[go: up one dir, main page]

WO1999005577A1 - Verfahren zur steuerung und voreinstellung eines stahlwerkes oder von teilen eines stahlwerkes - Google Patents

Verfahren zur steuerung und voreinstellung eines stahlwerkes oder von teilen eines stahlwerkes Download PDF

Info

Publication number
WO1999005577A1
WO1999005577A1 PCT/DE1998/001952 DE9801952W WO9905577A1 WO 1999005577 A1 WO1999005577 A1 WO 1999005577A1 DE 9801952 W DE9801952 W DE 9801952W WO 9905577 A1 WO9905577 A1 WO 9905577A1
Authority
WO
WIPO (PCT)
Prior art keywords
rolling
steel mill
mill
parts
adaptation
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.)
Ceased
Application number
PCT/DE1998/001952
Other languages
English (en)
French (fr)
Inventor
Martin Schlang
Frank-Oliver Malisch
Otto Gramckow
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
Siemens Corp
Original Assignee
Siemens AG
Siemens Corp
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, Siemens Corp filed Critical Siemens AG
Priority to DE19881041T priority Critical patent/DE19881041B4/de
Priority to AT0902898A priority patent/AT500860B8/de
Priority to US09/463,524 priority patent/US6807449B1/en
Publication of WO1999005577A1 publication Critical patent/WO1999005577A1/de
Anticipated expiration legal-status Critical
Ceased 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
    • 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
    • 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
    • B21B37/16—Control of thickness, width, diameter or other transverse dimensions
    • B21B37/22—Lateral spread control; Width control, e.g. by edge rolling

Definitions

  • the invention relates to a method for controlling and presetting a steel mill or parts of a steel mill.
  • Parts of a steel mill are to be understood to mean rolling mills, roll stands, continuous or strip casting plants and annealing or cooling lines.
  • the invention relates to a method for controlling and / or presetting a rolling stand or a rolling train for rolling a rolled strip, the control and / or pre-setting of the rolling stand or the rolling train being carried out by means of a model of the rolling stand or the rolling train, the model at least has a neural network, the parameters of which are adapted or adapted to the actual conditions in the roll stand or in the rolling train, in particular to the properties of the rolled strip.
  • Neural networks for these / applications are adapted with constant adaptation rates. Ie that after each rolled strip the error function is calculated for this band. The gradient of this error function is then determined and followed in the sense of optimization in the gradient in such a way that the error function is reduced by the selected adaptation rate. It has been shown that the quality of a rolled steel is significantly improved by means of on-line adaptation, where on-line adaptation is understood to mean the adaptation of a neural network after a rolled strip.
  • the object is achieved by a method according to claim 1.
  • the speed at which the parameters are adapted or adapted to the actual conditions in the rolling stand or in the rolling train, in particular to the properties of the rolled strip is varied.
  • a distinction can be made, for example, whether the neural network already has a good command of the function to be approximated in the corresponding point, whether the data point belongs to a rare event, ie to a rarely rolled steel, or whether it belongs to training data point is even completely unusable due to a measurement error or error in the recalculation. This leads to a much more robust adaptation.
  • the speed at which the parameters are adapted or adapted to the actual conditions in the rolling stand or in the rolling train, in particular to the properties of the rolled strip is dependent on the information density, in particular the training data relating to the rolled strips or similar type.
  • the information density D is an (abstract) measure of how much information is available at a given point in the entrance space (typically how many strips of the same or a similar quality have already been rolled).
  • An example for a definition of the information density is sizsnst
  • D (x n ) is the estimate of the information density for point x n , after processing all patterns xi to x n - ⁇ •
  • b k (x n ) is the activity of the kth neuron in the hidden plane or the hidden plane of the neuronal Mesh when creating the pattern x n .
  • D k (x n ) is the estimate of the local information density at the location of the kth neuron, after processing all patterns xi to Xn-i. sizenet corresponds to the number of neurons in the hidden level or levels of the neural network.
  • b k is calculated
  • Ik (x n ) is the information accumulated locally over the entire past of all patterns Xi to x n - ⁇ at the kth neuron of the hidden level or the hidden levels of the neural network, I (x n ) which is analog globally in the network accumulated information. Ik (x n ) is calculated
  • the speed at which the parameters are adapted or adapted to the actual conditions in the roll stand or in the rolling train, in particular to the properties of the rolled strip is dependent on the expected error value, in particular the mean error varies over the entire adaptation phase or the mean error over a long time interval during the adaptation.
  • the expected error value F is, for example, the mean error over the entire past in the space point x n . As an example, it can look like this:
  • F k (x n ) is the local expected error value for the nth pattern at the kth neuron of the hidden level of a neural network .
  • F k (x n ) results in ⁇ b k (x ') E (x') f (E (x '), ⁇ (x'
  • Another approach to calculating the expected error value is the calculation in the form of local statistics, in which not only the mean value of the local error, but also its variance is taken into account.
  • the speed at which the parameters are adapted or adapted to the actual conditions in the roll stand or in the rolling train, in particular to the properties of the rolled strip, as a function of the current error in the adaptation, i.e. the current error between the conditions determined by means of the neural network and the actual conditions in the roll stand and / or the rolling train, in particular the properties of the rolled strip, varies.
  • the current error E is, for example, the Euclid or other distance between network predictions, that is to say the value determined by means of the neural network and the actual value.
  • the Euclidean distance, which is advantageously used as the current error E, is defined as
  • x n is the input variable or the input variables of the network
  • y n (x, w) the output value, eg rolling force, of the neural network for a pattern x n depending on the network weights w and t n (x) of the y n ( x n ,) is the corresponding actual value.
  • n corresponds to the chronological sequence of the training patterns.
  • a case distinction is carried out for at least one of the three quantities of information density, error expected value and current error.
  • a normal case well-trained network
  • exotic typically a very rarely rolled steel such as coin steel
  • outliers e.g.
  • the adaptation rate is kept at a medium value. If, on the other hand, the current error is high with a low information density, the adaptation rate is increased. A combination in which the information density and the current error is high, but the expected error value is low, is interpreted as an outlier and the adaptation rate is reduced accordingly or no adaptation takes place. If both the information density and the error expectation value are high, this is regarded as an indication of an unstable adaptation process. The adaptation is canceled.
  • FIG. 2 shows a block diagram for the process control in a
  • Reference number 33 denotes a neural network
  • reference number 34 an adaptation algorithm and reference number 35 the determination of the adaptation rate 36 of the neural network 33.
  • the neural network calculates on the basis of input variables 31, output variables 37.
  • these input variables 31 and output variables 37 are also fed to an adaptation algorithm 34 which compares the network response, ie the output variables 37 of the neural network 33, with corresponding actual values 32.
  • the adaptation algorithm 34 adapts the parameters of the neural network 33.
  • the adaptation rate 36 for the is determined on the basis of at least one of the variables 31, 32, 37 or the internal state variables 38 of the neural network 33 Adaptation algorithm 34 determined.
  • sizes 31, 32, 37, 38 are not necessarily scalars, but can also be multiple sizes.
  • the input variables can be 31 variables such as rolled strip thickness, rolled strip width, rolled strip temperature, alloy proportions of the rolled strip, etc.
  • Output variables 37 of the neural network 33 can be, for example, a correction value for the rolling force.
  • the roughing mill 1 is controlled by a control device 6, which acts on the individual roll stands 3 and actuates different actuators there.
  • the control device 6 receives the information required for controlling the roll stands 3 both from a computing device 7 and from a measured value detection device 8.
  • prediction values for the sizes are calculated in the computing device 7 on the basis of model assumptions and transferred to the control device 6 for presetting the roughing street 1.
  • the measured value detection device 8 detects measured values of the variables used to control the process and supplies it to the control device 6.
  • the control device 6 also receives information via connection 9 for determining a prediction value y for the expected change in width of the metal strip 5 in the finishing train 2.
  • the rolling process that is to say the compression of the metal strip 5 in the roughing train 1
  • the pre-strip width that is to say the width of the metal strip 5 when it exits the roughing train 1
  • the pre-strip width is equal to the desired target finished strip width of the metal strip 5 when it exits the finishing train 2
  • the predicted change in width y of the metal strip 5 in the finishing train 2 In this way, with a precise prediction of the change in width of the metal strip 5 in the finishing train 2, the metal strip 5 has the desired target finished strip width when it exits the finishing train 2.
  • the individual roll stands 4 are controlled by a control device 10 which obtains the information required for this from a computing device 11 and a measured value recording device 12.
  • a control device 10 which obtains the information required for this from a computing device 11 and a measured value recording device 12.
  • prediction values for the quantities required for controlling the rolling process in the finishing mill 2 are calculated in the computing device 11 and the control device 10 for presetting the
  • Finished street 2 abandoned.
  • those that can have an influence on the change in width of the metal strip 5 in the finishing train 2 are supplied as input variables x to a neural network 13, which as a network response has a calculated value y J V N I N I (xvor) for the
  • the process-relevant variables including the influencing variables the pre-strip temperature, the pre-strip thickness, the finished strip temperature, the finished strip thickness, the target finished strip width, the exit speed of the finished strip from the finishing train 2, the material strength, the profile, the Relative reductions in thickness in the individual roll stands 4, the sliding positions of shift rolls and the trains in the metal strip 5 between the individual roll stands 4 are measured by means of the measured value detection device 12 and fed to the controller 10 and a device 14 for recalculation.
  • the post-calculation includes, for example, statistical processing of the measured influencing variables and a calculation of influencing variables that cannot be measured directly as a function of other measured variables. Recalculated using this, that in comparison to the pre-calculation in the computing device 11 much more accurate specific influencing variables takes place after the passage of the metal strip 5 by the finishing mill 2 is an adaptation of the network parameters of the neural network 13 by the recalculated influencing variables are combined in an input vector X to and the neural network 13 complicatge ⁇ ben.
  • Width change y can be used via the connection 18 to adapt the network parameters in order to reduce this deviation.
  • the values y - 1 N ⁇ N ⁇ (xnach and y J i.st on the connection 3 9 provided and fed to the control device 6 for calculating the prediction value y for the width change.
  • the adaptation algorithm 15 is given an adaptation rate 22 which is determined by means of an adaptation rate determiner 20.
  • an adaptation rate determiner 20 In addition to the values y NN (Xvor), y N N (Xnach), y ls t, x naC h, BV and BF as well as the inner states 23 of the neural network 13 are input variables in the adaptation rate determiner 20.
  • the adaptation rate determiner 20 issues an alarm signal 21 off when information density and error expectation value are high. This alarm signal 21 is used by a higher-level system for process diagnosis. In such a case, the adaptation of the neural network 13 is set as a security measure.

Landscapes

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

Abstract

Verfahren zur Steuerung und Voreinstellung eines Stahlwerkes oder von Teilen eines Stahlwerkes, wobei die Steuerung und Voreinstellung des Walzgerüstes bzw. der Walzstrasse mittels eines Modells des Walzgerüstes oder der Walzstrasse erfolgt, wobei das Modell zumindest ein neuronales Netz aufweist (33), dessen Parameter an die tatsächlichen Verhältnisse im Walzgerüst oder in den Walzstrasse, insbesondere an die Eigenschaften des Walzbandes, angepasst bzw. adaptiert werden, wobei die Geschwindigkeit, mit der die Parameter an die tatsächlichen Verhältnisse im Walzgerüst oder in der Walzstrasse, insbesondere an die Eigenschaften des Walzbandes, angepasst bzw. adaptiert werden, variiert wird.

Description

Beschreibung
Verfahren zur Steuerung und Voreinstellung eines Stahlwerkes oder von Teilen eines Stahlwerkes
Die Erfindung betrifft ein Verfahren zur Steuerung und Voreinstellung eines Stahlwerkes oder von Teilen eines Stahlwerkes. Dabei sind unter Teilen eines Stahlwerks Walzstraßen, Walzgerüste, Strang- oder Bandgußanlagen sowie Glüh- oder Kühlstrecken zu verstehen.
Die Erfindung betrifft ein Verfahren zur Steuerung und/oder Voreinstellung eines Walzgerüstes oder einer Walzstraße zum Walzen eines Walzbandes, wobei die Steuerung und/oder Vorein- Stellung des Walzgerüstes bzw. der Walzstraße mittels eines Modells des Walzgerüstes oder der Walzstraße erfolgt, wobei das Modell zumindest ein neuronales Netz aufweist, dessen Parameter an die tatsächlichen Verhältnisse im Walzgerüst oder in der Walzstraße, insbesondere an die Eigenschaften des Walzbandes, angepaßt bzw. adaptiert werden.
Für die Steuerung und Voreinstellung von Walzgerüsten oder einer Walzstraße zum Walzen eines Walzbandes ist es bekannt, Modelle einzusetzen, die zumindest ein neuronales Netz auf- weisen, dessen Parameter an die tatsächlichen Verhältnisse im Walzgerüst oder in der Walzstraße, insbesondere an die Eigenschaften des Walzbandes, angepaßt bzw. adaptiert werden. Eine derartige modellgestützte Steuerung oder Voreinstellung kommt ganz besonders für /Anwendungen entsprechend DE 41 31 765, EP 0 534 221, US 55 13 097, DE 44 16 317, US 56 00 758,
DE 43 38 608, DE 43 38 615, DE 195 22 494, DE 196 25 442, DE 196 41 432, DE 196 41 431, DE 196 42 918, DE 196 42 919, DE 196 42 921 in Frage. Neuronale Netze für diese /Anwendungen werden, wenn sie on-line adaptiert werden, mit konstanten Ad- aptionsraten adaptiert. D.h., daß nach jedem gewalzten Band die Fehlerfunktion für dieses Band berechnet wird. Anschließend wird der Gradient dieser Fehlerfunktion bestimmt und im Sinne einer Optimierung im Gradienten derart gefolgt, daß die Fehlerfunktion sich um die gewählte Adaptionsrate verringert. Es hat sich gezeigt, daß mittels on-line-Adaption, wobei unter on-line-Adpation das Adaptieren eines neuronalen Netzes nach einem gewalzten Walzband zu verstehen ist, sich die Qualität eines gewalzten Stahls deutlich verbessert. Problematisch sind jedoch Sicherheitsprobleme in bezug auf die Kon- vergenz bei der Adpation. Kommt es aufgrund einer fehlerhaften Adaption zu Fehlfunktion, Fehlsteuerung oder fehlerhafter Voreinstellung, so kann es für die genannte Anwendung zu hohen Verlusten durch minderwertig gewalzten Stahl oder durch Beschädigung der Walzstraße kommen. Ferner sind aufgrund der hohen Investitionskosten für eine Walzstraße Stillstandzeiten sehr teuer. Unter diesem Hintergrund ist die Adaption von neuronalen Netzen für die Steuerung oder Voreinstellung von Walzgerüsten oder Walzstraßen problematisch.
Entsprechend ist es Aufgabe der Erfindung, ein Verfahren anzugeben, um eine Steuerung bzw. Voreinstellung eines Stahlwerkes oder von Teilen eines Stahlwerkes sicherer zu machen. Ferner ist es wünschenswert, die Präzision der mittels eines neuronalen Netzes ermittelten Modellwerte zu verbessern.
Die Aufgabe wird erfindungsgemäß durch ein Verfahren gemäß Anspruch 1 gelöst. Dabei wird bei einem Verfahren gemäß dem Oberbegriff die Geschwindigkeit, mit der die Parameter an die tatsächlichen Verhältnisse im Walzgerüst oder in der Walz- straße, insbesondere an die Eigenschaften des Walzbandes angepaßt bzw. adaptiert werden, variiert. Auf diese Weise kann z.B. unterschieden werden, ob das neuronale Netz die zu approximierende Funktion in dem entsprechenden Punkt bereits gut beherrscht, ob der Datenpunkt zu einem seltenen Ereignis, d.h. zu einem selten gewalzten Stahl, gehört oder ob der zu trainierende Datenpunkt aufgrund eines Meßfehlers oder Fehlers in der Nachberechnung sogar gänzlich unbrauchbar ist. Dieses führt zu einer weitaus robusteren Adaption. In vorteilhafter Ausgestaltung der Erfindung wird die Ge- schwindigkeit, mit der die Parameter an die tatsächlichen Verhältnisse im Walzgerüst oder in der Walzstraße, insbesondere an die Eigenschaften des Walzbandes, angepaßt bzw. adaptiert werden, in Abhängigkeit der Informationsdichte, insbesondere der Trainingsdaten bezüglich Walzbänder derselben oder ähnlichen Art, variiert.
Die Informationsdichte D ist dabei ein (abstraktes) Maß, wieviel Information an einem gegebenen Punkt im Eingangsraum vorhanden ist (typischerweise wieviel Bänder derselben oder einer ähnlichen Qualität bereits gewalzt wurden) . Ein Ausfüh- rungsbeispiel für eine Definition der Informationsdichte ist sizsnst
D(x„) = Σ bk(xn)Dk (xn) k = l
D(xn) ist die Schätzung der Informationsdichte für Punkt xn, nach Bearbeitung aller Muster xi bis xn-ι • bk(xn) ist die Aktivität des k-ten Neurons in der verdeckten Ebene oder den verdeckten Ebenen des neuronalen Netzes beim Anlegen des Musters xn. Dk(xn) ist die Schätzung der lokalen Informationsdichte am Ort des k-ten Neurons, nach Verarbeitung aller Muster xi bis Xn-i . sizenet entspricht der Anzahl der Neuronen in der verdeckten Ebene oder den verdeckten Ebenen des neuronalen Netzes. bk berechnet sich aus
bk (xn ) = exp (- - (x - μ) ∑ (x - μ) ) X,
X, mit x =
X.
Figure imgf000006_0001
μ2 μ = μn
und
Figure imgf000006_0002
wobei μi der Erwartungswert und σ2ι die Varianz von x± ist.
Dk(xn) berechnet sich zu:
Dk(xn) K
Ik(xn) is die lokal über die gesamte Vergangenheit aller Mu- ster Xi bis xn-ι akkumulierte Information am k-ten Neuron der verdeckten Ebene oder der verdeckten Ebenen des neuronalen Netzes, I (xn) die analog global im Netzwerk akkumulierte Information. Ik(xn) berechnet sich zu
Ik(Xn) = bk(x')f(E(x'),η(x'))
Figure imgf000006_0003
f ist eine Funktion in Abhängigkeit des Prognosefehlers E(x') (siehe unten) und der Lernrate η(x') . Sie berücksichtigt, daß für die in der Vergangenheit nur mit kleiner Lernrate gelernten Muster nur wenig Information vorliegt. Im einfachsten Fall könnte f = lV(x' e x1... xn-1) gesetzt werden.
Für I (x„) gilt : sizenet
I (Xn) = Σ Ik (xn ) = Σ f(E(x » ) , η(x' ) ) k = l x '= {x]...xn_1 }
Da für alle x ' e { Xi . . . xn-ι gilt sizenet
Σ bk (x ' ) = 1 = l
In weiterer besonders vorteilhafter Ausgestaltung der Erfin- düng wird die Geschwindigkeit, mit der die Parameter an die tatsächlichen Verhältnisse im Walzgerüst oder in der Walzstraße, insbesondere an die Eigenschaften des Walzbandes, angepaßt bzw. adaptiert werden, in Abhängigkeit des Fehlererwartungswertes, insbesondere des mittleren Fehlers über die gesamte Adaptionsphase oder den mittleren Fehler über ein langes Zeitintervall bei der Adaption, variiert.
Der Fehlererwartungswert F ist z.B. der mittlere Fehler über die gesamte Vergangenheit im Raumpunkt xn. Beispielhaft kann er wie folgt aussehen:
F(xn) = S1 bk(xn)Fk (χn) k = l wobei Fk(xn) der lokale Fehlererwartungswert für das n-te Muster am k-ten Neuron der verdeckten Ebene eines neuronalen Netzes ist. Fk(xn) ergibt sich zu ∑ bk(x')E(x')f(E(x'), η(x'
X'=(xι-Vι
Fk(Xn) ιk (χ n )
Durch die Multiplikation des Fehlers E(x') mit bk(x') steht im Zähler ein Maß für den lokalen Fehler. Dieser Fehler wird durch die lokale Informationsdichte geteilt.
Ein weiterer Ansatz zur Berechnung des Fehlererwartungswertes ist die Berechnung in Form einer lokalen Statistik erfolgen, bei der nicht nur der Mittelwert des lokalen Fehlers, sondern auch seine Varianz berücksichtigt wird.
In weiterer vorteilhafter Ausgestaltung der Erfindung wird die Geschwindigkeit, mit der die Parameter an die tatsächlichen Verhältnisse im Walzgerüst oder in der Walzstraße, insbesondere an die Eigenschaften des Walzbandes, angepaßt bzw. adaptiert werden, in Abhängigkeit des aktuellen Fehlers bei der Adaption, d.h. dem aktuellen Fehlers zwischen den mittels des neuronalen Netzes ermittelten und den tatsächlichen Verhältnissen im Walzgerüst und/oder der Walzstraße, insbesondere der Eigenschaften des Walzbandes, variiert.
Der aktuelle Fehler E ist z.B. der Euklid- oder sonstige Abstand zwischen Netzvorhersage, also dem mittels des neuronalen Netzes ermittelten Wertes und tatsächlichem Wert. Der Eu- klidsche Abstand, der vorteilhafterweise als aktueller Fehler E verwendet wird, ist definiert als
Figure imgf000008_0001
wobei xn die Eingangsgröße bzw. die Eingangsgrößen des Netzwerkes, yn(x,w) der Ausgangswert, z.B. Walzkraft, des neuro- nalen Netzes für ein Muster xn in Abhängigkeit der Netzwerkgewichte w und tn(x) der yn(xn, ) entsprechende tatsächliche Wert ist. n entspricht der zeitlichen Abfolge der Trainingsmuster. Für zumindest eine der drei Größen Informationsdichte, Fehlererwartungswert und aktueller Fehler wird erfindungsgemäß eine Fallunterscheidung durchgeführt. Dabei wird in ganz besonders vorteilhafter Ausgestaltung der Erfindung zwischen Normalfall (gut trainiertes Netz) , Exot, (typischerweise ein sehr selten gewalzter Stahl wie z.B. Münzstahl), Ausreißer (z.B. durch Ausfall eines Meßsensors) und instabilem Prozeß (für eine sehr ähnliche Stahlart schwankte Targetwert in der Vergangenheit erheblich) unterschieden. Der Grad der Adaption des Netzwerkes wird entsprechend dieser Fallunterscheidung gewählt, wie Tabelle 1 zeigt. Dabei bedeutet IT hoch, U niedrig (ggf. gleich Null) und => ittel.
Figure imgf000009_0001
Tabelle 1: Fallunterscheidung für Adaptionsrate
Ist die Informationsdichte hoch, der Fehlererwartungswert klein und der aktuelle Fehler klein, so wird von einem gut trainierten Netz ausgegangen und die Adaptionsrate bei einem mittleren Wert gehalten. Sind die Informationsdichte und der aktuelle Fehler gering, so wird davon ausgegangen, daß das neuronale Netz es schafft, bei einer seltenen Stahlsorte, d.h. einem Exot gut zu generalisieren. Die Adaptionsrate wird bei einem mittleren Wert gehalten. Ist dagegen der aktuelle Fehler bei geringer Informationsdichte hoch, so wird die Adaptionsrate erhöht. Eine Kombination, bei der die Informati- onsdichte und der aktuelle Fehler hoch, der Fehlererwartungswert dagegen gering ist, wird als Ausreißer interpretiert und die Adaptionsrate wird entsprechend verringert bzw. es findet keine Adaption statt. Sind sowohl die Informationsdichte als auch der Fehlererwartungswert hoch, so wird dieses als Indiz für einen instabilen Adaptionsprozeß gewertet. Die Adaption wird abgebrochen.
Das erfindungsgemäße Verfahren wird ganz besonders vorteilhaft in Verbindung mit den in DE 41 31 765, EP 0 534 221, US 55 13 097, DE 44 16 317, US 56 00 758, DE 43 38 608,
DE 43 38 615, DE 195 22 494, DE 196 25 442, DE 196 41 432, DE 196 41 431, DE 196 42 918, DE 196 92 919, DE 196 42 921 offenbarten Anwendungen verwendet.
Weitere Vorteile und erfinderische Einzelheiten ergeben sich aus der nachfolgenden Beschreibung von Ausführungsbeispielen, anhand der Zeichnungen und in Verbindung mit den Unteransprüchen. Im einzelnen zeigen:
FIG 1 das erfindungsgemäße Verfahren
FIG 2 ein Blockschaltbild für die Prozeßführung in einer
Vor- und Fertigstraße entsprechend dem erfindungsgemäßen Verfahren
FIG 1 zeigt eine Prinzipdarstellung des erfindungsgemäßen
Verfahrens. Dabei bezeichnen Bezugszeichen 33 ein neuronales Netz, Bezugszeichen 34 einen Adaptionsalgorithmus und Bezugszeichen 35 die Bestimmung der Adaptionsrate 36 des neuronalen Netzes 33. Das neuronale Netz berechnet auf der Basis von Eingangsgrößen 31, Ausgangsgrößen 37. Zur Adaption des neuro- nalen Netzes 33 werden diese Eingangsgrößen 31 und Ausgangsgrößen 37 auch einem Adaptionsalgorithmus 34 zugeführt, der die Netzwerkantwort, d.h. die Ausgangsgrößen 37 des neuronalen Netzes 33, mit entsprechend tatsächlichen Werten 32 ver- gleicht. Auf der Basis dieser Größen adaptiert der Adaptionsalgorithmus 34 die Parameter des neuronalen Netzes 33. Entsprechend dem erfindungsgemäßen Verfahren wird auf der Grundlage zumindest einer der Größen 31, 32, 37 bzw. der inneren Zustandsgrößen 38 des neuronalen Netzes 33 die Adapti- onsrate 36 für den Adaptionsalgorithmus 34 bestimmt. Selbstverständlich sind die Größen 31, 32, 37, 38 nicht zwangsläufig Skalare, sondern können auch mehrere Größen sein. So können z.B. die Eingangsgrößen 31 Größen wie Walzbanddicke, Walzbandbreite, Walzbandtemperatur, Legierungsanteile des Walzbandes usw. sein. Ausgangsgrößen 37 des neuronalen Netzes 33 kann z.B. ein Korrekturwert für die Walzkraft sein.
FIG 2 zeigt eine Vorstraße 1 und eine Fertigstraße 2 mit Walzgerüsten 3 bzw. 4 zum Walzen von Metallbändern 5. Die Steuerung der Vorstraße 1 erfolgt durch eine Steuereinrichtung 6, die auf die einzelnen Walzgerüste 3 wirkt und dort unterschiedliche Stellglieder betätigt. Die Steuereinrichtung 6 erhält die zur Steuerung der Walzgerüste 3 erforderlichen Informationen sowohl aus einer Recheneinrichtung 7 als auch von einer Meßwerterfassungseinrichtung 8. Zu Beginn des Walzprozesses liegen noch keine Meßwerte für die zur Regelung des Prozesses erforderlichen Größen vor. Daher werden in der Recheneinrichtung 7 auf der Basis von Modellannahmen Vorhersagewerte für die Größen berechnet und an die Steuereinrichtung 6 zur Voreinstellung der Vorstraße 1 übergeben. Während des Prozeßablaufes werden durch die Meßwerterfassungseinrichtung 8 Meßwerte der zur Regelung des Prozesses dienenden Größen erfaßt und der Steuereinrichtung 6 zugeführt. Die Steuereinrichtung 6 erhält ferner über eine Verbindung 9 Informationen zur Bestimmung eines Vorhersagewerts y für die zu erwartende Breitenänderung des Metallbandes 5 in der Fertigstraße 2. In Abhängigkeit von diesem Vorhersagewert y wird der Walzprozeß, also die Stauchung des Metallbandes 5 in der Vorstraße 1 derart gesteuert, daß die Vorbandbreite, also die Breite des Metallbandes 5 bei seinem Austritt aus der Vorstraße 1 gleich der gewünschten Soll-Fertigbandbreite des Metallbandes 5 bei seinem Austritt aus der Fertigstraße 2 mi- nus der vorhergesagten Breitenänderung y des Metallbandes 5 in der Fertigstraße 2 ist. Auf diese Weise wird bei genauer Vorhersage der Breitenänderung des Metallbandes 5 in der Fertigstraße 2 erreicht, daß das Metallband 5 bei seinem Austritt aus der Fertigstraße 2 die gewünschte Soll-Fertigband- breite aufweist.
Bei der Fertigstraße 2 werden ebenso wie bei der Vorstraße 1 die einzelnen Walzgerüste 4 durch eine Steuereinrichtung 10 gesteuert, die die dazu erforderlichen Informationen aus ei- ner Recheneinrichtung 11 und einer Meßwerterfassungseinrichtung 12 bezieht. Bevor ein die Vorstraße 1 durchlaufendes Metallband 5 in die Fertigstraße 2 eintritt, werden in der Recheneinrichtung 11 Vorhersagewerte für die zur Regelung des Walzprozesses in der Fertigstraße 2 erforderlichen Größen be- rechnet und der Steuereinrichtung 10 zur Voreinstellung der
Fertigstraße 2 aufgegeben. Von diesen vorab bestimmten Größen werden diejenigen, die einen Einfluß auf die Breitenänderung des Metallbandes 5 in der Fertigstraße 2 haben können, als Eingangsgrößen x einem neuronalen Netzwerk 13 zugeführt, das als Netzwerkantwort einen Rechenwert y J VNINI(xvor) für die
Breitenänderung erzeugt und diesen auf der Verbindung 9 für die Berechnung des Vorhersagewertes ypre i-n der Steuereinrichtung 6 bereitstellt. Als Einflußgrößen bzw. Eingangsgrößen für das neuronale Netzwerk 13 sind insbesondere folgende Größen geeignet, die den Eingangsvektor x bilden. Beim Durchlauf des Metallbandes 5 durch die Fertigstraße 2 werden die prozeßrelevanten Größen, darunter die Einflußgrößen die Vorbandtemperatur, die Vorbanddicke , die Fertigbandtemperatur, die Fertigbanddicke, die Soll-Fertigbandbreite, die Austrittsgeschwindigkeit des Fertigbandes aus der Fertigstraße 2, die Materialfestigkeit, das Profil, die relativen Dickenabnahmen in den einzelnen Walzgerüsten 4, die Schiebepositionen von Verschiebewalzen und die Züge in dem Metallband 5 zwischen den einzelnen Walzgerüsten 4 mittels der Meß- werterfassungseinrichtung 12 gemessen und der Steuerung 10 sowie einer Einrichtung 14 zur Nachberechnung zugeführt. Die Nachberechnung umfaßt z.B. eine statistische Aufbereitung der gemessenen Einflußgrößen sowie eine Berechnung von nicht unmittelbar meßbaren Einflußgrößen in Abhängigkeit von anderen Meßgrößen. Mit diesen nachberechneten, d.h. im Vergleich zur Vorausberechnung in der Recheneinrichtung 11 wesentlich genauer bestimmten Einflußgrößen erfolgt nach dem Durchlauf des Metallbandes 5 durch die Fertigstraße 2 eine Adaption der Netzwerkparameter des neuronalen Netzwerkes 13. Dazu werden die nachberechneten Einflußgrößen in einem Eingangsvektor X nach zusammengefaßt und dem neuronalen Netzwerk 13 aufgege¬ ben. Die dabei von dem neuronalen Netzwerk 13 erhaltene Netzwerkantwort y ■* N,N (xnach wird einem AdapAtionsalg -1orithmus 15 zugJe- führt, dem außerdem die vor der Fertigstraße 2 an der Stelle 16 gemessene Ist-Vorbandbreite BV sowie die hinter der Fertigstraße 2 an der Stelle 17 gemessene Ist-Fertigbandbreite BF zugeführt werden. Die so erhaltene Ist-Breitenänderung
Figure imgf000013_0001
wird mit der Netzwerkantwort JyNN (xnac,h) vergJlichen, wobei die Abweichung -' zwischen der Netzwerkantwort yNN (xnach,) und der Ist-
Breitenänderung y über die Verbindung 18 zur Adaption der Netzwerkparameter im Sinne einer Verringerung dieser Abweichung herangezogen werden. Neben dem Rechenwert yNN (xvo ) werden auch die Werte y -1 NτNτ (xnach und yJ i.st auf der Verbindung3 9 be- reitgestellt und der Steuereinrichtung 6 zur Berechnung des Vorhersagewertes y für die Breitenänderung zugeführt.
Dem Adaptionsalgorithmus 15 wird eine Adaptionsrate 22 vorge- geben die mittels eines Adaptionsratenbestimmers 20 ermittelt wird. Neben den Werten yNN(Xvor), yNN(Xnach), ylst sind xnaCh, BV und BF sowie die inneren Zustände 23 des neuronalen Netzes 13 Eingangsgrößen in den Adaptionsratenbestimmer 20. Optional gibt der Adaptionsratenbestimmer 20 ein Alarmsignal 21 aus, wenn Informationsdichte und Fehlererwartungswert hoch sind. Dieses Alarmsignal 21 wird von einem übergeordneten System zur Prozeßdiagnose verwendet. Als Sicherheitsmaßnahme wird in einem derartigen Fall die Adaption des neuronalen Netzes 13 eingestellt.

Claims

Patentansprüche
1. Verfahren zur Steuerung und Voreinstellung eines Stahlwerkes oder von Teilen eines Stahlwerkes, insbesondere zur Steuerung und Voreinstellung eines Walzgerüstes oder einer Walzstraße zum Walzen eines Walzbandes, wobei die Steuerung bzw. die Voreinstellung des Stahlwerks, der Teile des Stahlwerks des Walzgerüstes bzw. der Walzstraße mittels eines Modells des Stahlwerks, der Teile des Kohlwerks, des Walzgerü- stes oder der Walzstraße erfolgt, wobei das Modell zumindest ein neuronales Netz aufweist, dessen Parameter an die tatsächlichen Verhältnisse in dem Stahlwerk, in Teilen des Stahlwerks, im Walzgerüst oder in der Walzstraße, insbesondere an die Eigenschaften des Walzbandes, angepaßt bzw. adap- tiert werden, d a d u r c h g e k e n n z e i c h n e t, daß die Geschwindigkeit, mit der die Parameter an die tatsächlichen Verhältnisse in dem Stahlwerk, in Teilen des Stahlwerks, im Walzgerüst oder in der Walzstraße, insbesonde- re an die Eigenschaften des Walzbandes, angepaßt bzw. adaptiert werden, variiert wird.
2. Verfahren nach Anspruch 1, d a d u r c h g e k e n n z e i c h n e t, daß die Geschwindigkeit, mit der die Parameter an die tatsächlichen Verhältnisse in dem Stahlwerk, in Teilen des Stahlwerks, im Walzgerüst oder in der Walzstraße, insbesondere an die Eigenschaften des Walzbandes, angepaßt bzw. adaptiert werden, in Abhängigkeit der Informationsdichte, insbe- sondere der Anzahl an Trainingsdaten bezüglich Walzbänder derselben oder ähnlichen Art, variiert wird.
3. Verfahren nach Anspruch 1 oder 2, d a d u r c h g e k e n n z e i c h n e t, daß die Geschwindigkeit, mit der die Parameter an die tatsächlichen Verhältnisse in dem Stahlwerk, in Teilen des Stahlwerks, im Walzgerüst oder in der Walzstraße, insbesondere an die Eigenschaften des Walzbandes, angepaßt bzw. adaptiert werden, in Abhängigkeit des Fehlererwartungswertes, insbesondere des mittleren Fehlers über die gesamte Adaptionsphase oder den mittleren Fehler über ein langes Zeitinter- vall bei der Adaption, variiert wird.
4. Verfahren nach Anspruch 1, 2 oder 3, d a d u r c h g e k e n n z e i c h n e t, daß die Geschwindigkeit, mit der die Parameter an die tat- sächlichen Verhältnisse in dem Stahlwerk, in Teilen des
Stahlwerks, im Walzgerüst oder in der Walzstraße, insbesondere an die Eigenschaften des Walzbandes, angepaßt bzw. adaptiert werden, in Abhängigkeit des aktuellen Fehlers bei der Adaption, d.h. der aktuellen Differenz zwischen den mittels des neuronalen Netzes ermittelten und den tatsächlichen Verhältnissen in dem Stahlwerk, in Teilen des Stahlwerks, im Walzgerüst und/oder der Walzstraße, insbesondere der Eigenschaften des Walzbandes, variiert wird.
5. Verfahren nach Anspruch 1, 2, 3 oder 4, d a d u r c h g e k e n n z e i c h n e t, daß die Geschwindigkeit, mit der die Parameter an die tatsächlichen Verhältnisse in dem Stahlwerk, in Teilen des Stahlwerks, im Walzgerüst oder in der Walzstraße, insbesonde- re an die Eigenschaften des Walzbandes, angepaßt bzw. adaptiert werden, bei hoher Informationsdichte, kleinem Fehlererwartungswert und kleinem aktuellen Fehler nicht oder kaum variiert wird.
6. Verfahren nach Anspruch 1, 2, 3, 4 oder 5, d a d u r c h g e k e n n z e i c h n e t, daß die Geschwindigkeit, mit der die Parameter an die tatsächlichen Verhältnisse in dem Stahlwerk, in Teilen des Stahlwerks, im Walzgerüst oder in der Walzstraße, insbesondere an die Eigenschaften des Walzbandes, angepaßt bzw. adaptiert werden, bei kleiner Informationsdichte und kleinem aktuellen Fehler nicht oder kaum variiert wird.
7. Verfahren nach einem der vorhergehenden Ansprüche, d a d u r c h g e k e n n z e i c h n e t, daß die Geschwindigkeit, mit der die Parameter an die tatsächlichen Verhältnisse in dem Stahlwerk, in Teilen des Stahlwerks, im Walzgerüst oder in der Walzstraße, insbesonde- re an die Eigenschaften des Walzbandes, angepaßt bzw. adaptiert werden, bei geringer Informationsdichte und großem aktuellen Fehler vergrößert wird.
8. Verfahren nach einem der vorhergehenden Ansprüche, d a d u r c h g e k e n n z e i c h n e t, daß die Geschwindigkeit, mit der die Parameter an die tatsächlichen Verhältnisse in dem Stahlwerk, in Teilen des Stahlwerks, im Walzgerüst oder in der Walzstraße, insbesondere an die Eigenschaften des Walzbandes, angepaßt bzw. adap- tiert werden, bei großer Informationsdichte, kleinem Fehlererwartungswert und großem aktuellen Fehler verkleinert wird.
9. Verfahren nach einem der vorhergehenden Ansprüche, d a d u r c h g e k e n n z e i c h n e t, daß die Anpassung bzw. Adaption der Parameter des neuronalen Netzes (33) an die tatsächlichen Verhältnisse in dem Stahlwerk, in Teilen des Stahlwerks, im Walzgerüst und/oder der Walzstraße, insbesondere an die Eigenschaften des Walzbandes, bei hoher Informationsdichte und hohem Fehlererwartungswert als fehlerhaft diagnostiziert wird.
10. Verfahren nach Anspruch 9, d a d u r c h g e k e n n z e i c h n e t, daß die Adaption bzw. Anpassung der Parameter des neuronalen Netzes (33) bei Diagnose einer fehlerhaften Adaption ge- stoppt.
11. Verfahren nach Anspruch 9 oder 10, d a d u r c h g e k e n n z e i c h n e t, daß die Diagnose der Adaption zur Prozeßdiagnose, d.h. zur Diagnose des Walzvorgangs, verwendet wird.
PCT/DE1998/001952 1997-07-24 1998-07-13 Verfahren zur steuerung und voreinstellung eines stahlwerkes oder von teilen eines stahlwerkes Ceased WO1999005577A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
DE19881041T DE19881041B4 (de) 1997-07-24 1998-07-13 Verfahren zur Steuerung und Voreinstellung eines Stahlwerkes oder von Teilen eines Stahlwerkes
AT0902898A AT500860B8 (de) 1997-07-24 1998-07-13 Verfahren zur steuerung und voreinstellung eines stahlwerkes oder von teilen eines stahlwerkes
US09/463,524 US6807449B1 (en) 1997-07-24 1998-07-13 Method for controlling and pre-setting a steelworks or parts of a steelworks

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE19731980.7 1997-07-24
DE19731980A DE19731980A1 (de) 1997-07-24 1997-07-24 Verfahren zur Steuerung und Voreinstellung eines Walzgerüstes oder einer Walzstraße zum Walzen eines Walzbandes

Publications (1)

Publication Number Publication Date
WO1999005577A1 true WO1999005577A1 (de) 1999-02-04

Family

ID=7836836

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/DE1998/001952 Ceased WO1999005577A1 (de) 1997-07-24 1998-07-13 Verfahren zur steuerung und voreinstellung eines stahlwerkes oder von teilen eines stahlwerkes

Country Status (4)

Country Link
US (1) US6807449B1 (de)
AT (1) AT500860B8 (de)
DE (2) DE19731980A1 (de)
WO (1) WO1999005577A1 (de)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19914987A1 (de) * 1999-04-01 2000-10-05 Siemens Ag Leitsystem für ein Walzwerk, insbesondere für eine Walzstraße
DE10031883C5 (de) * 2000-05-11 2008-09-18 Hinz, Rüdiger Verfahren und Anordnung zur leistungsoptimierenden Regelung der Zufuhrmenge des Materials, das einer aus mehreren Aggregaten bestehenden Sand-, Kies- oder Splitaufbereitungsanlage zugeführt wird
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
DE10126251A1 (de) * 2001-05-29 2003-01-23 Buehler Ag Online-Prozessüberwachung und Online-Prozessmodelierung
US7130781B2 (en) * 2002-04-10 2006-10-31 3M Innovative Properties Company One-dimensional modeling of the manufacture of multi-layered material
DE60211520T2 (de) * 2002-10-09 2006-12-14 Stmicroelectronics S.R.L., Agrate Brianza Anordnung zur Steuerung des Betriebs eines physikalischen Systems wie zum Beispiel einer Brennstoffzelle in elektrischen Fahrzeugen
DE102006047718A1 (de) * 2006-10-09 2008-04-17 Siemens Ag Verfahren zur Nachverfolgung des physikalischen Zustands eines Warmblechs oder Warmbands im Rahmen der Steuerung einer Grobblechwalzstraße zur Bearbeitung eines Warmblechs oder Warmbands
DE102010019320A1 (de) * 2010-05-03 2011-11-03 Converteam Gmbh Verfahren zum Ermitteln von Parametern eines Modells für eine Walzanlage
DE102012216514B4 (de) * 2012-06-28 2014-10-30 Siemens Aktiengesellschaft Verfahren zur statistischen Qualitätssicherung bei einer Untersuchung von Stahlprodukten innerhalb einer Stahlklasse
EP3293594A1 (de) * 2016-09-13 2018-03-14 Primetals Technologies Germany GmbH Verwendung umfassender künstlicher intelligenz bei anlagen der grundstoffindustrie
DE102019132029A1 (de) * 2019-11-26 2021-05-27 Thyssenkrupp Steel Europe Ag Herstellung eines gewünschten Metallwerkstücks aus einem Metallflachprodukt

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0534221A1 (de) * 1991-09-24 1993-03-31 Siemens Aktiengesellschaft Regelparameter-Verbesserungsverfahren für industrielle Anlagen
DE4416364A1 (de) * 1993-05-17 1994-11-24 Siemens Ag Verfahren und Regeleinrichtung zur Regelung eines Prozesses
DE4416317A1 (de) * 1993-05-17 1994-11-24 Siemens Ag Verfahren und Regeleinrichtung zur Regelung eines materialverarbeitenden Prozesses
US5414619A (en) * 1992-01-20 1995-05-09 Hitachi, Ltd. Method and device for controlling object to be controlled using learning function
DE4338607A1 (de) * 1993-11-11 1995-06-14 Siemens Ag Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System
WO1996001705A1 (de) * 1994-07-07 1996-01-25 Siemens Aktiengesellschaft Verfahren zum walzen eines metallbandes
US5608842A (en) * 1993-11-11 1997-03-04 Siemens Aktiengesellschaft Method and device for conducting a process in a controlled system with at least one precomputed parameter based on a plurality of results from partial mathematical models combined by a neural network

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3133222A1 (de) * 1981-08-21 1983-03-03 Kraftwerk Union AG, 4330 Mülheim Verfahren zur ermittlung des augenblicklichen und des zukuenftigen zustandes eines technischen prozesses mit hilfe von nichtlinearen prozessmodellen
DE4105321A1 (de) * 1991-02-20 1992-08-27 Siemens Ag Regelung eines warm- und/oder kaltwalzprozesses
DE4439986A1 (de) * 1993-11-09 1995-06-01 Rockwell International Corp Adaptives Prozeßsteuerungssystem und Verfahren
DE4338608B4 (de) * 1993-11-11 2005-10-06 Siemens Ag Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System
JP3370783B2 (ja) 1994-06-27 2003-01-27 マツダ株式会社 機器の制御装置および制御方法
DE19508476A1 (de) * 1995-03-09 1996-09-12 Siemens Ag Leitsystem für eine Anlage der Grundstoff- oder der verarbeitenden Industrie o. ä.
DE19625442B4 (de) 1996-06-26 2005-02-03 Siemens Ag Verfahren und Einrichtung zur Verringerung der Kantenanschärfung eines Walzbandes
DE19641431A1 (de) 1996-10-08 1998-04-16 Siemens Ag Verfahren und Einrichtung zur Identifikation bzw. Vorausberechnung von Prozeßparametern eines industriellen zeitvarianten Prozesses
DE19641432C2 (de) 1996-10-08 2000-01-05 Siemens Ag Verfahren und Einrichtung zur Vorausberechnung von vorab unbekannten Parametern eines industriellen Prozesses
DE19642921C2 (de) 1996-10-17 2002-11-07 Siemens Ag System zur Bestimmung des Dickenprofils eines Walzbandes
DE19642919C2 (de) 1996-10-17 2002-09-26 Siemens Ag System zur Berechnung des Enddickenprofils eines Walzbandes
DE19642918C2 (de) 1996-10-17 2003-04-24 Siemens Ag System zur Berechnung des Enddickenprofils eines Walzbandes

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0534221A1 (de) * 1991-09-24 1993-03-31 Siemens Aktiengesellschaft Regelparameter-Verbesserungsverfahren für industrielle Anlagen
US5414619A (en) * 1992-01-20 1995-05-09 Hitachi, Ltd. Method and device for controlling object to be controlled using learning function
DE4416364A1 (de) * 1993-05-17 1994-11-24 Siemens Ag Verfahren und Regeleinrichtung zur Regelung eines Prozesses
DE4416317A1 (de) * 1993-05-17 1994-11-24 Siemens Ag Verfahren und Regeleinrichtung zur Regelung eines materialverarbeitenden Prozesses
US5513097A (en) * 1993-05-17 1996-04-30 Siemens Aktiengesellschaft Method and control device for controlling a process including the use of a neural network having variable network parameters
DE4338607A1 (de) * 1993-11-11 1995-06-14 Siemens Ag Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System
US5608842A (en) * 1993-11-11 1997-03-04 Siemens Aktiengesellschaft Method and device for conducting a process in a controlled system with at least one precomputed parameter based on a plurality of results from partial mathematical models combined by a neural network
WO1996001705A1 (de) * 1994-07-07 1996-01-25 Siemens Aktiengesellschaft Verfahren zum walzen eines metallbandes

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MARTINETZ T ET AL: "NEURONALE NETZE ZUR STEUERUNG VON WALZSTRASSEN", AUTOMATISIERUNGSTECHNISCHE PRAXIS - ATP, vol. 38, no. 10, October 1996 (1996-10-01), pages 28, 30 - 32, 34 - 36, 41/42, XP000640083 *

Also Published As

Publication number Publication date
DE19881041D2 (de) 1999-12-23
DE19731980A1 (de) 1999-01-28
AT500860B8 (de) 2007-02-15
AT500860A5 (de) 2006-04-15
US6807449B1 (en) 2004-10-19
AT500860B1 (de) 2006-04-15
DE19881041B4 (de) 2013-08-22

Similar Documents

Publication Publication Date Title
DE4338615B4 (de) Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System
DE19522494C2 (de) Verfahren zum Walzen eines Metallbandes
DE4105321A1 (de) Regelung eines warm- und/oder kaltwalzprozesses
EP2697001A1 (de) Steuerverfahren für eine walzstrasse
DE4338607B4 (de) Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System
DE4416317B4 (de) Verfahren und Regeleinrichtung zur Regelung eines materialverarbeitenden Prozesses
DE19881041B4 (de) Verfahren zur Steuerung und Voreinstellung eines Stahlwerkes oder von Teilen eines Stahlwerkes
DE4131765A1 (de) Regelparameter-verbesserungsverfahren fuer industrielle anlagen
DE69913538T2 (de) Verfahren und Vorrichtung zur Planheitsregelung
WO2013110399A1 (de) Verfahren zur bearbeitung von walzgut in einem warmwalzwerk
WO1996028770A1 (de) Verfahren und vorrichtung zur führung eines prozesses
DE102004005011B4 (de) Regelverfahren und Regler für ein Walzgerüst
AT408728B (de) Verfahren und einrichtung zur voreinstellung einer walzstrasse
WO1999024183A1 (de) Verfahren und einrichtung zum walzen eines walzbandes mit variierender dicke
WO1999013999A1 (de) Verfahren und einrichtung zur kühlung von metallen in einem hüttenwerk
EP2998040A1 (de) Breiteneinstellung bei einer Fertigstraße
DE19713004C2 (de) Verfahren und Einrichtung zur Voreinstellung der Planheit eines Walzbandes
DE3026229C2 (de)
EP2483004A1 (de) Verfahren zur modellbasierten ermittlung von stellglied-sollwerten für die symmetrischen und asymmetrischen stellglieder der walzgerüste einer warmbreitbandstrasse
WO2020193099A1 (de) Vermeidung von wellen beim walzen von metallbändern
DE2263674A1 (de) Verfahren zur herstellung von bandfoermigem walzgut unter verwendung eines rechners
EP0994757B1 (de) Verfahren und einrichtung zur steuerung bzw. voreinstellung eines walzgerüstes
AT410407B (de) Verfahren und einrichtung zur bestimmung eines zwischenprofils eines metallbandes
DE19625442A1 (de) Verfahren bzw. Einrichtung zur Verringerung der Kantenanschärfung eines Walzbandes
DE19644131C2 (de) Verfahren zum Optimieren der Bandbreitenverteilung an den Enden eines eine Walzstraße in einem oder mehreren Stichen durchlaufenden Bandes

Legal Events

Date Code Title Description
AK Designated states

Kind code of ref document: A1

Designated state(s): AT CN DE KR RU US

DFPE Request for preliminary examination filed prior to expiration of 19th month from priority date (pct application filed before 20040101)
ENP Entry into the national phase

Ref document number: 1998 9028

Country of ref document: AT

Date of ref document: 19990204

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 19989028

Country of ref document: AT

REF Corresponds to

Ref document number: 19881041

Country of ref document: DE

Date of ref document: 19991223

WWE Wipo information: entry into national phase

Ref document number: 19881041

Country of ref document: DE

NENP Non-entry into the national phase

Ref country code: KR

WWE Wipo information: entry into national phase

Ref document number: 09463524

Country of ref document: US

REG Reference to national code

Ref country code: DE

Ref legal event code: 8607

REG Reference to national code

Ref country code: DE

Ref legal event code: 8607