 versehen aufsummiert und aus der so gebildeten Summe ausgangsseitig die Antwort

  

  mit i = 1,...,10 erzeugt. Die versteckte Schicht weist ein zusätzliches Element 21 auf, das als Eingabeelement für einen konstanten Wert x₂₁ = K, z.B. K = –1,0 dient und ein entsprechendes Ausgangssignal y₁₁ = –1,0 erzeugt.
• Der versteckten Schicht ist eine Ausgangsschicht mit einem Ausgangselement 22 nachgeordnet, das die Antworten y_i der Elemente 20 der versteckten Schicht jeweils mit einem individuellen Gewichtsfaktor c_i zu dem Vorhersagewert

  

  mit y₁₁ = K = –1,0 aufsummiert.
• Die on-line Adaption der Netzwerkparameter w_ij und c_i erfolgt nach jedem Walzprozeß, d.h. nach jedem Walzgutdurchlauf, in der Recheneinheit 13 (1) auf der Grundlage der Fehlerfunktion

  

  die sich aus den nachberechneten Istwerten α_nach ^μ und Vorhersagewerten α_{N nach} ^μ, μ = 1,...,p von jeweils p vorteilhaft ausgewählten gewalzten Bindern berechnet. Die Netzwerkparameter werden mit Adaptionsschritten Δ w_ij und Δ c_i in Richtung einer Verringerung des Fehlers E_q verändert. Dabei ergeben sich die Adaptionsschritte zu Δ wij = –1·∂Eq/∂wij Δ ci = –1·∂Eq/∂ci,wobei 1 die Adaptionsschrittweite bzw. Lernrate für jeden Adaptionsschritt bezeichnet. Die Lernrate 1 wird dabei vorzugsweise nicht konstant gehalten, sondern für jeden Adaptionsschritt , beispielsweise nach dem sogenannten linesearch-Verfahren, neu berechnet. Auf diese Weise erfolgt eine adaptive Nachbildung des Zusammenhangs zwischen den Zustandsgrößen, repräsentiert durch den Eingangsvektor x und der Materialeigenschaft, hier der Materialhärte α, repräsentiert durch die Netzwerkausgabe α_N.

Claims (10)

1. Verfahren zur Steuerung eines materialverarbeitenden Prozesses in einem geregelten System, wobei zu Beginn eines jeden Prozeßablaufs eine Voreinstellung des Systems in Abhängigkeit von einem vorausberechneten Prozeßparameter (F_n) erfolgt, in dessen Vorausberechnung eine von Zustandsgrößen (x = (C,...T8)) des Materials, wie seiner chemischen Zusammensetzung und Temperatur, abhängige prozeßrelevante Materialeigenschaft (α) eingeht, und wobei während des Prozeßablaufs der Prozeßparameter (F_n) gemessen wird, dadurch gekennzeichnet, daß vor Beginn des Prozeßablaufs die Zustandsgrößen (x) einem neuronalen Netzwerk mit veränderbaren Netzwerkparametern (w_ij, c_i) zugeführt werden, das ausgangsseitig einen Vorhersagewert (α_N) für die Materialeigenschaft (α) bildet, daß nach dem Prozeßablauf aus dem gemessenen Prozeßparameter (F_n) durch Nachberechnung ein tatsächlicher Wert (α_nach) für die Materialeigenschaft (α) bestimmt wird und daß die Netzwerkparameter (w_ij, c_i) in Abhängigkeit von der Abweichung zwischen dem Vorhersagewert (α_N) und dem tatsächlichen Wert (α_nach) der Materialeigenschaft adaptiv im Sinne einer Verringerung dieser Abweichung verändert werden, wobei für einen Walzprozeß mittels des neuronalen Netzwerkes eine Vorhersage der Materialfestigkeit (α) des Walzgutes (7) als Grundlage zur Vorausberechnung der Walzkraft (F_n) erfolgt.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß nach dem Prozeßablauf aufgrund der während des Prozeßablaufs getätigten Messungen die Zustandsgrößen (x) nachberechnet werden, daß die nachberechneten Zustandsgrößen (x_nach) dem neuronalen Netzwerk zugeführt werden und daß die Abweichung zwischen der so erhaltenen Netzwerkantwort (α_Nnach) und dem tatsächlichen Wert (α_nach) der Materialeigenschaft zur Adaption der Netzwerkparameter (w_ij, c_i) herangezogen wird.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, daß die Adaption der Netzwerkparameter (w_ij, c_i) on-live erfolgt, indem nach jedem Prozeßablauf eine Adaption der Netzwerkparameter (w_ij, c_i) erfolgt.
4. Verfahren nach Anspruch 3, dadurch gekennzeichnet, daß für die Adaption der Netzwerkparameter (w_ij, c_i) nach jedem einzelnen Prozeßablauf zusätzlich zu der aktuellen Abweichung zwischen der Netzwerkantwort (α_N bzw. α_Nnach).und dem tatsächlichen Wert (α_nach) für die Materialeigenschaft weitere Abweichungen aus vorangegangenen Prozeßzyklen herangezogen werden.
5. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, daß das neuronale Netzwerk vor dem allerersten Prozeßablauf mit simulierten oder betrieblichen Prozeßwerten für die Zustandsgrößen (x) und die Materialeigenschaft (α) voradaptiert wird.
6. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, daß als Zustandsgrößen des Walzgutes (7) die Konzentrationen von chemischen Elementen, wie insbesondere C, Si, Mn, P, S, Al, N, Cu, Cr, Ni, Sn, V, Mo, Ti, Nb und B herangezogen werden.
7. Verfahren nach Anspruch 6, dadurch gekennzeichnet, daß als Zustandsgrößen zusätzlich Temperaturen und geometrische Abmessungen des Walzgutes (7) sowie die Walzgeschwindigkeit herangezogen werden.
8. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, daß das neuronale Netzwerk eine Eingangsschicht mit jeweils einem Eingangselement (18) für jede Zustandsgröße (x_j, j = 1,...,20) aufweist, daß der Eingangsschicht eine versteckte Schicht, bestehend aus Elementen (20) nachgeordnet ist, von denen jedes die ihm eingangsseitig zugeführten Zustandsgrößen (x_j) mit individuellen Gewichtsfaktoren (w_ij) versehen aufsummiert und aus der so gebildeten Summe nach einer Funktion mit sigmoidem Verlauf ausgangsseitig eine Antwort (y_i) erzeugt, und daß der versteckten Schicht eine Ausgangsschicht mit einem Ausgangselement (22) nachgeordnet ist, das die Antworten (y_i) der Elemente (20) der versteckten Schicht jeweils mit einem individuellen Gewichtsfaktor (c_i) versehen zu dem Vorhersagewert (α_N) aufsummiert.
9. Verfahren nach Anspruch 8, dadurch gekennzeichnet, daß die Eingangsschicht und die versteckte Schicht jeweils ein zusätzliches Element (19, 21) aufweisen, dem eingangsseitig ein konstanter Wert (K) zugeführt wird.
10. Regeleinrichtung zur Regelung eines materialverarbeitenden Prozesses in einem geregelten System mit einer Einrichtung zur Voreinstellung des Systems zu Beginn eines jeden Prozeßablaufs in Abhängigkeit von einem vorausberechneten Prozeßparameter (F_n), in dessen Vorausberechnung eine von Zustandsgrößen (x = (C,..., T8)) des Materials, wie seiner chemischen Zusammensetzung und Temperatur, abhängige prozeßrelevante Materialeigenschaft (α) eingeht, gekennzeichnet durch ein neuronales Netzwerk mit veränderbaren Netzwerkparametern (w_ij, c_i) zur adaptiven Nachbildung der Abhängigkeit zwischen der Materialeigenschaft (α) und den Zustandsgrößen (x), wobei eine Recheneinheit zur Adaption des neuronaten Netzwerkes in häfigkeit von Meßwerten der entlang der Walzstraße angeordneten Sensoren (10) vorgesehen ist, wobei die Regeleinrichtung so ausgebildet ist, dass für einen Walzprozeß mittels des neuronalen Netzwerkes eine Vorhersage der Materialfestigkeit (α) des Walzgutes (7) als Grundlage zur Vorausberechnung der Walzkraft (F_n) erfolgt.