FI115406B - Load calculation system for a rolling system such as a calender in a paper machine or cardboard machine or corresponding web fiber machine - Google Patents

Description

115406115406

Paperikoneen tai kartonkikoneen tai vastaavan kuiturainakoneen telaston, kuten kalanterin, kuormituslaskentajärjestelmä Belastningsberäkningssystem för ett valssystem säsom en kalander i en pappersmaskin eller kartongmaskin eller motsvarande banfibermaskin 5Load counting system for a paper machine or board machine or similar fiber web machine, such as a calender, Belastningsberäkningssystem för et valssystem calender i en pappersmaskin eller cardboard masks eller motsvarande banfibermaskin 5

Esillä oleva keksintö liittyy telastojen, esimerkiksi kalanterin, kuormituslaskentaan. Tar-10 kemmin esillä olevan keksinnön kohteena on patenttivaatimuksen 1 johdanto-osan mukainen telaston, edullisesti kalanterin, kuormituslaskentajärjestelmä.The present invention relates to the load calculation of track systems, for example a calender. More particularly, the present invention relates to a load counting system for a track, preferably a calender, according to the preamble of claim 1.

Nykyisin kalanterin automaatiojärjestelmässä tehtävä telaston laskenta on laskennallisesti raskas ja hidas toteuttaa. Niinpä nykyisin, kun käytetään vielä hajautettua automaatiojär-15 jestelmää, tarvitaan taipumakompensoitujen telojen optimointilaskennan lisäksi tietokoneessa, kuten unix-työasemassa, toimivaa välitelojen optimointilaskentaa. Muutettaessa kalanterin ajoparametreja, viivakuonnaprofiilin muutos edellyttää automaatiojärjestelmässä tapahtuvan optimoinnin suorittamista, samoin on asianlaita kun muutetaan viivakuor-matasoa. Mikäli nippien välistä kuormitusjakaumaa muutetaan tai teloja vaihdetaan, täytyy 20 suorittaa unix-työasemassa koko telaston laskenta.Nowadays, computation of the track system in the calender automation system is computationally difficult and slow to implement. Thus, nowadays, when a decentralized automation system is still in use, in addition to the calculation of deflection compensated rolls, there is a need for intermediate roll optimization calculations running on a computer such as a unix workstation. When changing the running parameters of the calender, a change in the line load profile requires optimization in the automation system, as is the case with the line load level change. If the load distribution between the nipples is changed or the rolls are changed, the unix workstation must perform a complete rollout calculation.

’ Peruspiirre nykyisessä järjestelmässä on siis, että mekaanisen sekä kuormitus- ja/tai ke- • · » • ·: vennysjärjestelmän että TK-telan matemaattista mallia käyttäen ratkaistaan jompikumpi tai f 5 » * » molemmat optimointiprobleemat uudelle kuormitustilanteelle aina, kun kuormitustilannetta ’; 25 aiotaan muuttaa. Optimointiprobleema siis ratkaistaan vasta, kun sitä ajoa varten tarvitaan.'Thus, the basic feature of the current system is that using a mathematical model of both the mechanical loading and / or the rolling system and the TK roll solves either or f 5 »*» both optimization problems for the new loading situation each time the loading situation occurs'; 25 are going to change. Thus, the optimization problem will only be solved when it is needed for driving.

Toisaalta järjestelmän heikkoutena on, että vanhat tulokset hukataan, kun kuormitustilanne ... muuttuu, vaikka samoilla lähtöarvoilla laskettuja tuloksia saatettaisiin myöhemmin tarvita.On the other hand, a weakness of the system is that old results are lost when the load situation ... changes, even if results calculated at the same starting values may be needed later.

**

Nykyisin automaatiojärjestelmällä tehtävä telaston, kuten kalanterin kuormituksen laskenta ‘:·30 on melko raskas ja aikaavievä rutiini. Tästä seuraa suuri laskentaresurssien tarve on-line-ratkaisussa, joten taloudellisesti järkevän laskentakapasiteetin takia joudutaan laskennan • V aikavaatimuksista tinkimään. Raskas ja hidas laskentarutiini hankaloittaa telaston, kuten • · 2 115406 kalanterin kuormitus-/kevennyslaitteistolla tehtävien, koko telaston kannalta harkittujen, nopeiden on-line-ohjaustoimien tekemistä esim. tuotettavan paperin laadun säätämiseksi tai häiriötilanteissa tehtävissä suojaustoimenpiteissä. Laadun säädön kannalta nopeus on tarpeen muutostilojen hallinnassa, esim. ajon aloitukseen liittyvän kokillitelojen lämpöti-5 lamuutoksen kompensoinnissa kuormituksella. Rampituksia tai mitään kehittyneempiä säätö- tai kompensointimenetelmiä on erityisen hankala toteuttaa, mikäli uutta viivakuor-mitustilannetta vastaavien kuormitus-/kevennyspainearvojen laskemisen viemä aika on puolesta minuutista muutamaan minuuttiin, ja lisäksi vaihtelee, eli laskentaviive on säätö-algoritmin kannalta stokastinen muuttuja.Nowadays, calculating the load on a set-top box such as a calender with an automation system: · 30 is quite a heavy and time consuming routine. As a result, there is a huge need for computing resources in an on-line solution, which means that economically rational computing capacity has to compromise on computational time requirements. A heavy and slow computation routine makes it difficult to perform on-line control, such as · · 2,115,406 calender-loaded / light-weight equipment, to consider the entire track, for example to adjust the quality of the paper being produced or protect against malfunctions. For quality control, speed is needed to control the change states, e.g., to compensate for the change in temperature-5 chamfer rolls associated with the start of the run under load. Ramping or any of the more advanced adjustment or compensation methods are particularly difficult to accomplish if the time required to calculate the load / relief pressure values corresponding to the new line load situation is between one minute and a few minutes and moreover, i.e., calculation delay is a stochastic variable.

1010

Keksinnön primaarisena päämääränä on eliminoida tai ainakin vähentää nykyiseen kuormituksen laskentaan liittyviä ongelmia ja heikkouksia ja saada aikaan kuormituksen laskentaan uusija keksinnöllinen on-line-sovellus.The primary object of the invention is to eliminate or at least reduce the problems and weaknesses of the current load calculation and to provide a novel inventive on-line application for load calculation.

15 Tämä päämäärä on saavutettu alussa mainitun kaltaisella kuormituksen laskennan on-line-sovelluksella, jolle ominaiset erityispiirteet on esitetty oheisissa patenttivaatimuksissa.This object is achieved by an on-line application of load computation as mentioned above, the particular features of which are set forth in the appended claims.

Keksintö perustuu siis siihen uuteen ja keksinnölliseen perusajatukseen, että telaston, kuten kalanterin, kuormituksen laskennan laskentarutiinia on nopeutettu neuroverkon avulla, joka 20 on ennalta opetettu, jonka ulostulona saadaan neuroverkolle ennalta opetettuna telaston optimoinnin lähtöarvojen ja telaston optimointi. Laskennan tulosten välisen relaation to- ’ teuttavat neuroverkon lähtöarvot telaston ohjausparametreiksi.Thus, the invention is based on the new and inventive basic idea that the loading calculation routine of a telecommunication system, such as a calender, has been accelerated by a pre-trained neural network, the output of which is a pre-taught neural network optimization initialization and teletext optimization. The relationship between the results of the computation translates the neural network output values into control parameters of the track.

**

Niinpä keksinnön mukaisessa järjestelmässä opetetaan neuroverkolle ennakkoon opti-;; 25 moituja tavoitearvoja. Neuroverkko toimii siis tässä tapauksessa tietopankkina, josta haetaan jo aiemmin ongelman ratkaisemiseksi laskettu tavoitetulos tai tavoitearvot tarvittaessa käyttöön. Tällöin säästyy sekä aikaa että laitteistokustannuksia. Opetetun ja/tai jatkuvasti !'.! oppivan neuroverkon suorittama input-output-haku on nopeaa verrattuna iteratiiviseen las- '·’ kentaan. Laitteistokustannuksissa säästetään, koska tehokasta iteratiiviseen optimiratkaisun ’;”30 hakuun tarvittavaa laitteistoa ei tarvita enää kuormituslaskentaan on-line ajossa (jokaista ·;* telastoa/kalanteria varten), vaan iteratiivista kuormituslaskentaa suorittava laitteisto tarvi- : taan ainoastaan koneen/telaston/kalanterin suunnitteluvaiheessa koneen/telaston/kalanterin 3 115406 hallintaan tarkoitetun neuroverkon opetuksessa. Lisäksi tietotekniikan laitteistokompo-nenttina muisti on nykyisin halpaa, joten aikaisemmin löydettyjen ratkaisujen tallettamisen kustannukset eivät ole suuret.Thus, in the system of the invention, the neural network is pre-trained in optics ;; 25 target values. Thus, in this case, the neural network acts as a database for retrieving the Target Result or Target Values previously calculated to solve the problem. This saves you both time and equipment costs. Being taught and / or constantly! '.! the input-output search performed by the learning neural network is fast compared to iterative computation. The hardware costs are saved because the efficient hardware needed for the iterative optimal solution ';' 30 is no longer needed for on-line load calculation (for each ·; * track / calender), but iterative load counting hardware is only needed for machine / track / calender machine design / Track / Calender 3 115406 for teaching neural networks. In addition, as a hardware component of information technology, memory is currently cheap, so the cost of storing previously found solutions is not high.

5 Keksinnön mukaisesti optimointiongelman ratkaisut opetetaan neuroverkolle off-line tilassa. Tällöin on tarkoituksenmukaista käyttää tehokasta tietokonetta, kuten esim. unix-työasemaa. Opetuksessa tarvitaan mekaanisten jätjestelmien deterministiset mallit, jollaisia on nykyisinkin käytössä. Mallit voivat siis olla nykyisellä tavalla toteutettuja. Keksintö ei kuitenkaan edellytä tätä. Mikä tahansa riittävän tarkka malli ja siihen yhdistetty toimiva 10 optimointimenetelmä käy. Opetusalgoritmille esitellään riittävä määrä mahdollisia lähtötietojen kombinaatioita, joihin sisältyy normaaleja kalanterin mallin muuttujatietoja kuten esimerkiksi viivakuormatasot, halutut kuormitusjakaumat, telaston telojen ominaisuudet, jne., ja joille opetusalgoritmi pyytää optimointialgoritmeja laskemaan ratkaisun. Neuroverkko oppii relaation "optimoinnin lähtötiedot" -4 "ongelman optimiratkaisu" ja relaatioi-15 den toistomekanismi tallettuu tallennusdatana neuroverkon muistiin neuroverkon toiminnan määrittämiseksi parametreiksi (= painekertoimiksi), joita voidaan hyödyntää myöhemmin input-output-haussa ohjaamaan telaston/kalanterin kuormitusta optimaalisesti muuttuvissa ajotilanteissa.According to the invention, the solutions of the optimization problem are taught to the neural network in an offline mode. In this case, it is appropriate to use a powerful computer, such as a unix workstation. In teaching, we need deterministic models of mechanical systems that are still in use today. Thus, the models can be implemented in the current way. However, the invention does not require this. Any reasonably accurate model and any functional optimization method associated therewith will work. The training algorithm is presented with a sufficient number of possible combinations of input data, including standard calender model variables such as line load levels, desired load distributions, track roll characteristics, etc., for which the training algorithm requests optimization algorithms to compute the solution. The neural network learns the relational "optimization output data" -4 "problem solving" mechanism and the relay-15 repetition mechanism is stored as storage data in the neural network memory to determine the neural network function as parameters (= pressure coefficients) that can be used later in the input

, . 20 Etuna tässä keksinnössä on, että telaston laskennan on-line toteutuksen ei tarvitse enää suorittaa iteratiivisia optimointirutiineja. On-line laskennassa tarvitaan vain etukäteen lasketut neuroverkon parametrit (- painekertoimet) ja vastaava neuroverkkorakenne. Kaikkia mah-’ dollisia lähtötietokombinaatioita ei verkon opetuksessa voida ratkaista. Verkko kuitenkin ,·>·. selviää myös tehtävistä, joissa opetuksessa esiintymättömiä tilanteita vastaavia outputeja , 1 .25 siltä kysytään, kun käyttöön valitaan verkkorakenne, joka pystyy interpoloimalla tuotta-maan uusia ratkaisuja tunnettujen ratkaisujen perusteella. Tämä huomioidaan opetustapa- . ‘ . usten valinnassa - mm. kaikkien mahdollisten tapausten ääritilat pitää sisällyttää opetusai- < · · • neistoon.,. An advantage of this invention is that the on-line implementation of the roll computation does not have to perform iterative optimization routines anymore. For on-line calculation, only the pre-calculated neural network parameters (pressure coefficients) and the corresponding neural network structure are required. Not all possible source data combinations can be solved in network teaching. However, the network, ·> ·. will also be able to cope with the task of providing outputs corresponding to non-teaching situations, 1 .25, when choosing a network structure capable of interpolating to produce new solutions based on known solutions. This is taken into account in the teaching method. '. in the selection of doors - mm. the extremes of all possible cases should be included in the curriculum.

-30 Toinen etu keksinnössä on se, että ratkaisut lasketaan jo etukäteen, joten jo suunnittelu-vaiheessa on mahdollista tutkia tulosten järkevyyttä. Näin voidaan ehkäistä sellaisia yllä-' ·# tyksiä, että on-line sovellusta käytettäessä joku tietty lähtötietokombinaatio tuottaa mallin 4 115406 mukaan kelvollisen ratkaisun, jota kuitenkin ongelman matemaattiseen esitykseen sisältymättömän kriteerin, esim. terveen jäljen, mukaan ei ole viisasta tuotanto-olosuhteissa ka-lanterin kuormitus-/kevennyslaitteilla toteuttaa.Another advantage of the invention is that the solutions are calculated in advance, so that it is possible to investigate the rationality of the results already at the design stage. This prevents such maintenance that, when using an on-line application, a particular source data combination produces a valid solution according to model 4 115406, which, however, according to a criterion not included in the mathematical representation of the problem, e.g. lumbar load / lightening implement.

5 Keksintö mahdollistaa myös neuroverkon on-line oppimisen, mutta tällöin ei saavuteta säästöjä laitteistokustannuksissa. Sen sijaan aikaa säästyy sikäli, että kerran ratkaistua opti-mointiprobleemaa ei tarvitse enää uudelleen ratkaista, vaan voidaan toistaa verkon jo aiemmin oppimaa ratkaisua yhä uudelleen. Tämä toiminta asettaa vaatimuksia myös verkon rakenteelle, verkon opetuksen on oltava nopeaa ja opetuksessa verkko ei saa unohtaa ai-10 emmin oppimaansa. Tällainen ratkaisu ei myöskään mahdollista edellisessä kappaleessa mainittua oppimistulosten ennakkotarkastusta ennen niiden on-line käyttöä.The invention also allows for on-line learning of the neural network, but no savings in hardware costs are achieved. Instead, time is saved in that the once-solved optimization problem does not have to be solved anymore, but it is possible to repeat the solution already learned by the network over and over. These activities also set requirements for the structure of the network, network teaching must be fast, and the network must not forget the ai-10 emmi learned. Similarly, such a solution does not allow the prior checking of learning outcomes mentioned in the previous paragraph before using them online.

Keksintöä selostetaan seuraavassa tarkemmin sen erään edullisena pidetyn sovellutusmuo-don avulla viittaamalla oheiseen patenttipiirustukseen, joka esittää kaaviokuvana neuro-15 verkon opetusta, jota edustaa pisteviivalla rajattu alue, ja käyttöä on-line ajotilanteessa, jota edustaa kaksoispistekatkoviivalla rajattu alue.The invention will now be explained in more detail by means of a preferred embodiment thereof, with reference to the accompanying drawing, which schematically illustrates the training of a neuro-15 network represented by a dotted area and use in an on-line driving situation represented by a dotted line.

Kuvioon liittyen on aluksi korostettava, että se ovat yksinkertaistettu ja järjestelmä voi luonnollisesti sisältää muitakin funktioita kuin mitä seuraavassa on tuotu esiin. Samoin 20 data voi olla talletettuna useisiin eri datavarastoihin ja tulla algoritmeille useammista eri lähteistä.With regard to the figure, it should first be emphasized that it is simplified and that the system may of course include functions other than those set forth below. Similarly, data may be stored in a plurality of different data stores and come to algorithms from multiple sources.

Kuviossa havainnollistettu neuroverkko voi olla esim. back propagation tai radial base , ‘ -tyyppinen verkko. Myös muita tällaiseen ongelmakenttään soveltuvia erityisesti jatkuvaan , ".25 oppimiseen kehitettyjä neuroverkko- ja sumean laskennan yhdistelmäratkaisuja löytyy I » kirjallisuudesta, esimerkkinä voidaan mainita DCA-verkko (Dynamically Capasitv Alloca- , ·*. ting network).The neural network illustrated in the figure may be e.g. a back propagation or a radial base, 'type network. Other combinations of neural network and fuzzy computing that are specifically designed for this type of problem can be found in the literature, such as the DCA (Dynamically Capasitv Alloca-, · *. Ting network).

< * · I · . Esillä olevan keksinnön perusajatuksen mukaisesti optimointiongelman ratkaisut opetetaan e » · ϋ’.ρΟ neuroverkolle 5 off-line tilassa. Tällöin on tarkoituksenmukaista käyttää tehokasta tietoko-netta, edullinen on esimerkiksi UNIX-työasema. Opetuksessa käytetään mekaanisten jär- t · I · 5 115406 jestelmien deterministisiä malleja, jollaiseksi soveltuu mikä tahansa riittävän tarkka malli ja siihen yhdistetty toimiva optimointimenetelmä.<* · I ·. According to the basic idea of the present invention, the solutions of the optimization problem are taught to the e »· ϋ'.ρΟ neural network 5 in an offline mode. In this case, it is expedient to use a high-performance computer, for example, a UNIX client is preferred. In teaching, we use deterministic models of mechanical systems.

Neuroverkon 5 opettamiseksi opetusalgoritmille 4 esitetään useita erilaisia lähtötietojen 1 5 kombinaatioita 10, joihin sisältyy kalanterin ja telaston normaaleja muuttujatietoja kuten esimerkiksi viivakuormatasot, halutut kuormitusjakaumat, telaston telojen ominaisuudet, jne. Optimointipyynnön 10b ja ohjattavaksi tarkoitetun koneen, joka on edullisesti telasto tai kalanteri, mekaanisia ominaisuuksia tai mekaanista prosessia kuvaavalle matemaattiselle esitykselle eli simuloinnille 3 syötettävien parametrien 10c sekä optimointialgoritmin 10 2 avulla lähtötiedoista lasketaan simulointimallilla 3 simuloiden ongelman optimiratkaisu 12b, joka syötetään opetusalgoritmille 4. Neuroverkkoa 5 opetetaan näin relaation "optimoinnin lähtötiedot" "ongelman optimiratkaisu" avulla ja relaatiot tallennetaan tallen-nusdatana 14b neuroverkon parametritaulukon 6 muistiin, joita neuroverkon parametrejä 22 voidaan sitten hyödyntää on-line ajotilanteessa toteutettavassa haussa "telaston opti-15 moinnin lähtötiedot 21-* telaston ohjausparametri 23" ohjaamaan koneen, kuten telas-ton/kalanterin, kuormituksen ajoarvoja 23, esimerkiksi hydrauliikan paineita 7, optimaalisiksi muuttuvissa ajotilanteissa.To teach the neural network 5 to the training algorithm 4, various combinations of input data 1 5 are presented which include normal calender and roller variable information such as line load levels, desired load distributions, roller roll properties, etc. The optimization request 10b and a controlled machine or by mathematical representation of the mechanical process, i.e. simulation 3, by input parameters 10c and optimization algorithm 10 2, the output data is computed by simulation model 3 by simulating problem solving problem 12b, nusdatana 14b into the memory of the neural network parameter table 6, which neural network parameters 22 can then be utilized in the on-line run search opt-15 output data 21- * track control parameter 23 "to control load values 23, such as hydraulic pressures 7, of a machine such as a Telaston / calender in optimum driving situations.

Kuviossa on esitetty kaaviokuvana telaston laskennan neuroverkon opetus. Lähtötietodata 20 1 sisältää eri lähtötietovaihtoehdot, joille optimiratkaisu etsitään. Lähtötietoja 1 ovat mm.The diagram is a diagrammatic representation of the training of a neural network for computation of a set. The output data 20 1 contains various output data options for which an optimal solution is sought. Starting data 1 is e.g.

telojen, telaston ja hydraulisen järjestelmän ominaisuudet sekä halutut viivakuormaprofiilit i eri nipeissä. Tämä muodostaa neuroverkon 5 opetusdatan input-osuuden 10, joka lähete- » tään neuroverkon 5 opetusalgoritmille 4. Neuroverkon 5 opetuksen output-osuuden eli tavoitearvojen laskemiseksi lähtötiedot ja optimointipyyntö 10b syötetään optimointialgo-^ 25 ritmille 2, ja simulointimallin parametrien osuus 10c lähtötiedoista välitetään koneen, joka on edullisesti telasto tai kalanteri, matemaattisella mallilla 3 tehtävään simulointiin. Optimointialgoritmi 2 etsii iteratiivisesti jäijestelmän matemaattisella mallilla 3 simuloiden niitä optimointituloksia 11, esim. hydrauliikan painearvoja, joilla toivotut arvot 12, kuten halutut viivakuormat, parhaiten toteutuvat. Kun riittävän hyvät optimointitulokset eli läh- I * 30 töarvot löytyvät, optimointialgoritmi 2 välittää parhaat löytyneet lähtöarvot 12b, kuten pai-L nearvot, neuroverkon opetusalgoritmille 4, minkä jälkeen opetusalgoritmi 4 välittää neuro verkolle 5 opetusdatan 13. Opetusdatan muodostavat optimoinnissa käytetyt lähtötiedot 6 115406 10b ja niitä vastaavat optimoidut lähtöarvot 12b. Näistä jälkimmäiset toimivat siis neuroverkon opetuksen tavoitearvoina. Koneen, kuten telaston tai kalanterin, ajotilanteessa tarvittavien neuroverkon 5 laskentaa ohjaavien neuroverkon parametrien eli painekertoimien 22 laskemiseksi opetusalgoritmi 4 etsii neuroveron parametrien 22 muistista 6 iteratiivi-5 sesti neuroverkolla 5 laskien sellaisia parametriarvoja 22, joilla verkon 5 tuottamien lähtöarvojen 14 etäisyys optimoituihin lähtöarvoihin 12b, kuten annettuihin painearvoihin, on riittävän pieni. Neuroverkon opetustilassa iteroimalla saadut neuroverkon parametriarvot 22 tallennetaan tallennusdatana 14b keksinnön mukaisen ohjausjärjestelmän parametrien 22 muistiin 6, josta ne ovat yksinkertaisella lähtöarvo 21-ohjausparametri 23-mappayksellä 10 haettavissa koneen, kuten telaston tai kalanterin, kuormituksen optimaaliksi säätöarvoiksi muuttuvissa ajotilanteissa.the characteristics of the rollers, the track system and the hydraulic system, and the desired line load profiles i in different nipples. This forms the input portion 10 of the training data of the neural network 5, which is transmitted to the training algorithm 4 of the neural network 5 to calculate the output portion, i.e. target values, of the training of the neural network 5. The input data and the optimization request 10b are input which is preferably a track or calender, for simulation with a mathematical model 3. The optimization algorithm 2 iteratively searches for a rigid system mathematical model 3, simulating those optimization results 11, e.g., the hydraulic pressure values at which the desired values 12, such as the desired line loads, are best realized. When sufficiently good optimization results, i.e. source values of I * 30, are found, optimization algorithm 2 forwards the best found output values 12b, such as pai-L nears, to the neural network training algorithm 4, then training algorithm 4 transmits training data 13 to the neo network 5. and their corresponding optimized output values 12b. Thus, the latter serve as target values for neural network education. To calculate the neural network parameters controlling the computation of the neural network 5, i.e. pressure coefficients 22, necessary for running a machine such as a track or calender, the training algorithm 4 searches the memory 6 of the neural network parameters iteratively 5 by calculating parameter values 22 such as given pressure values, is small enough. The neural network parameter values 22 obtained by iteration in the neural network training mode are stored as storage data 14b in the memory 6 of the control system parameters 22, from which they are a simple output 21 control parameter 23 map 10 retrievable to optimize the load values of the machine.

Keksinnön mukaisen neuroverkon käyttämiseksi kuormituksen laskentaan on-line ajotilanteessa lähetetään neuroverkolle 5 mekaanista ja/tai hydraulista jäqestelmää kuvaavat 15 verkon parametrit 22 sekä toivotut kuormitusarvot 21. Näistä neuroverkko 5 tuottaa lähtöarvo 21-telaston ohjausparametri 23-mäppäyksen avulla optimaaliset ohjaus- tai säätöarvot 23, kuten hydrauliikkapaineet. Neuroverkko 5 siis etsii tai laskee verkkoparametrien 22 avulla toivotut kuormitustilanteet 1, 21, parhaiten toteutettavat telaston ohjaus- tai säätöarvot 23, kuten hydrauliikan paineiden asetusarvot.In order to use the neural network according to the invention to calculate the load in the on-line driving situation, the network parameters 22 and the desired load values 21 are transmitted to the neural network 5 describing the mechanical and / or hydraulic system 15. Of these, the neural network 5 provides a control value 23 hydraulic pressure. Thus, the neural network 5 searches or calculates, with the help of network parameters 22, the desired load situations 1, 21, the best realizable control or regulation values of the track system, such as the hydraulic pressure setpoints.

20 ; Keksinnön mukaiselle järjestelmän neuroverkolle 5 on opetettu ennalta mahdolliset opti- ; mointitulokset. Neuroverkko 5 toimii siis on-line ajotilanteessa tietopankkina, josta hae- ‘ . taan jo aiemmin ongelman ratkaisemiseksi laskettu tulos käyttöön. Näin säästyy sekä aikaa t · että laitteistokustannuksia. Opetetun neuroverkon suorittama input-output haku on myös '^25 olennaisesti nopeampi kuin iteratiivinen laskenta.20; The system neural network 5 according to the invention has been pre-taught the possible optics; mointitulokset. The neural network 5 thus functions as an on-line driving database to retrieve. the result calculated earlier to solve the problem will be used. This saves you time and hardware costs. The input-output lookup performed by a trained neural network is also substantially faster than iterative computation.

··. On huomattava, että myös on-line ajotilanteessa neuroverkko 5 voidaan järjestää oppivak- . ··. si. Tämä on edullista toteuttaa siten, että opetusalgoritmi 4 sekä myös optimointialgoritmi ’. 2 ja matemaattinen malli 3 pysytetään neuroverkon 5 yhteydessä, jolloin, kun neuroverkon 30 5 syötteenä on uusi, entuudestaan tuntematon lähtöarvo 21, suoritetaan uudelle halutulle * lähtöarvolle 10b, 10c ensin ensimmäinen simulointi tai iterointi optimoinnin mallin 3 ja optimointialgoritmin 2 avulla ja optimoitu lähtöarvo 12b välitetään syötteenä opetusalgo- tili » « 7 115406 ritmille 4, joka välittää sen opetusdatana neuroverkolle 5. Ajotilanteessa tarvittavien, uusien parametrien 22 aikaansaamiseksi opetusalgoritmi 4 laskee neuroverkolla 5 interpoloi-malla sellaisia uusia ohjausparametriarvoja 22, joilla verkon tuottaman outputin 14 etäisyys lähtöarvoihin 12b on riittävän pieni. Interpoloidut, uudet verkon parametriarvot 22 5 tallennetaan tallennusdatana 14b keksinnön mukaisen ohjausjärjestelmän verkkoparametri-en 22 muistiin 6, josta ne ovat uudelleen yksinkertaisella lähtötietojen perusteella tehtävällä haulla löydettävissä käyttöön.··. It should be noted that, even in on-line driving, the neural network 5 may be provided in a learning context. ··. si. This is advantageously implemented so that the training algorithm 4 as well as the optimization algorithm '. 2 and the mathematical model 3 are maintained in connection with the neural network 5, where, when the neural network 30 5 is supplied with a new, previously unknown output value 21, a first desired * output value 10b, 10c is first first simulated or iterated by the optimization model 3 and the optimization algorithm 2b as input to the training algorithm »« 7 115406 to the rhythm 4 which transmits it as the training data to the neural network 5. In order to provide the new parameters 22 required in the driving situation, the training algorithm 4 computes the neural network 5 to interpolate new control parameter values 22 The interpolated new network parameter values 22 5 are stored as storage data 14b in the memory 6 of the network parameters 22 of the control system according to the invention, from where they can be retrieved by a simple search based on the input data.

Keksintöä on selostettu edellä vain sen erään edullisena pidetyn sovellutusmuodon avulla.The invention has been described above only by means of a preferred embodiment thereof.

10 Tällä ei ole luonnollisestikaan haluttu rajata keksintöä ja kuten alan ammattimiehelle on selvää monet vaihtoehtoiset ratkaisut ja muunnelmat ovat mahdollisia uuden ja keksinnöllisen ajatuksen oheisissa patenttivaatimuksissa määritellyn suojapiirin puitteissa.This, of course, is not intended to limit the invention and, as will be apparent to one skilled in the art, many alternative solutions and modifications are possible within the scope of the appended claims as defined by the appended claims.

» • ‘ · · » * I » t » • » t · • I · t » # • i » * · ·»• '· ·» * I »t» • »t · • I · t» # • i »* · ·

Claims (7)

115406115406 1. Paperikoneen tai kartonkikoneen tai vastaavan kuiturainakoneen telaston, edullisesti kalanterin, kuormituslaskentajärjestelmä, joka hyödyntää neuroverkkoa (5), etenkin 5 kuiturainakoneen telaston hydraulisten kevennyspaineiden säätöä varten, tunnettu sii tä, että kuormituksen laskennan laskentarutiinia on nopeutettu neuroverkon (5) avulla, joka on ennalta opetettu ja antaa ennalta opetettuja ja haluttuja lähtötietoja tai -arvoja (1, 21) vastaavia telaston ohjausparametrejä (23) ja/tai joka ajotilanteessa interpoloi halutuille uusille lähtötiedoille tai -arvoille (1, 21) ennalta opetettuja lähtötietoja tai -10 arvoja vastaavista neuroverkon ohjausparametreistä (22) uusia telaston ohjausparamet rejä (23).A load counting system for a paper machine or board machine or similar fiber web machine set, preferably a calender, which utilizes a neural network (5), in particular 5 fiber web machine sets for controlling the hydraulic lightening pressures, characterized by the fact that taught and provides predetermined output data or values (1, 21) corresponding to predetermined input data or values (1, 21) and / or interpolates to desired new output data or values (1, 21) in a driving situation from neural network control parameters ( 22) new track control parameters (23). 2. Patenttivaatimuksen 1 mukainen kuormituksenlaskentajärjestelmä, tunnettu siitä, että lähtötiedot tai -arvot (1, 21) on valittu joukosta johon kuuluu: viivakuormatasot ja/tai 15 -profiilit, kuormitusjakaumat, telaston, telojen ja/tai hydraulisen järjestelmän ominai suudet, ja että neuroverkon (5) tuottamat ohjaus- tai säätöarvot (23) ovat edullisesti hydrauliikan painearvoja.Load calculation system according to claim 1, characterized in that the output data or values (1, 21) are selected from the group consisting of: line load levels and / or 15 profiles, load distributions, characteristics of the track system, rollers and / or hydraulic system, and The control or regulation values (23) provided by (5) are preferably pressure values for hydraulics. 3. Patenttivaatimuksen 1 ja 2 mukainen kuormituksenlaskentajärjestelmä, tunnettu siitä, _ · · ·20 että kuormituslaskentajärjestelmä on tietokonejärjestelmä, johon kuuluu: kalanterin ,:. telaston mekaanisen prosessin matemaattinen malli (3), joka vastaanottaa lähtötiedoista » t · · (1) simulointimallin parametrien osuuden (10c), ja optimointialgoritmi (2), joka vas-.··. taanottaa optimointipyynnön (10b) ja etsii lähtötietoihin (1) perustuen iteratiivisesti matemaattisella mallilla (3) sellaiset optimoidut lähtöarvot (12b), joilla toivotut lähtö- • « * 25 tiedot tai -arvot (1) toteutuvat; neuroverkon (5) opetusalgoritmi (4), joka vastaanottaa ·;··: optimoidut lähtöarvot (12b) ja neuroverkon (5) opetuksen lähtötieto-osuuden (10); ja • * · ’ttt! neuroverkko (5), joka vastaanottaa opetusalgoritmiltä (4) opetusdataa (13) ja johon . V. liittyy neuroverkon parametrien (22) muisti (6). • · • · · • · M » ; ’*30 4. Jonkin edeltävän patenttivaatimuksen 1-3 mukainen kuormituksenlaskentajärjestelmä, » · » tunnettu siitä, että ajotilanteessa tarvittavien, uusien telaston ohjausparametrien (23) • · aikaansaamiseksi opetusalgoritmi (4) laskee neuroverkolla (5) interpoloimalla tallen- 115406 nettujen neuroverkon parametrien avulla sellaisia uusia telaston ohjausparametriarvoja, joiden etäisyys optimoinnilla saatuihin vastaaviin arvoihin (12b) on riittävän pieni.The load counting system according to claims 1 and 2, characterized in that the load counting system is a computer system comprising: a calender, a:. a mathematical model (3) of the mechanical process of the track which receives from the input data »t · · (1) a portion of the parameters of the simulation model (10c), and an optimization algorithm (2) which corresponds to ··. retrieves the optimization request (10b) and, based on the input data (1), iteratively searches the mathematical model (3) for the optimized output values (12b) at which the desired output data or values (1) are realized; the training algorithm (4) of the neural network (5) receiving the ;; ··: optimized output values (12b) and the training output information portion (10) of the neural network (5); and • * · ttt! a neural network (5) receiving training data (13) from the training algorithm (4) and to which. V. associated with the memory (6) of the neural network parameters (22). • · • · · • M »; Load calculation system according to one of the preceding claims 1 to 3, characterized in that, in order to provide the new track control parameters (23) • · needed in the driving situation, the training algorithm (4) calculates by interpolating the neural network with the stored neural network parameters. new track control parameter values sufficiently close to the corresponding values (12b) obtained by optimization. 5. Patenttivaatimuksen 4 mukainen kuormituksenlaskentajärjestelmä, tunnettu siitä, että 5 opetusalgoritmi (4) etsii iteratiivisesti neuroverkolla (5) laskien ja tallentaa verkon pa rametrien (22) muistiin (6) verkon parametrien (22) arvoja, joilla neuroverkko tuottaa verkon lähtöarvoja (12b), jotka mahdollisimman hyvin vastaavat optimointilaskennan lähtöarvoja (12b), ja että neuroverkko (5) tuottaa haluttuja lähtöarvoja (1,21) vastaavia telaston ohjaus- tai säätöarvoja (23), kuten hydrauliikkapaineita (7). 10The load calculation system according to claim 4, characterized in that the 5 training algorithm (4) iteratively searches the neural network (5) for calculation and stores in the memory (6) of the network parameters (22) the values of the network parameters (22b). , which correspond as closely as possible to the output values (12b) of the optimization calculation, and that the neural network (5) produces track control or adjustment values (23) corresponding to the desired output values (1,21), such as hydraulic pressures (7). 10 6. Jonkin edeltävän patenttivaatimuksen 1 - 5 mukainen kuormituksenlaskentajärjestelmä, tunnettu siitä, että optimoinnilla (2) matemaattisella mallilla (3) simuloiden tuotetaan tavoitearvot (12b) neuroverkolle (5) lähtötietojen tai -arvojen (1,21) optimointilaskennan välisen yhteyden opettamiseksi neuroverkolle. 15The load calculation system according to any one of claims 1 to 5, characterized in that the optimization (2) simulates a mathematical model (3) to produce target values (12b) for the neural network (5) to teach the neural network connection between source data or values (1,21). 15 7. Patenttivaatimuksen 6 mukainen kuormituksenlaskentajärjestelmä, tunnettu siitä, että neuroverkon opetukseen kuuluu neuroverkon opetuksen lähtötieto-osuus (10), joka välittyy opetusalgoritmille (4), ja neuroverkon opetuksen tavoitearvojen laskemisosuus, • ^ jossa lähtötiedot (1) ja optimointipyyntö (10b) välittyy optimointialgoritmille (2) ja jos- • · · • · , · · · 20 sa matemaattisen mallin parametrien osuus (11c) lähtötiedoista (1) välittyy matemaatti- • · · sella mallilla (3) tehtävään simulointiin, että optimointialgoritmi (2) etsii iteratiivisesti KM matemaattisella mallilla (3) simuloiden niitä arvoja (11), joilla halutut lähtötiedot (1) parhaiten toteutuvat, minkä jälkeen optimoidut arvot (12b) välittyvät neuroverkon opetusalgoritmille (4), joka välittää neuroverkolle (5) opetusdatan (13), johon kuuluu • » · 25 optimointialgoritmille (2) välitettyjä lähtötietoja (10b) vastaavat optimoidut lähtöarvot *: 1 1: (12b), jotka toimivat näin neuroverkon (5) opetuksen tavoitearvoina. M » • · · • · # • · · * » • · · · · • » · • · · · t • » 115406 ίοA load calculation system according to claim 6, characterized in that the neural network training comprises a neural network training output data portion (10) transmitted to the training algorithm (4) and a neural network training target calculation portion, wherein the input data (1) and the optimization request (10b) are transmitted to the optimization algorithm (2) and if the proportion (11c) of the mathematical model parameters from the input data (1) is transmitted to the simulation performed by the mathematical model (3) that the optimization algorithm (2) searches iteratively for KM a mathematical model (3) simulating the values (11) at which the desired input data (1) is best realized, after which the optimized values (12b) are transmitted to the neural network training algorithm (4), which transmits the training data (13) to the neural network (5). · Optimized output values corresponding to the input data (10b) transmitted to the 25 optimization algorithm (2) *: 1 1: (12b), which thus serve as target values for teaching the neural network (5). M »• · • • # # · · *» • · · · · »115406 ίο